Saltar al contenido
Volver a los resultados

Recopilación de Datos Longitudinales de Sensores — Monitorización Continua Basada en Sensores a lo Largo del Tiempo

Propuesto por
Emerging from ambulatory assessment and wearable technology research communities
Año
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
Tipo
Longitudinal quantitative/mixed data collection technique
Familia
Data collection

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La recopilación de datos longitudinales de sensores despliega sensores físicos o digitales para registrar fenómenos de forma continua o a intervalos regulares durante un período de estudio prolongado: días, meses o años.

A diferencia de una medición única, la estructura temporal repetida captura el cambio, la trayectoria y la variabilidad en resultados como la actividad física, la exposición ambiental, el sueño o el estado fisiológico. El enfoque combina la validez ecológica de la detección en el mundo real con el poder analítico del diseño longitudinal.

La intuición detrás del método

Piense en equipar a los participantes con un acelerómetro de muñeca durante seis meses para rastrear la actividad física mientras pasan por un programa de rehabilitación cardíaca. El sensor registra cada movimiento las veinticuatro horas del día sin pedir a los participantes que recuerden o informen; simplemente registra. Al examinar cómo evolucionan los patrones de actividad semana a semana, los investigadores pueden detectar quién mejora, quién recae y qué factores contextuales (clima, estado de ánimo, eventos sociales) predicen esas trayectorias. La dimensión longitudinal es lo que transforma una instantánea en una historia de cambio.

Historia

La recopilación de datos ambulatorios basada en sensores tiene sus raíces en los monitores ambulatorios de presión arterial de la década de 1960 y los dispositivos de actigrafía desarrollados en las décadas de 1970-80 para la investigación del sueño. La integración de diseños longitudinales con sensores electrónicos se aceleró en la década de 1990 con la metodología de evaluación ecológica momentánea (EMA) formalizada por Stone y Shiffman. La proliferación de teléfonos inteligentes después de 2007 y los rastreadores de actividad física portátiles después de 2010 redujo drásticamente el coste y aumentó la resolución de la detección longitudinal, haciéndola rutinaria en la investigación del comportamiento de la salud, los ensayos clínicos y la epidemiología ambiental.

Cuándo usarlo

Utilice la recopilación de datos longitudinales de sensores cuando la pregunta de investigación se refiera al cambio, la trayectoria o la exposición acumulada a lo largo del tiempo y cuando el recuerdo autoinformado sería poco fiable o gravoso. Es muy adecuado para la investigación del comportamiento de la salud (actividad física, sueño, adherencia), la ciencia ambiental (exposición a la contaminación), la computación afectiva y los estudios de rehabilitación o intervención. El método es apropiado cuando los participantes pueden usar o interactuar con los dispositivos durante la ventana de estudio, existe una infraestructura de datos institucional para el almacenamiento seguro y el presupuesto de investigación cubre el hardware y el mantenimiento de los sensores. No lo utilice cuando el fenómeno de interés no pueda operacionalizarse como una señal de sensor, cuando la carga del participante por la monitorización continua sea inaceptable, cuando la ventana de estudio sea muy corta (una sola sesión) o cuando los datos transversales sean suficientes para responder a la pregunta.

Limitaciones y consideraciones

  • El hardware del sensor, la infraestructura en la nube y la gestión de datos añaden un coste significativo en comparación con las encuestas en papel o en línea.
  • El cumplimiento del dispositivo y la deserción son amenazas persistentes: los participantes pueden quitarse los dispositivos, no cargarlos o abandonar el estudio, creando datos faltantes sistemáticos.
  • Las transmisiones de datos brutos de los sensores requieren una experiencia sustancial en preprocesamiento; los errores en la limpieza o la derivación de épocas se propagan a todos los análisis posteriores.
  • Los diseños longitudinales plantean preocupaciones éticas en torno a la vigilancia continua, la seguridad de los datos y el derecho a retirarse; los procesos de consentimiento informado deben abordar explícitamente todos estos aspectos.
  • La validez del sensor varía según la calidad del dispositivo y la población; los dispositivos portátiles de consumo pueden no cumplir los requisitos de precisión de grado de investigación.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Captura el comportamiento y la fisiología del mundo real sin depender del autoinforme retrospectivo, reduciendo sustancialmente el sesgo de recuerdo.
  • La alta resolución temporal revela la variabilidad intrapersonal, los patrones diurnos y el cambio a micronivel invisibles para las encuestas semanales o mensuales.
  • La grabación continua o casi continua maximiza la densidad de datos en relación con el número de contactos de recopilación de datos con los participantes.
  • La validez ecológica es alta: los datos reflejan el comportamiento en contextos naturales en lugar de condiciones de laboratorio controladas.
  • Escalable: una vez desplegados, los sensores pueden rastrear grandes cohortes simultáneamente con una carga mínima para el investigador por participante por día.

Aplicaciones

  • Seguimiento de las trayectorias diarias de actividad física y comportamiento sedentario durante los programas de rehabilitación cardíaca.
  • Monitorización longitudinal de la arquitectura del sueño en estudios sobre el tratamiento del insomnio o los resultados de salud del trabajo por turnos.
  • Medición de la exposición personal a la contaminación del aire durante meses en cohortes de epidemiología ambiental urbana.
  • Captura de datos continuos de glucosa y variabilidad de la frecuencia cardíaca en la investigación del autocontrol de la diabetes.
  • Registro de patrones de movilidad GPS durante meses para estudiar las trayectorias de aislamiento social en adultos mayores.
  • Registro de indicadores de estrés fisiológico (conductancia cutánea, cortisol a través de parches portátiles) durante un semestre académico en la investigación del bienestar estudiantil.

Cómo funciona

Cómo funciona

1

El investigador especifica la duración del estudio, la resolución de muestreo (transmisión continua frente a épocas fijas, como cada 60 segundos), el tipo de sensor (acelerómetro, monitor de frecuencia cardíaca, GPS, sensor ambiental, etc.) y el diseño temporal (panel, cohorte o medidas repetidas intensivas). Los protocolos éticos, incluida la minimización de datos y los procedimientos de retirada de participantes, se establecen antes del despliegue.

2

Los sensores se calibran, inicializan y entregan a los participantes (o se instalan en los entornos). Los participantes reciben instrucciones sobre cómo usar o mantener los dispositivos, los horarios de carga y los procedimientos para manejar los fallos de funcionamiento. En esta etapa se recopilan datos demográficos y contextuales de referencia para apoyar el análisis covariable posterior.

3

Los sensores registran datos de forma autónoma durante toda la ventana de estudio. Dependiendo de la conectividad, los datos pueden transmitirse a un servidor central casi en tiempo real a través de Bluetooth o enlaces celulares, o acumularse localmente para su descarga periódica durante las visitas de control. La monitorización del cumplimiento —verificar que los dispositivos se usan y funcionan— se lleva a cabo durante todo el período de campo.

4

Las transmisiones de datos brutos de los sensores se almacenan en bases de datos con marca de tiempo. Los metadatos de procedencia de los datos (ID del dispositivo, versión del firmware, estado de la batería, ID del participante, época) se registran junto con las mediciones. El almacenamiento seguro y redundante con controles de acceso es esencial dada la naturaleza personalmente sensible de los datos fisiológicos y de ubicación.

5

La salida bruta del sensor se limpia: los artefactos causados por la extracción o el mal funcionamiento del dispositivo se identifican y eliminan o imputan; las señales se calibran con respecto a los valores de referencia del fabricante o del laboratorio; se derivan métricas de resumen a nivel de época (por ejemplo, recuentos de actividad media por hora, recuentos de pasos por día). Los patrones de datos faltantes se documentan y manejan de forma transparente.

6

Los datos longitudinales de sensores limpios se analizan con métodos adecuados para datos con estructura temporal de medidas repetidas: modelos multinivel, modelos de efectos mixtos, modelos de curva de crecimiento latente o enfoques de series temporales. Se estiman las trayectorias de cambio, se modelan las diferencias individuales en las trayectorias y se prueban las asociaciones con covariables (edad, estado clínico, condición de intervención).

Errores comunes

  • Subestimar los datos faltantes: el tiempo sin uso se confunde con frecuencia con la baja actividad; los investigadores deben implementar algoritmos validados de no uso y documentar las suposiciones de forma transparente.
  • Ignorar la deriva de la calibración: la precisión del sensor puede degradarse durante un período de estudio prolongado; son necesarias comprobaciones periódicas de recalibración para estudios que duren más de unas pocas semanas.
  • Recopilar en exceso sin un plan de análisis: almacenar vastas transmisiones de sensores sin un plan de análisis preespecificado conduce a "fishing expeditions" y a tasas infladas de falsos positivos; registre las hipótesis y las elecciones analíticas antes de la recopilación de datos.
  • Tratar a todos los participantes como equivalentes: las diferencias individuales en la forma en que los participantes usan los dispositivos (ubicación, ajuste, tipo de piel) crean una heterogeneidad de medición sistemática que debe modelarse o controlarse.
  • Descuidar la carga del participante: incluso la detección pasiva impone una carga cognitiva y de estilo de vida; los requisitos excesivos de cumplimiento reducen la retención e introducen sesgos de deserción.

Preguntas frecuentes

¿Cuánto tiempo debe durar un estudio longitudinal con sensores?

La duración depende completamente de la pregunta de investigación. Los estudios que examinan ritmos diarios o semanales pueden necesitar solo de dos a cuatro semanas; los que rastrean el cambio de comportamiento a través de una intervención a menudo duran de tres a seis meses; los estudios de cohorte de trayectorias de enfermedades crónicas pueden abarcar años. El criterio clave es si la ventana de estudio es lo suficientemente larga como para observar una variación significativa en el fenómeno de interés.

¿Cómo manejo el tiempo sin uso en mis datos de sensor?

El tiempo sin uso debe distinguirse de los períodos genuinos de baja actividad. Los algoritmos validados (por ejemplo, los algoritmos de Choi o Troiano para la acelerometría) utilizan ventanas consecutivas de recuento cero de una duración específica para clasificar las épocas como sin uso. Estas épocas se excluyen luego de los análisis o se manejan con imputación basada en principios. El algoritmo de detección de no uso, los umbrales utilizados y la proporción de tiempo de uso válido requerido por día deben informarse en la sección de métodos.

¿Qué tamaño de muestra necesito?

El cálculo de la potencia para estudios longitudinales con sensores debe tener en cuenta el tamaño del efecto esperado en el resultado de la trayectoria, el número de observaciones repetidas por participante, la correlación intraclase (agrupación de observaciones dentro de las personas) y la tasa de deserción anticipada. Las herramientas de potencia multinivel como Optimal Design o el paquete R longpower son apropiadas. Los estudios con una resolución temporal muy alta por participante a veces pueden lograr una potencia adecuada con una N más pequeña, pero la compensación debe justificarse.

¿Son aceptables los dispositivos portátiles de consumo (Fitbit, Apple Watch) para la investigación?

Los dispositivos de consumo ofrecen comodidad y familiaridad para el participante, pero suelen tener una precisión menor que los dispositivos de grado de investigación, algoritmos propietarios y opacos, y acceso restringido a los datos. Son apropiados cuando: la pregunta de investigación se refiere al cambio relativo en lugar de valores absolutos calibrados, el dispositivo ha sido validado contra un estándar de oro para la población y el resultado de interés, y la exportación de datos es suficientemente granular para el plan de análisis. Siempre cite el estudio de validación para el dispositivo y la métrica específicos utilizados.

¿En qué se diferencia esto de la evaluación ecológica momentánea (EMA)?

La EMA es un método de autoinforme que solicita a los participantes que registren sus propias experiencias en momentos aleatorios o contingentes a eventos en la vida diaria. La recopilación de datos longitudinales de sensores es en gran medida pasiva: el dispositivo registra automáticamente sin requerir la entrada activa del participante. Ambos se combinan a menudo: las transmisiones de sensores proporcionan un contexto conductual o fisiológico objetivo junto con estados psicológicos autoinformados a partir de las indicaciones de la EMA.

Métodos relacionados

Fuentes

  1. Lanza, S. T., Collins, L. M., Lemmon, D. R., & Schafer, J. L. (2005). PROC LCA: A SAS procedure for latent class analysis. Structural Equation Modeling, 14(4), 671–694. [For longitudinal intensive repeated-measures designs context, see also: Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32.]

    Abrir referencia de la publicación
    Copiado.
  2. Stone, A. A., & Shiffman, S. (2002). Capturing momentary, self-report data: A proposal for reporting guidelines. Annals of Behavioral Medicine, 24(3), 236–243.

    Abrir referencia DOI
    Copiado.