Métricas de Economía de la Salud

Tema 87 de 91· Aplicaciones y dispositivos de salud para el consumidor

Validación de Wearables

Las métricas de validación cuantifican cuán bien concuerdan las mediciones de un wearable con un estándar de oro clínico (ECG para frecuencia cardíaca, polisomnografía para el sueño): MAPE, correlación de concordancia, acuerdo de Bland-Altman — más las métricas operativas que condicionan la calidad de datos del mundo real: cumplimiento de tiempo de uso y completitud de datos.

Por qué importa

La validación es la precondición para todo lo posterior: un dispositivo que no puede probar concordancia con la medición de referencia no puede anclar puntos finales digitales, apoyar facturación PMR, o conllevar reclamaciones clínicas. Los umbrales aceptados del campo para la frecuencia cardíaca: MAPE ≤5% (estricto) o ≤10% (indulgente) frente a ECG. Puntos de referencia de la literatura: MAPE de FC en reposo de Oura Gen 3 1,67% (CCC 0,97); MAPE de Fitbit Charge 6 ~5,5% — los dispositivos de consumo ahora abarcan el límite de grado clínico, que es exactamente por qué la medición importa por dispositivo y por condición.

El cálculo

MAPE = (1/n) Σ |medido_i − referencia_i| / referencia_i × 100

CCC (correlación de concordancia) = acuerdo que incluye tanto la correlación
      como el sesgo sistemático (Pearson r penalizado por cambio de ubicación/escala)

Bland-Altman: sesgo medio ± 1,96 DE límites de acuerdo — muestra si
      el error depende de la magnitud del valor

Puertas operativas:
Cumplimiento de tiempo de uso = tiempo usado / tiempo de protocolo × 100
Completitud de datos    = puntos de datos observados / esperados × 100

La validación debe informarse por condición de actividad (reposo, movimiento, sueño) y por población — la detección óptica PPG se degrada con artefactos de movimiento, contacto pobre y tonos de piel más oscuros, un modo de fallo documentado relevante para la equidad.

Ejemplo resuelto

Un programa de sala virtual selecciona un wearable de monitoreo. Candidato A: MAPE en reposo 2,1%, MAPE en ejercicio 11,4%. Candidato B: reposo 3,8%, ejercicio 6,9%.

Caso de uso: detección de paciente en deterioro en casa — las alertas se
activan por FC elevada sostenida, a menudo durante actividad.
El titular del Candidato A (2,1%) gana el folleto; el candidato B gana el
caso de uso: en la condición relevante para la alerta (movimiento), el error
del 11,4% de A a FC 100 = ±11 lpm — abarcando toda la banda de umbral
de alerta, generando escaladas falsas (cada una una llamada de enfermería, ~£40)
o perdiendo casos.

Economía de falsas alertas: 500 pacientes × 2 alertas falsas extra/semana × £40
= £2,08M/año de coste de error por elegir la cifra de validación equivocada.

Conexión con la ingeniería de software

Para los ingenieros que construyen o compran wearables: envía la matriz de confusión en la condición de despliegue, no solo la curva ROC sola; deja que el umbral sea una decisión económica — el compromiso sens/espec debería minimizar el coste esperado (casos perdidos × coste de pérdida frente a falsas alarmas × coste de estudio), no maximizar una estadística de referencia; y reconoce las mismas matemáticas en tus propias herramientas — sensores, detectores de anomalías y escáneres de seguridad son pruebas diagnósticas sobre flujos de eventos de baja prevalencia, con fatiga de alertas como el NNH. Las actualizaciones de modelo que desplazan el punto de operación reabren la economía (y la autorización regulatoria — ver evaluación regulatoria de la IA).

Errores comunes

  • MAPE agregado ocultando fallo específico de condición — la trampa del ejemplo resuelto.
  • Población de validación ≠ población de despliegue: la edad, el tono de piel, el temblor, la obesidad cambian todos el error del sensor óptico; comprueba la demografía del estudio.
  • Correlación informada donde se necesita acuerdo: un r de Pearson alto con sesgo sistemático aún clasifica erróneamente frente a umbrales absolutos — insiste en CCC/Bland-Altman.
  • Completitud inflada por imputación: huecos rellenados informados como datos observados.

Fuentes