Autor: Dra. Wei Li (Li Wei), doctora en Filosofía
Directora Técnica y Jefa de I+D en VistaMed Technologies
Como arquitecto de la tecnología de VistaMed, la Dra. Li lidera los equipos de ingeniería responsables de todo el portafolio de productos de la empresa y es la inventora principal de una parte significativa de las 87 patentes concedidas de la compañía.
Recientemente revisé un concepto de producto para un dispositivo «futurista» de monitorización remota de pacientes. Prometía medir una docena de parámetros mediante un único sensor revolucionario y nuevo. Contaba con un diseño industrial espléndido y una presentación comercial impresionante. Solicité la especificación técnica. El sensor no existía. El presupuesto de energía era una quimera. Todo el concepto se basaba en una fundación de esperanza, no de física.
Este es un error en el que caen muchos profesionales de nuestro sector. Nos enamoramos tanto de la ¿Qué —la promesa de la IA, el 5G y un futuro más saludable— que olvidamos formular la pregunta cómo como ingeniero que ha dedicado dos décadas a construir estos dispositivos, puedo decirle que el futuro de la Monitorización Remota de Pacientes (RPM) no radica en una única solución milagrosa. Se trata más bien de la integración minuciosa de tres tecnologías específicas y potentes.
Para un colega ingeniero, este es su mapa de ruta. Así es como llegaremos allí.
Tendencias clave para la próxima generación de RPM
-
Fusión de sensores: El futuro no es un único «súper-sensor», sino una sinfonía de sensores sencillos y fiables cuyos flujos de datos se fusionan mediante software inteligente. La labor del ingeniero consiste en dirigir esa sinfonía.
-
IA en el borde: Transición desde el análisis basado en la nube hacia el aprendizaje automático en el dispositivo para la detección en tiempo real de anomalías, menor latencia y mayor privacidad.
-
Biomarcadores digitales: Avanzar más allá de simples puntos de datos (como la frecuencia cardíaca) para derivar nuevos indicadores clínicamente relevantes (como la fragilidad o la dificultad respiratoria) a partir de datos continuos y multimodales procedentes de sensores.
El cambio fundamental: de registro de datos a interpretación de datos
La primera generación de la monitorización remota de pacientes (RPM) se centró en el registro de datos. Desarrollamos dispositivos capaces de capturar una lectura de la presión arterial o un nivel de SpO₂ y enviarlo a la nube. La tarea consistía simplemente en trasladar un número del punto A al punto B.
El futuro de la monitorización remota de pacientes (RPM) radica en la interpretación de los datos. Se trata de convertir ese flujo de números en información útil y accionable, idealmente en el punto de recogida. Esto no es solo una evolución técnica, sino también regulatoria. A medida que el software de estos dispositivos se vuelve más complejo, cada vez con mayor frecuencia se clasifica como Software como Dispositivo Médico (SaMD) software médico Foro Internacional de Reguladores de Dispositivos Médicos (IMDRF) agencia Europea de Medicamentos (EMA)
Tendencia 1: El reto de ingeniería de la fusión de sensores
El cuerpo humano es un organismo de múltiples sistemas. Un único dato, como la presión arterial, solo revela una parte de la historia. El siguiente avance en la comprensión clínica provendrá de la fusión de sensores: la combinación en tiempo real de datos procedentes de múltiples sensores para crear una imagen fisiológica más completa. Imagine un dispositivo que combine:
-
Un electrocardiograma de un solo derivación El ECG para medir la frecuencia cardíaca y el ritmo.
-
A PPG un sensor de fotopletismografía (PPG) para medir la saturación de oxígeno en sangre y el tiempo de tránsito de la onda de pulso.
-
Un acelerómetro de tres ejes acelerómetro para medir la actividad, la postura y la calidad del sueño.
-
A temperatura un sensor para rastrear el estado febril.
El reto de ingeniería aquí es inmenso. No se trata simplemente de integrar más chips en una placa. El problema principal es la sincronización temporal si el dispositivo detecta una caída en la SpO₂ y un cambio simultáneo en las lecturas del acelerómetro, podría interpretarlo correctamente como un artefacto de movimiento. Sin embargo, si las marcas de tiempo de esos dos sensores difieren incluso en apenas unos cientos de milisegundos, dicha correlación se pierde. Esto requiere una estrategia de sincronización a nivel de hardware, que suele emplear un único reloj maestro en el microcontrolador para activar simultáneamente la adquisición de datos de todos los sensores.
El segundo desafío es el ruido. Cada sensor constituye una fuente potencial de interferencia electromagnética (EMI) para todos los demás sensores. El diseño de la placa de circuito impreso se convierte así en un complejo rompecabezas tridimensional destinado a aislar los dominios analógico, digital y de radiofrecuencia (RF), con el fin de preservar la integridad de la señal.
Tendencia 2: Llevar inteligencia al borde
Hasta la fecha, la mayor parte del análisis «inteligente» de datos de pacientes se lleva a cabo en la nube. Esto presenta importantes inconvenientes en términos de latencia, costes de transmisión de datos y privacidad. La tendencia clara es un desplazamiento hacia la inteligencia artificial en el borde (Edge AI), donde los modelos de aprendizaje automático se ejecutan directamente en el microprocesador del dispositivo.
Esta es una tendencia que los organismos reguladores están observando de cerca. El FDA estadounidense ha publicado ampliamente sobre su marco regulatorio para dispositivos médicos habilitados con IA/ML , destacando la necesidad de una validación y supervisión rigurosas de estos algoritmos.
Desde una perspectiva de hardware, esto significa que estamos dejando atrás las microcontroladoras de propósito general y avanzando hacia SoCs especializados (sistemas en un chip) que incluyen unidades de procesamiento neuronal (NPUs) o aceleradores de IA. El desafío fundamental de ingeniería pasa a ser rendimiento por vatio una NPU puede ejecutar un modelo de aprendizaje automático mil veces más eficientemente que una CPU tradicional, pero aun así consume energía. Diseñar un dispositivo alimentado por batería capaz de realizar análisis continuos en el propio dispositivo exige una atención obsesiva al presupuesto energético de cada componente individual. Este es el nuevo frente del diseño de ultra bajo consumo.
Tendencia 3: De puntos de datos a biomarcadores digitales
Este es el beneficio definitivo de las dos primeras tendencias. Cuando se dispone de un flujo de datos sincronizado en el tiempo y multimodal, analizado por una inteligencia artificial integrada en el dispositivo, es posible comenzar a crear «biomarcadores digitales» completamente nuevos.
Estos no son meros puntos de datos. Son métricas clínicamente significativas derivadas de los datos continuos capturados por los sensores. Por ejemplo:
- Analizar las características de la marcha obtenidas mediante un acelerómetro para crear un «Índice de Fragilidad» para un paciente anciano.
- Utilizar un micrófono de alta fidelidad y un algoritmo entrenado para contar toses y evaluar el grado de dificultad respiratoria en un paciente con EPOC.
- Cálculo del tiempo de tránsito de la onda de pulso (PWTT) a partir de las señales sincronizadas de ECG y PPG para ofrecer un sustituto sin manguito y continuo de las tendencias de la presión arterial.
El desarrollo de estos biomarcadores requiere una inversión masiva en investigación clínica. Antes incluso de poder comenzar a entrenar un algoritmo, necesitamos una canalización de datos de alta integridad para recopilar los datos brutos. Este compromiso con datos de calidad investigadora es la razón por la que instituciones de primer nivel han elegido nuestra plataforma para sus propios estudios. Una colaboración con la Instituto de Investigación Cardiovascular de la Universidad de Stanford , que utilizó nuestro SmartBP-Connect en un ensayo de monitorización remota publicado en la Journal of Telemedicine and Telecare , constituye un poderoso testimonio de ello. Requerían una plataforma de dispositivos capaz de proporcionar una corriente de datos excepcionalmente limpia y fiable para construir sus propios modelos predictivos: el fundamento mismo de los futuros biomarcadores digitales.
Preguntas frecuentes de ingeniero a ingeniero
¿Cómo aborda la verificación y validación (V&V) de un algoritmo de aprendizaje «bloqueado» en un dispositivo médico?
Esta es una pregunta reglamentaria crítica. Para un algoritmo "bloqueado", el proceso de verificación y validación (V&V) es intensivo pero sencillo. El algoritmo se entrena y prueba con un conjunto de datos grande, independiente y diverso. Se establecen las características de rendimiento (por ejemplo, sensibilidad, especificidad) y, a continuación, el algoritmo se "congela". A partir de ese momento, cada actualización del firmware se somete a una comparación binaria uno a uno para garantizar que ni un solo bit del modelo haya cambiado. Asimismo, realizamos pruebas de regresión exhaustivas para asegurar que el rendimiento del algoritmo no se vea afectado. Cualquier actualización del propio modelo requiere un nuevo ciclo de V&V y, posiblemente, una nueva presentación reglamentaria.
¿Cuáles son los mayores desafíos relacionados con el presupuesto de potencia cuando se combina un módem celular con un coprocesador de IA siempre activo?
El desafío consiste en gestionar la corriente máxima demandada. El coprocesador de IA tiene un consumo de potencia relativamente estable y bajo. Un módem 4G o 5G, en cambio, presenta un perfil extremadamente «intermitente», consumiendo varios amperios durante una fracción de segundo. El circuito integrado de gestión de energía (PMIC) y la propia batería deben diseñarse para soportar esta demanda sin que se produzca una caída de tensión significativa que pudiera provocar el reinicio del procesador principal. Esto requiere una red de distribución de energía mucho más robusta —y costosa—, con condensadores de desacoplamiento cuidadosamente ubicados y componentes de baja resistencia serie equivalente (ESR), en comparación con un dispositivo Bluetooth sencillo. Se trata de un problema sistémico de integridad térmica y energética.
¿Cómo garantiza la sincronización temporal de los datos provenientes de un sensor de ECG y una unidad de medición inercial (IMU) a nivel de hardware?
Utilizamos un único reloj maestro de alta frecuencia procedente del SoC principal (sistema en un chip) para controlar la temporización de la adquisición de datos de todos los sensores. Los convertidores analógico-digitales (ADC) del ECG y de la UMI (unidad de medición inercial) se activan mediante el mismo flanco del reloj o mediante una versión dividida de dicho reloj. A continuación, cada paquete de datos de los sensores se marca con una marca de tiempo generada por el temporizador hardware del SoC en el instante en que finaliza la adquisición de datos, incluso antes de que estos lleguen a la capa de software. Esta marcación de tiempo a nivel hardware, con una resolución en el orden de los microsegundos, es la única forma de garantizar la integridad de los datos necesaria para aplicaciones reales de fusión de sensores, como el cálculo del PWTT.
Sobre el autor
Dr. Wei Li (Li Wei), PhD desempeña el cargo de Director Técnico y Jefe de I+D en VistaMed Technologies. Con más de 20 años de experiencia en ingeniería biomédica, es la fuerza impulsora detrás de la innovación tecnológica de VistaMed y el inventor principal de una parte significativa de las 87 patentes concedidas por la empresa. Su liderazgo fue fundamental en el desarrollo del Sistema Diagnóstico Inteligente IntelliScan AI, que obtuvo tanto el Premio MedTech Breakthrough (2024) como el Premio Red Dot de Diseño (2023). Este artículo refleja su profunda experiencia en ingeniería y su perspectiva sobre la construcción de dispositivos médicos seguros, fiables y listos para la integración.
Revisado clínica y regulatoriamente por: Dr. Michael Bauer, PhD, Jefe de Investigación Clínica
La información proporcionada tiene fines informativos y está dirigida a una audiencia B2B de profesionales sanitarios y responsables de la toma de decisiones en adquisiciones. No sustituye el asesoramiento médico o financiero profesional. Los resultados del coste total de propiedad (TCO) y del retorno de la inversión (ROI) pueden variar según el tamaño del centro, los patrones de uso y las condiciones del mercado local. Todas las certificaciones y autorizaciones reglamentarias mencionadas son exactas a la fecha de publicación. Póngase en contacto con VistaMed Technologies para obtener la documentación más actualizada.
EN
