Datos de sueño de dispositivos portátiles predicen la adherencia a la rehabilitación pulmonar

La enfermedad pulmonar obstructiva crónica (EPOC) es un trastorno pulmonar de larga duración que dificulta la respiración y suele alterar el sueño, reduciendo la energía para las actividades diarias. La escasa participación en la rehabilitación pulmonar sigue siendo un obstáculo importante para brindar una atención remota eficaz a estos pacientes. Un nuevo estudio muestra que los datos de sueño obtenidos mediante dispositivos portátiles pueden ayudar a predecir qué pacientes se mantendrán comprometidos con la rehabilitación en el hogar. Este enfoque busca respaldar intervenciones tempranas y específicas que mantengan a los pacientes activos en la terapia.

Investigadores de la Clínica Mayo en el Centro Kern para la Ciencia de la Prestación de Servicios de Salud (Rochester, Minnesota, EE. UU.) evaluaron si las mediciones objetivas del sueño podían predecir la participación en la rehabilitación pulmonar remota. El equipo recopiló datos de sueño de referencia durante una semana mediante un monitor de actividad de muñeca y generó una puntuación compuesta de salud del sueño antes del inicio del programa. Combinaron dicha puntuación con indicadores clínicos tradicionales mediante aprendizaje automático para estimar la constancia con la que los pacientes participarían en un programa de rehabilitación domiciliaria de 12 semanas.

El método transformó la calidad del sueño cotidiana en una señal práctica de compromiso que los médicos podían utilizar para personalizar el apoyo. Los investigadores plantearon el trabajo como una prueba de concepto y se centraron en la atención domiciliaria para reflejar las condiciones del mundo real. Los hallazgos se publicaron en Mayo Clinic Proceedings: Digital Health .

Al cabo de 12 semanas, el análisis demostró que la inclusión del Índice Compuesto de Salud del Sueño mejoró la predicción de la participación del paciente durante el período de estudio. Esta información puede ayudar a los clínicos a personalizar los planes de rehabilitación e identificar a los pacientes que puedan necesitar asistencia adicional para completar la terapia a distancia. Los resultados también pueden orientar el diseño de futuros programas de atención remota que integren datos conductuales objetivos con evaluaciones clínicas e información proporcionada por el paciente.

Los investigadores señalaron que es necesario realizar investigaciones adicionales para validar y perfeccionar el modelo predictivo en poblaciones de pacientes más amplias antes de su aplicación clínica generalizada.

“Como científica e ingeniera, quise explorar cómo los datos obtenidos con dispositivos portátiles podrían mejorar las tasas de abandono en los programas de rehabilitación pulmonar a distancia. Al comprender mejor la vida cotidiana de un paciente, podemos ofrecer recomendaciones de planes de atención más personalizadas y potencialmente más efectivas”, afirmó Stephanie Zawada, Ph.D., MS, investigadora asociada de la Clínica Mayo y primera autora del estudio.

Enlaces relacionados
Kern Center for the Science of Health Care Delivery