Artículo de método

M3-BREATHE en el mundo real: Hacia la monitorización móvil multimodal del comportamiento, la respiración y las exposiciones para tratamiento y evaluación sanitaria

209 visualizaciones

⸱

DOI:

10.3791/69900

⸱

5 de junio de 2026

1Institute of Belt and Road & Global Governance, Fudan University

En este artículo

Resumen

M3-BREATHE es un sistema móvil de salud (mHealth) que integra sensores portátiles para monitorizar la respiración, el comportamiento y las exposiciones ambientales para un tratamiento personalizado y una evaluación de salud en el mundo real.

Resumen

La integración de tecnologías de salud móvil (mHealth) para la monitorización continua y en tiempo real de señales fisiológicas y conductuales, junto con la medición detallada de exposiciones ambientales, tiene un potencial transformador para avanzar en la evaluación personalizada de riesgos sanitarios y permitir un tratamiento e intervención más efectivos. En este protocolo, presento un sistema móvil multimodal de monitorización diseñado específicamente para capturar e integrar datos sobre el comportamiento individual (actividades diarias y viajes), función respiratoria, parámetros fisiológicos y exposiciones ambientales. El sistema combina dispositivos móviles de salud y sensores ambientales portátiles con aplicaciones basadas en smartphones con GPS para generar flujos de datos sincronizados y de alta resolución. Estos datos se procesan a través de una aplicación para teléfono móvil inteligente incorporando el cálculo de parámetros fisiológicos (por ejemplo, intensidad de la actividad física, frecuencia respiratoria) y datos ambientales urbanos externos (por ejemplo, espacios verdes urbanos, mapas de la vista de calles), tras lo cual se desplegó un sistema de alerta basado en aprendizaje automático para proporcionar información útil sobre la salud respiratoria, las actividades diarias y los patrones de movilidad, así como la exposición a factores de riesgo. El protocolo proporciona una guía completa y detallada sobre la configuración del hardware, la configuración de software, los procedimientos de adquisición de datos y los flujos de trabajo analíticos necesarios para desplegar el Monitoreo Multimodal Móvil de Comportamiento, Respiración y Exposiciones (contaminación del aire, ruido, luz, calor, verde, etc.) para el Tratamiento y la Evaluación de la Salud (M3-BREATHE) tanto en experimentos clínicos controlados como en contextos del mundo real. Esta plataforma M3-BREATHE con visión de futuro establece un enfoque escalable, no invasivo y rentable para la monitorización longitudinal del entorno y la movilidad y la salud (E-M-H), vinculando la salud de precisión a nivel individual en la vida cotidiana con la inteligencia sanitaria a largo plazo a escala poblacional.

Introducción

Más allá de la epidemiología espacial tradicional, que ha enfatizado principalmente las asociaciones basadas en el nivel poblacional y en el área entre medio ambiente y salud, el enfoque se está desplazando ahora hacia examinar las relaciones y procesos a nivel individual y basado enla movilidad 1,2,3,4. Este cambio está impulsado por varios problemas metodológicos fundamentales interrelacionados, junto con oportunidades emergentes para enfoques más precisos y sensibles al contexto.

Primero, el problema de unidades de área modificables (MAUP), que se refiere al problema de que, en el análisis de datos basados en áreas o zonas, los resultados pueden verse influenciados por la definición de las unidades de área para las cuales se reportandatos 5,6. Se aplica a dos problemas separados, pero interrelacionados, con el análisis de datos espaciales. El primero es el "problema de escala", donde el mismo conjunto de datos areales se agrega en varios conjuntos de unidades areales mayores, y cada combinación conduce a diferentes valores de datos e inferencias. El segundo aspecto de la MAUP es el "problema de zonificación", donde un conjunto dado de unidades areales se recombina en zonas que tienen el mismo tamaño pero están situadas de forma diferente, lo que vuelve a dar lugar a variaciones en los valores de los datos y, en consecuencia, a conclusionesdiferentes 7,8. Para abordar el cuestionamiento sobre la contribución del estudio al avance de nuevos conocimientos utilizando datos basados en áreas o zonas, se discuten ininterrumpidamente dos métodos para minimizar el impacto de la MAUP. Uno es la maximización de la homogeneidad dentro del área. La selección de la unidad de estudio adecuada minimizará el error de medición de la exposición ambiental y la clasificación incorrecta de la exposición no diferencial al estimar el efecto contextual sobre lasalud 9,10,11. Sin embargo, la heterogeneidad de la exposición a la contaminación atmosférica dentro de las unidades espaciales puede seguir dando lugar a errores. Así, otro método avanza hacia formas independientes de los marcos de representación y análisis de datosespaciales 12,13. Yendo más allá de la comprensión convencional basada en áreas de los contextos, las medidas individuales tienen en cuenta la homogeneidad de atributos y la contigüidad espacial de factores contextuales y pueden ofrecer una medida analítica robusta que es independiente o invariante de la escala al examinar los efectos de las exposiciones ambientales en la salud 14,15,16.

En segundo lugar, el Problema del Contexto Geográfico Incierto (UGCoP), que se refiere al problema de que los hallazgos sobre los efectos de variables contextuales basadas en el área en comportamientos o resultados individuales pueden verse afectados por cómo se delimitan geográficamente las unidades contextuales (por ejemplo, los barrios) y el grado en que estas unidades territoriales se desvían del contexto geográficoreal 17,18. Un ejemplo típico es que la evaluación de la exposición de individuos a la contaminación del aire puede ser errónea, al utilizar ubicaciones residenciales para personas que pasan mucho tiempo fuera de sus casas por trabajo, ocio, etc., lo cual dista mucho del contexto geográfico "realmente causalmente relevante" 18,19. Para mitigar las incertidumbres contextuales que influyen en la evaluación precisa de las exposiciones ambientales de las personas y sus efectos en la salud, es necesario adoptar una medición basada en la movilidad que vaya más allá de las nociones de influencias contextuales que dependen del uso de ubicaciones fijas específicas (por ejemplo, ubicación residencial, lugar de trabajo)16,20. Dado que el abandono de la variabilidad espaciotemporal en la contaminación del aire y la movilidad humana podría provocar errores sustanciales en las estimaciones de exposiciónindividual 21,22,23,24, así como en la evaluación de justiciaambiental 25,26, es esencial recopilar datos espacio-temporales de alta resolución basados en movilidad para entender la asociación entre exposiciones ambientales y resultados de salud. Un desafío adicional radica en la descoordinación espacial entre los conjuntos de datos ambientales y las medidas biométricas a nivel individual recogidas en el sensor corporal. Aunque las imágenes de vista de calle permiten una caracterización ambiental detallada a escala visual humana, y los índices de vegetación derivados de satélites (por ejemplo, NDVI) ofrecen una cobertura más amplia a resoluciones más gruesas (10–250 m), ambos requieren estrategias explícitas de alineación espacial que vinculen las trayectorias de movilidad con exposiciones ambientales en los lugares exactos donde se registran los datos fisiológicos y conductuales. Para abordar esta incongruencia a escala se requieren estrategias explícitas de alineación espacial que vinculen las trayectorias de movilidad con exposiciones ambientales en los lugares exactos donde se registran los datos fisiológicos y conductuales.

En respuesta a los desafíos planteados por la MAUP y la UGCoP, investigadores de múltiples disciplinas relacionadas con la salud ambiental han participado cada vez más en estudios sobre procesos conductuales entre exposiciones ambientales y resultados de salud, avanzando hacia marcos basados en la movilidad a nivelindividual 1,27,28,29 . Con el creciente interés en el nexo ambiente-movilidad-salud (E-M-H), la literatura existente se ha concentrado predominantemente en el dominio antecedente (ambiente-movilidad) 17,30,31,32 o en el consecuente dominio (movilidad-salud) 33,34,35, mientras que los estudios integrativos que abarcan los tres dominios siguen siendo limitados. No obstante, las actividades diarias y los desplazamientos de las personas han influido significativamente en los efectos dosis-respuesta de las exposiciones ambientales en los resultados de salud. Dónde, cuándo y cómo las personas proyectan, programan y realizan sus actividades durante un periodo de 24 horas está estrechamente relacionado con sus exposiciones a riesgos ambientales y los consiguientes resultados en salud17, 18, 36. Además, otra carencia crítica radica en que pocos estudios proporcionan un marco analítico accionable que vincule la monitorización en tiempo real con el seguimiento longitudinal de los resultados de salud, limitando la capacidad de generar evidencia sólida y accionable para el tratamiento y las intervenciones. Dicho esto, abordar estas carencias no solo mejora la precisión de las evaluaciones ambientales y de salud, sino que también revela el papel mediador de las actividades diarias y los desplazamientos y los procesos conductuales subyacentes en el complejo nexoE-M-H 37, proporcionando así una sólida justificación para tratamientos e intervenciones personalizados e informados en movilidad, destinadas a mitigar los riesgos de exposición y promover resultados en salud.

El auge de las tecnologías móviles ywearables, especialmente los dispositivos de salud móvil (mHealth)40,41,42 y los sensores ambientalesportátiles 43,44,45, ha permitido nuevos enfoques para monitorizar de forma sincrónica el comportamiento de las personas, las exposiciones ambientales y las métricas fisiológicas. Mediante la integración con aplicaciones para smartphones, los participantes pueden documentar su estado de salud, historiales médicos (por ejemplo, enfermedades respiratorias y cardiovasculares), experiencia fisiológica subjetiva y percepción del riesgo ambiental, permitiendo una evaluación y advertencia de riesgos más precisas y personalizadas mediante enfoques basados en aprendizaje automático o reglas. Aquí presento el Monitoreo Multimodal Móvil del Mundo Real del Comportamiento, la Respiración y las Exposiciones (contaminación del aire, ruido, luz, calor, verde, etc.) para el Tratamiento y la Evaluación de la Salud (M3-BREATHE). El protocolo de extremo a extremo proporciona una guía completa sobre la configuración del hardware, la configuración de software, los procedimientos de adquisición de datos y los flujos de trabajo analíticos necesarios para el despliegue del M3-BREATHE. Este protocolo es adecuado para investigadores en salud ambiental, geografía de transporte y medicina personalizada que realicen experimentos clínicos controlados (monitorización a corto plazo y alta fidelidad) o estudios longitudinales en el mundo real (monitorización a largo plazo y no intrusiva), pero no se recomienda para estudios que requieran mediciones respiratorias de laboratorio de ultra alta precisión (por ejemplo, pruebas invasivas de función pulmonar).

Protocolo

La realización de este protocolo con fines de investigación, ya sea en experimentos clínicos controlados o en contextos reales, debe realizarse con aprobación previa y de acuerdo con las directrices del comité de ética en investigación humana institucional de los investigadores. Se debe obtener el consentimiento informado del participante antes de que comience la encuesta. La investigación empírica de este artículo sigue las directrices del Comité de Ética en Investigación Humana de la Universidad de Pekín. Toda la investigación basada en participantes que utilice este protocolo debe obtener la aprobación ética previa del comité de ética en investigación institucional del investigador. Todos los participantes deben proporcionar un consentimiento informado por escrito antes de cualquier procedimiento de recogida de datos. Los ajustes recomendados de equipamiento se enumeran en la Tabla de Materiales.

1. Configuración de dispositivos móviles portátiles de salud

  1. Sensor respiratorio con sensor de tórax
    1. Indica al participante que se ponga la camiseta integrada por sensor o la correa torácica directamente contra la piel, bajo la ropa, para asegurar un contacto óptimo con la piel para la adquisición de señales electrofisiológicas.
    2. Ajusta la camiseta o el ajuste de la correa para que quede ajustado y cómodo, asegurándote de que no limite la respiración o el movimiento natural. El ajuste adecuado se confirma cuando el sensor mantiene un contacto estable con la piel y no se desliza ni se desplaza de forma notable durante la inhalación profunda.
    3. Asegúrate de que el sensor esté completamente cargado y emparejado correctamente con el smartphone mediante Bluetooth para facilitar la monitorización y registro en tiempo real de la frecuencia respiratoria (en respiraciones por minuto, respiraciones/min), el volumen de marea (en mililitros, mL) y la frecuencia cardíaca (en latidos por minuto, BPM). Confirma que el reloj del dispositivo está sincronizado con la hora del sistema del smartphone para permitir una alineación temporal precisa a través de flujos de datos multimodales.
      NOTA: La frecuencia respiratoria y cardíaca también pueden derivarse mediante dispositivos de pulsera portátiles, especialmente para monitorización a largo plazo (véase el paso 1.2). La frecuencia respiratoria se calcula indirectamente en función de las variaciones inducidas por la respiración en las señales de fotopletismografía (PPG) o variabilidad de la frecuencia cardíaca (VFC) (véase el paso 5.2). Este enfoque alternativo puede ayudar a reducir el malestar y la carga de los participantes asociados al uso prolongado de un sensor respiratorio en el pecho.
  2. Configuración de dispositivo de pulsera inteligente
    1. Elige la muñeca no dominante como el lugar principal para colocar el dispositivo y asegura la pulsera firmemente en la muñeca, proximal al proceso estiloides cubital.
    2. Ajusta la correa para asegurar un contacto óptimo entre fotopletismografía y piel (PPG) sin afectar la circulación periférica. El ajuste es correcto cuando la correa está ajustada pero permite la inserción de una yema de un dedo.
    3. Abre la aplicación complementaria en el smartphone y asegúrate de que el dispositivo está conectado correctamente por Bluetooth.
    4. Accede a la pantalla en tiempo real dentro de la app y confirma que los ajustes de la aplicación están configurados para monitorizar continuamente todos los parámetros deseados, incluyendo: métricas cardiovasculares como la frecuencia cardíaca (frecuencia cardíaca, unidades: latidos por minuto, BPM), variabilidad de la frecuencia cardíaca (HRV, unidades: milisegundos, ms), presión arterial (PA, unidades: milímetros de mercurio, mmHg) y electrocardiograma (ECG, unidades: milivoltios, mV); medidas respiratorias y metabólicas como la tasa respiratoria estimada algorítmicamente (RR, unidades: respiraciones por minuto, respiraciones/min), saturación de oxígeno en sangre (SpO₂, unidades: porcentaje, %), y equivalentes metabólicos (METs, ratio); temperatura periférica de la piel (unidades: grados Celsius, °C); datos de movimiento del acelerómetro (ACC, unidades: aceleración gravitatoria, g).
      NOTA: El sensor PPG en la parte trasera del dispositivo debe mantener un contacto constante y al ras con la piel. Vuelve a apretar la correa si se afloja con el tiempo.

2. Configuración de sensores ambientales

  1. Conecta los dispositivos de detección ambiental al power bank portátil (capacidad de 10.000 mAh) usando cables USB apropiados para asegurar el funcionamiento 24 horas. Asegúrate de que todas las conexiones sean estables y que los cables estén bien guardados para evitar desconexiones accidentales durante el movimiento.
  2. Coloque el monitor multi-contaminante atmosférico (midiendo partículas PM2,5 y PM10 en μg/m 3, monóxido de carbono CO en ppm, dióxido de nitrógeno NO2, dióxido de azufre SO₂ y compuestos orgánicos volátiles COV en ppb), el sensor de ruido (en decibelios, dB) y el sensor de temperatura (en grados Celsius, °C) en el bolsillo lateral de red de la mochila del participante. Conecta el rastreador de exposición a luz (iluminancia, en lux, lx; Luz circadiana A, CLA, 0-1) firmemente colocada en el lado frontal de la correa del hombro de la mochila, posicionándola hacia adelante/hacia fuera sin obstáculos.
  3. Indica al participante que lleve la mochila junto con sus actividades diarias y viajes durante 24 horas, y que cargue la batería externa cada noche. Proporciona un número de contacto para cualquier problema.
  4. Confirma que todos los sensores están encendidos y que han establecido con éxito un flujo de datos en tiempo real, registrando y transmitiendo datos a la aplicación complementaria para smartphones.
    NOTA: Todos los sensores deben calibrarse estrictamente según las especificaciones de sus respectivos fabricantes antes de ser entregados a los participantes. Se recomienda que los sensores de contaminación atmosférica de bajo coste se sometan a una prueba de calibración de colocación con un instrumento de referencia de grado de investigación durante un periodo de dos semanas en un lugar representativo para derivar factores de corrección específicos del sensor. El procedimiento de colocación consiste en colocar el sensor de bajo coste junto al instrumento de referencia (a menos de 1 m, a la misma altura), operando ambos simultáneamente durante al menos 14 días para capturar una variedad de condiciones ambientales. Los datos emparejados se utilizan entonces para derivar modelos de corrección lineales o no lineales (por ejemplo, Ccorregido = (Cbruto - b)/a) mediante análisis de regresión. Para sensores sin acceso a instrumentos de referencia, se recomienda la calibración cero usando aire limpio filtrado por HEPA para corregir la deriva base. Se requiere un periodo de estabilización de 10–15 minutos bajo condiciones de aire limpio antes de registrar los valores de referencia. Antes de cada despliegue, debe realizarse una verificación previa al despliegue para confirmar la capacidad de respuesta del sensor y la estabilidad de la transmisión de datos. Durante la recogida de datos, se deben mantener registros diarios de aseguramiento de calidad (QA) para documentar cualquier anomalía, deriva de sensores o interrupciones de conectividad. Los sensores de temperatura y humedad relativa (HR, unidades: porcentaje, %) suelen estar integrados como componentes en los dispositivos de detección de contaminación atmosférica. La exposición continua al ruido puede medirse alternativamente usando el micrófono integrado del smartphone mediante la aplicación dedicada. No se recomienda la exposición a la luz y al calor recogida con la pulsera inteligente y el teléfono móvil, debido a su alta susceptibilidad a obstrucciones y factores de confusión como la ropa y la colocación. Para un estudio o práctica longitudinal, se recomienda un dispositivo modular integrado de tamaño pequeño para el monitoreo de múltiples contaminantes.

3. Configuración de aplicaciones para smartphones

  1. Instala la aplicación móvil M3-BREATHE (desarrollada a medida para Android/iOS) en el smartphone del participante.
  2. Activa la sincronización de datos en segundo plano, GPS, Bluetooth y en segundo plano.
  3. Configura la app para registrar datos de localización GPS cada 1 minuto y sincronizar los datos de los sensores cada 5 minutos.
  4. Establecer la tasa de muestreo de datos a 1 Hz (es decir, una muestra por segundo) para cada dispositivo conectado (monitores fisiológicos portátiles y sensores ambientales portátiles) para asegurar una captura de datos de alta resolución temporal.
  5. Confirma que todos los ajustes están guardados antes de iniciar la grabación de datos.
    NOTA: Es buena práctica realizar una breve grabación de prueba (por ejemplo, de 5 minutos) después de la configuración. Revisa el archivo de datos de la prueba para confirmar que todos los flujos de datos esperados (coordenadas GPS, HRV, ECG, contaminación del aire, ruido, etc.) están registrados, correctamente marcados con marca temporal y contienen valores plausibles antes de comenzar el periodo completo del estudio. Cabe señalar que la exposición a la vegetación se mide indirectamente integrando datos de trayectoria GPS de alta resolución espaciotemporal con conjuntos de datos geográficos como OpenStreetMap o índices de vegetación derivados de satélites (por ejemplo, NDVI para cobertura vegetal). Para abordar la descoordinación de escala espacial entre capas ambientales de resolución gruesa (por ejemplo, NDVI a 10–250 m) y medidas biométricas a nivel individual, el protocolo asigna valores de exposición ambiental a cada punto GPS basándose en métodos de extracción promediados por vecino más cercano o en buffer, asegurando la alineación espacial en la ubicación y momento de cada medición fisiológica.

4. Procedimientos de adquisición de datos

  1. Incorporación de participantes
    1. Reclutar participantes utilizando un método de muestreo estratificado para asegurar la representatividad de la población objetivo.
    2. Proporciona a los participantes materiales de orientación completos, incluyendo una hoja de instrucciones detallada, un manual y, preferiblemente, un vídeo instructivo, sobre los procedimientos para llevar y usar los sensores, así como para el uso de la aplicación para smartphone correspondiente.
    3. Realiza una encuesta de salud de referencia dentro de la aplicación para recopilar datos demográficos (por ejemplo, género, edad, altura, peso, estado civil), historial médico (por ejemplo, enfermedades no transmisibles, EMN), estado de salud respiratoria (por ejemplo, años de consumo de tabaco, tos crónica o disnea) y otra información de salud autoinformada (por ejemplo, salud física y mental general, consumo de alcohol, patrones alimenticios, niveles de actividad física, calidad del sueño).
      NOTA: Recomendación de instrumentos estandarizados para la recogida de información sanitaria autoinformada, incluyendo la Encuesta de Formulario Corto de 12 ítems (SF-12) para saludgeneral 46, la Prueba de Identificación de Trastornos por Consumo por Consumo de Consumo de Alcohol (AUDIT-C)47, el Cuestionario Internacional de Actividad Física-Formulario Corto (IPAQ-SF)48 y el Índice de Calidad del Sueño de Pittsburgh (PSQI)49. Alternativamente, se pueden aplicar escalas Likert de 7 ítems para facilitar la comodidad.
  2. Rutina diaria de seguimiento
    1. Instruye al participante a llevar los sensores fisiológicos móviles y a llevar los dispositivos portátiles de monitorización ambiental (mochila con bolsillo de red) durante un periodo continuo de 24 horas. Durante el sueño, los sensores ambientales deben situarse en el dormitorio para mantener la evaluación de la exposición, con especial atención al sensor de luz.
    2. Recuerda al participante que recargue la batería externa cada noche y mantenla conectada a los sensores ambientales para mantener un funcionamiento y datos ininterrumpidos.
    3. El flujo de datos será monitorizado mediante comprobaciones manuales por parte del equipo de investigación cada 4 horas, o preferiblemente, mediante una alerta automática del sistema de backend dentro de la aplicación, activada tras 30 minutos de interrupción de sincronización de datos. En caso de desconexión durante más de 30 minutos, se contactará con el participante para solucionar el problema.
    4. Animar al participante a completar una encuesta de diario de viajes de actividades dentro de la solicitud (se proporciona una plantilla en la Tabla 1) cada día por la tarde, para mejorar la precisión de la actividad diaria y la contextualización de la movilidad con el fin de un tratamiento e intervención más efectivos y específicos. Cada tarde a las 20:00 se envía un recordatorio automático (solicitud/SMS) para promover un cumplimiento cooperativo.
      NOTA: Se puede desplegar una interfaz interactiva, con un mapa para la visualización de trayectorias (con marcas de tiempo), mediante identificación de actividades y viajes basada en aprendizaje automático a partir de datos GPS. Idealmente, se pueden enviar automáticamente consejos o recordatorios a través de la aplicación al participante para registrar una actividad o un viaje, cerca de la ocurrencia de la siguiente actividad o episodio de viaje, para mitigar el sesgo de recuerdo al final del día. Se recomienda una revisión final antes de acostarse para consolidar el registro diario. Además, la evaluación ecológica momentánea (EMA) puede utilizarse para capturar experiencias subjetivas (por ejemplo, dificultad para respirar, fatiga, percepciones de contaminación ambiental) tres veces al día (por ejemplo, a las 8 a.m., a las 12 p.m. y a las 4 p.m.) mediante notificaciones push.
  3. Sincronización y copia de seguridad de datos
    1. Todos los datos recopilados en tiempo real y de diarios de viaje de actividad se sincronizan automáticamente con un servidor en la nube seguro y cifrado vía Wi-Fi o red celular. La base de datos en la nube está configurada con copias de seguridad automatizadas regulares para evitar la pérdida de datos.
    2. Todos los datos se almacenan primero en la memoria interna del smartphone. Los datos sincronizados se borran automáticamente del dispositivo cada día tras la verificación exitosa por parte del servidor en la nube.
    3. Todos los datos se anonimizan en el momento de la recogida y se almacenan de forma segura en servidores institucionales. El almacenamiento, transmisión y eliminación de los datos se gestionan estrictamente conforme a las políticas de seguridad y privacidad de los datos de la institución anfitriona.
      El resumen de los datos y la fuente se proporcionan en la Tabla 2.
ParticipantIDFechaStartTimeEndTimeActividad(A)/Viaje(T)Tipo de actividad/Modo viaje
113/08/20250:007:00ADuerme
113/08/20257:007:30ADesayuno
113/08/20257:308:00TTransporte público
113/08/20258:0011:30AObra
113/08/202511:3011:45TCamina
113/08/202511:4512:45AComida
113/08/202512:4513:00TCamina
113/08/202513:0017:00AObra
113/08/202517:0017:15TBicicleta
113/08/202517:1518:00ACocina
113/08/202518:0019:00ACena
113/08/202519:0021:00AOcio
113/08/202521:0021:30ABath
113/08/202521:3023:59ADuerme
114/08/20250:006:30ADuerme
114/08/2025…………

Tabla 1: Plantilla de diario de viaje de actividad para la monitorización M3-BREATHE. La tabla ilustra cómo se registran y organizan los datos conductuales para su integración con análisis de exposición y salud.

Dispositivos móviles portátiles de saludAplicación para smartphoneSensores ambientales portátiles
Frecuencia respiratoria (RR)Coordenadas GPSMaterial en suspensión (PM2.5, PM10)
Volumen de Mareas (TV)Diario de actividades y viajesMonóxido de carbono (CO)
Frecuencia cardíaca (FC)Evaluación ecológica momentánea (EMA)Dióxido de nitrógeno (NO2)
Variabilidad de la frecuencia cardíaca (VFC)Información base de saludDióxido de azufre (SO₂)
Electrocardiograma (ECG)Edad, género, etc.Compuestos Orgánicos Volátiles (COV)
Presión arterial (TA)Índice de masa corporal (IMC)Ruido (N)
Saturación de oxígeno en sangre (SpO₂)Estatus socioeconómico (SES)Temperatura (T)
Equivalentes Metabólicos (MET)Historia médicaHumedad relativa (HR)
Temperatura de la piel (ST)Estado de salud respiratoriaIluminancia (lx)
Acelerómetro (ACC)Información sanitaria auto-reportadaLuz circadiana A (CLA)

Tabla 2: Resumen de los datos y la fuente de los dispositivos. La tabla enumera métricas clave (por ejemplo, frecuencia cardíaca, frecuencia respiratoria, partículas en suspensión, temperatura) y sus modalidades de medición correspondientes.

5. Procesamiento y análisis de datos

  1. Calibración de dispositivos y aseguramiento de calidad
    Antes de su despliegue, todos los dispositivos pasarán por comprobaciones básicas de calibración según las especificaciones del fabricante. Para sensores ambientales (por ejemplo, monitores PM2.5 ), esto puede incluir calibración cero o comparación con instrumentos de referencia cuando esté disponible. Durante el procesamiento de datos, se aplicarán procedimientos de aseguramiento y control de calidad (QA/QC) tanto a los flujos de datos ambientales como biométricos. Se documentarán todos los pasos de QA/QC para garantizar la transparencia y la reproducibilidad.
    1. Comprobaciones de rango para eliminar valores fisiológica o físicamente inverosímiles (por ejemplo, frecuencia cardíaca extrema o concentraciones de contaminantes).
    2. Detección y exclusión de artefactos de señal (por ejemplo, ruido relacionado con el movimiento en datos portátiles). Procedimientos de suavizado o filtrado (por ejemplo, medias móviles) cuando sea apropiado.
    3. Identificación y manejo de segmentos de datos faltantes o dispersos.
  2. Preprocesamiento
    1. Los datos en bruto de los sensores se limpian (la deriva GPS se corrige mediante el filtro de Kalman) y se sincronizan con diarios de actividad y viaje utilizando el enfoque de Alineación Temporal Multimodal mediante paquetes de preprocesamiento basados en Python (por ejemplo, Pandas, GeoPandas, Tsfresh, Pyo3). Todos los datos procesados se integran posteriormente en la base de datos M3-BREATHE.
    2. Para asegurar la alineación temporal entre exposiciones ambientales y mediciones biométricas, sincroniza todos los flujos de datos con un marco unificado de marcas temporales. Estandariza los relojes de los dispositivos antes del despliegue utilizando protocolos de tiempo basados en red. Durante el procesamiento de datos, alinea las marcas de tiempo de diferentes dispositivos con un tiempo de referencia común (por ejemplo, UTC) y corrige la deriva del reloj mediante interpolación lineal o ajuste de desplazamiento temporal.
    3. Agregar datos de frecuencia más alta (por ejemplo, frecuencia cardíaca derivada de dispositivos portátiles) para que coincidan con la resolución de las medidas ambientales o ajustar datos ambientales para que coincidan con datos de frecuencia más alta, dependiendo del objetivo del análisis. Gestiona las marcas de tiempo faltantes o los intervalos de muestreo irregulares aplicando interpolación o excluyendo datos basándose en criterios de calidad predefinidos.
    4. Procesar datos GPS junto con conjuntos de datos geográficos externos que caracterizan los entornos construidos y naturales para contextualizar exposiciones individuales. Calcula la exposición a la vegetación integrando registros GPS con datos de OpenStreetMap e índices de vegetación derivados de satélites (por ejemplo, NDVI). Abordar las disparidades de escala entre trayectorias GPS de alta frecuencia y capas ambientales de satélites de menor resolución aplicando métodos de alineación espacial basados en vecinos más cercanos o búfer.
    5. Para cada localización GPS, asignar el valor de exposición ambiental correspondiente del píxel que se intersecta o el más cercano, o calcular un promedio ponderado de píxeles dentro de un radio de búfer definido (por ejemplo, 10 m, 30 m) que refleje la incertidumbre espacial típica del GPS. Asegurarse de que las exposiciones ambientales se atribuyan a una resolución espaciotemporal compatible con los datos fisiológicos y conductuales recogidos simultáneamente.
  3. Extracción de características
    1. Resume los datos de monitorización ambiental y de salud móvil utilizando métricas clave, incluyendo medidas de tendencia central (media, mediana, media ponderada), valores extremos (máximo, mínimo, percentiles), variabilidad (desviación estándar, varianza, coeficiente de variación, rango intercuartil) y patrones temporales (frecuencia máxima, duración por encima del umbral, tasa de cambio, variación diurna, semanal o estacional).
    2. Calcula la exposición acumulada a contaminantes atmosféricos usando métricas de exposición total (concentración media y dosis inhalada) y el área bajo la curva (AUC). Calcule la dosis de contaminante inhalada (D) durante una duración de exposición (t) usando la relación siguiente.
      figure-protocol-1
      con la ventilación minuciosa definida como:
      figure-protocol-2
      donde C es la concentración de contaminantes en el aire inhalado (μg/m 3, ppb o ppm, dependiendo de la convención de unidades); figure-protocol-3 es la ventilación mínima, es decir, el volumen total de aire inhalado por minuto (L/min); RR es la frecuencia respiratoria (respiraciones/mínimo); VT es el volumen mareal, el volumen de aire inhalado por respiración (L/respiración); y t es la duración de la exposición (min).
      Nótese que la dosis D se calcula en μg, siempre que figure-protocol-4 se convierta en m3/min (es decir, se divide entre 1000) para mantener la consistencia unitaria.
    3. Dado que los sensores respiratorios en el pecho suelen ser caros y engorrosos de llevar de forma continua durante largos periodos en contextos reales, en comparación con duraciones de monitorización de varias horas a pocos días en experimentos clínicos controlados, se evalúa la frecuencia respiratoria usando los datos del acelerómetro y giroscopio obtenidos de la pulsera inteligente aplicando algoritmos de aprendizajeautomático 50,51. Para mejorar la precisión de la evaluación, un modelo de bosque aleatorio suele actuar como filtro, rechazando datos que resultan en una lectura inexacta de la frecuencia respiratoria, tras lo cual se puede usar un modelo de Red Neuronal Convolucional (CNN) para extraer la frecuenciarespiratoria 52,53.
    4. Extrae características de comportamiento de datos GPS, diarios de actividades de viaje basados en smartphones y datos de movimiento de acelerómetros de pulsera. Generar un conjunto de indicadores individuales de comportamiento para analizar las asociaciones entre la exposición ambiental, el comportamiento y los resultados en salud. La Tabla 3 resume los perfiles a múltiples escalas en los ámbitos conductual, de exposición ambiental y de salud.
      NOTA: Las flechas ilustran la alineación secuencial de perfiles entre los dominios de comportamiento, exposición ambiental y salud.
  4. Análisis de datos
    1. Análisis descriptivos y exploratorios
      1. Realizar estadísticas descriptivas iniciales para caracterizar la distribución, la tendencia central y la variabilidad de todas las variables.
      2. Realizar análisis de correlación y pruebas de factores de inflación de varianza (VIF).
      3. Visualiza datos de exposición y salud utilizando series temporales, diagramas de caja y mapas de calor geoespaciales.
    2. Asociaciones agudas y retrasos temporales
      1. Utiliza modelos de lag distribuidos (DLM).
      2. Agrupa los datos de exposición en bloques de tiempo.
      3. Realiza análisis de sensibilidad.
      4. Aplicar métodos de series temporales (ARIMA, VAR).
    3. Asociaciones crónicas y exposiciones acumulativas
      1. Métricas agregadas de exposición.
      2. Vincula la exposición a evaluaciones médicas repetidas.
      3. Utiliza modelos de regresión de efectos mixtos.
      4. Aplica análisis longitudinal o de supervivencia.
        NOTA: Es necesario considerar estrategias de ventana temporal. La Tabla 4 compara diferentes opciones de ventana temporal.
    4. Análisis de mediación conductual y moderación
      1. Explora la mediación utilizando el SEM o el análisis causal.
      2. Examina los efectos de la moderación.
    5. Funciones de respuesta de exposición y curvas dosis-respuesta
      1. Cuantifica las relaciones exposición-respuesta.
      2. Estima las funciones de dosis-respuesta inhaladas.
      3. Investiga asociaciones no lineales.
    6. Análisis longitudinales y de curso vital
      1. Evalúa los efectos crónicos.
      2. Explora trayectorias de vida.
    7. Tratamiento e intervención personalizados
      1. Crea perfiles personalizados.
      2. Identifica episodios de alto riesgo.
      3. Recomiendad evaluaciones médicas.
    8. Inteligencia sobre la salud de la población
      1. Genera mapas de exposición.
      2. Analiza las tendencias de comportamiento.
      3. Evalúa las desigualdades en salud.
      4. Utiliza modelos de aprendizaje automático.
Dominio conductualDominio de Exposición AmbientalDominio de la salud
Características transitorias/momentáneasPerfiles de exposición instantáneaPerfiles de salud a corto plazo
Magnitud vectorial del acelerómetroExposición en tiempo realRespuestas al estrés cardiorrespiratorio
Intensidad instantánea de actividadExposición agudaCambios agudos en la HR, BP, VFC, SpO₂, etc.
Características a nivel episodio/combatePerfiles de exposición a nivel de episodioEventos arrítmicos de ECG
Hora de inicio, hora de finalización, duraciónConcentración media de contaminantesSíntomas respiratorios y función
Tipo de actividadDosis acumulada de exposición a contaminantesFluctuaciones específicas de la velocidad de ventilación por episodio
Tipo de ubicaciónMáxima exposiciónTos y dificultad para respirar autoreportadas
Interior/exteriorExposición basada en percentilEstados psicológicos y de bienestar
Modo de transporteVariabilidad de la exposiciónÁnimo EMA, estrés, fatiga, etc.
Distancia del trayectoDuración de exposición por encima del umbralTensión cognitiva y afectiva a nivel de episodio
Velocidad media de viajeExposición a la AUCCargas de exposición aguda
Propósito del viajeExposición interior vs. exteriorPerfiles de salud a medio plazo
Intensidad de la actividad físicaExposición al microambiente del transporteMarcadores cardiovasculares subclínicos
Patrón respiratorioExposición en el lugar de trabajo/hogar/recreaciónAumentos sostenidos en la frecuencia cardíaca o la presión en reposo
Secciones intersegmentales y a nivel diarioPerfiles de exposición a nivel diarioPuntuaciones tempranas de riesgo de hipertensión
Pausas sedentarias y transiciones entre estados de actividadExposición media diariaTendencias en salud respiratoria
Transiciones entre entornos interiores y exterioresDosis de exposición acumulada diariaFrecuencia de episodios de síntomas respiratorios
Transiciones entre microentornos de transporteMáxima exposición diariaDisminución de la función pulmonar (RR, SpO₂, etc.)
Cadenas de actividades y viajesFrecuencia/duración de los picos diariosEstado metabólico y de actividad física
Complejidad de actividades/toursExposición mínima diariaMET-min/semana acumulado
Cadena de actividades y viajesExposición en percentil diarioDistribución de la intensidad de la actividad
Estructura de uso temporalDuración diaria de exposición por encima del umbralSalud del sueño y la recuperación
Espacio de actividad, radio de giro, entropía espacialExposición diaria a AUCPersistencia de la fatiga más allá de la variación diaria
Dirección general del viajeVariabilidad de la exposición diariaSalud mental y bienestar
Tiempo en actividad física moderada a vigorosa (MVPA)Pendiente de exposición diaria (tasa de cambio)Reactividad al estrés, puntuaciones de ansiedad, etc.
Ritmo circadianoRelación diaria de pico-mediaRiesgos acumulativos de exposición
Patrones habituales de rutinaPerfiles de exposición longitudinalesConcentración y dosis media de contaminantes
Actividades diarias rutinarias y patrones de viajeExposición media a largo plazoPerfiles de salud a largo plazo
Variabilidad en los patrones diarios de actividad y desplazamientoDosis acumulada de exposición a largo plazoRiesgo y progresión de enfermedades cardiovasculares
Cronotipo del ritmo circadianoMáxima exposiciónResultados respiratorios y pulmonares
Discrepancias en el ritmo circadiano entre fines de semana y días laborablesFrecuencia/duración de los eventos de mayor actividadResultados metabólicos y relacionados con la obesidad
Regularidad de la movilidad (trayectoria, desplazamiento, modo, etc.)Exposición basada en percentilResultados en salud mental
Tendencias a largo plazo en la actividad físicaTiempo por encima del umbralSalud sistémica y envejecimiento biológico
Ciclos sedentarios y de comportamiento activoExposición a la AUCResultados funcionales y de calidad de vida
Calendario y regularidad de la dietaVariabilidad diaria/semanal/mensual/estacionalTrayectorias de salud a lo largo de la vida
Comportamiento adaptativo bajo extremos ambientalesMinería de series temporales de exposiciónInteligencia sobre la salud de la población

Tabla 3: Perfiles de datos multiescala de M3-BREATHE. La tabla destaca cómo las métricas conductuales se relacionan con los resultados de salud a corto, medio y largo plazo.

VentanaCaso de usoEnfoque de modeladoProsContras
1 horaEfectos muy agudosIncluir la media móvil de 1 h como covariable en LME o serie temporal; o usar DLNM con retraso horarioCaptura picos inmediatos; dilución mínimaRuido intenso; necesita datos de alta resolución; Visión crónica limitada
24 horasDiaria (a corto plazo)media móvil de 24 horas en modelo mixto; DLNM o DLM con retraso de 1 díaReduce el ruido; se alinea con las métricas regulatoriasPodría suavizar los picos de eventos
7 díasSemanal (subagudo)Covariado promedio de 7 días; DLM con retrasos de hasta 7 díasCaptura la exposición acumulada a corto plazoDifumina la variabilidad diaria; suavizado moderado
30 díasMensual (a medio plazo)media de 30 días; DLNM con estructura de lag mensualRefleja la carga de exposición reciente; más suaveFalla los picos diarios; asume una acumulación lineal
90 díasEstacional (a largo plazo)Promedio de 90 días o retraso distribuido a lo largo de ~90dCaptura la tendencia estacionalSobre-suaviza; confusión con factores estacionales
365 díasAnual (a largo plazo)Promedio de 1 año en modelos LME o CoxÚtil para riesgos crónicos; Controles para la temporadaIgnora la variación aguda; desconcertados por las tendencias del envejecimiento

Tabla 4: Estrategias de ventana temporal y enfoques analíticos. Resumen de las estrategias de ventana temporal y los enfoques analíticos correspondientes utilizados para evaluar exposiciones ambientales en diferentes escalas temporales, destacando su aplicabilidad, fortalezas y limitaciones.

Resultados

Los siguientes resultados representativos se extraen de un estudio piloto que integró sensores portátiles de contaminación del aire, diarios de actividad y viajes y el bienestar subjetivo (SWB) auto-reportado a nivel de episodio. Los participantes debían llevar sensores portátiles de contaminación del aire durante sus actividades diarias y desplazarse durante un periodo continuo de 48 horas (de viernes a sábado o de domingo a lunes) y completar los diarios de actividades y viajes correspondientes. En el análisis se incluyeron datos de un total de 112 participantes válidos, desde diciembre de 2017 hasta febrero de 2018, en la comunidad residencial de Meiheyuan, Pekín. Este análisis preliminar se centra en las interrelaciones entre la exposición a PM2.5 (dominio ambiental), las actividades diarias (dominio conductual) y el SWB cognitivo (dominio de la salud). Aunque este piloto aún no valida toda la cadena M3-BREATHE, especialmente la integración de señales fisiológicas (por ejemplo, HRV, frecuencia respiratoria) y alertas de exposición en tiempo real, sirve como ejemplo ilustrativo del enfoque analítico. Se necesita una validación completa de extremo a extremo del sistema multimodal completo para trabajos futuros.

Para validar la tubería de extremo a extremo M3-BREATHE, evaluamos la integridad de los datos (99,3% tasa de captura de datos GPS y 93,2% tasa de captura del monitor de contaminación atmosférica), precisión de sincronización (≤1 s de sincronización sincronizada entre datos multimodales) y validez de calibración (las mediciones PM2.5 de sensores de bajo coste tuvieron una correlación Pearson de r=0,86 con instrumentos de referencia de grado de investigación tras la calibración de colocación). La cadena integraba datos de trayectoria GPS, datos de exposición ambiental y datos diarios autoinformados, permitiendo identificar patrones de exposición específicos de actividad y asociaciones exposición-salud. Estos resultados confirman la reproducibilidad y fiabilidad del protocolo M3-BREATHE para la monitorización real de E-M-H.

La Figura 1 representa la concentración media de exposición de PM2,5 (barras azules, eje izquierdo) y las puntuaciones cognitivas de la SWB (línea naranja, eje derecho) a lo largo de una variedad de actividades diarias y desplazamientos. Los resultados muestran que las concentraciones de exposición a PM2,5 diferían notablemente según el tipo de actividad. La mayor exposición media se observó durante el sueño, lo que indica una concentración elevada de contaminación atmosférica en interiores en casa. Esto puede deberse a que el área de estudio es comparativamente más contaminada en comparación con otras partes de Pekín. Otras actividades con concentraciones de exposición consistentemente altas incluyeron navegar por Internet, entretenimiento, estudiar y dar un paseo, todas las cuales superaron los 20 μg/m 3. Se encontraron concentraciones de exposición en rango medio para actividades como trabajo, actividad física, cuidado y viajes (15–20 μg/m 3). Las exposiciones más bajas se registraron durante asuntos personales, visitas al médico, comedor y atención personal (5–15 μg/m 3). Estas diferencias, basadas en este estudio piloto, reflejan los contextos ambientales específicos en los que se realizan las actividades (interior vs. exterior y sedentario vs. activo). En contraste, las puntuaciones cognitivas de SWB mostraron menos variabilidad entre actividades, oscilando estrechamente entre 1,7 y 2,3 (en una escala de insatisfacción del 1 al 5). Las puntuaciones más bajas de satisfacción se asociaron a acudir al médico y a los viajes, seguidas de asuntos personales y trabajo, mientras que las puntuaciones más altas de satisfacción se asociaron a la actividad física, el entretenimiento y la actividad social, que a menudo son actividades intrínsecamente gratificantes.

Se ha encontrado que los tipos de actividad asociados con concentraciones más altas de exposición a PM2,5 no siempre correspondían a una menor EB cognitiva, lo que sugiere patrones de desacoplamiento entre la exposición a PM2,5 y la SWB cognitiva autoinformada. Por ejemplo, la actividad física y el entretenimiento combinados con una exposición elevada y altas puntuaciones cognitivas en la SWB. Esto puede reflejar que el riesgo para la salud de la exposición a PM2.5 puede pasarse por alto o no estar conscientemente vinculado a la SWB cognitiva, probablemente debido a la naturaleza invisible de PM2.5, que la hace aún más insidiosa y difícil de detectar en el entorno. En comparación, contaminantes como SO2, NOx yO 3 tienen características más fácilmente detectables. Por ejemplo, SO2 tiene un olor sulfúrico característico y NOx suele asociarse con emisiones visibles de procesos industriales y gases de escape de vehículos. Estos contaminantes gaseosos pueden causar irritación inmediata en los ojos, la garganta y el sistema respiratorio, facilitando su detección y respuesta sin necesidad de equipos especializados. Sin embargo, el PM2.5 es el contaminante más peligroso porque puede penetrar en las regiones de intercambio gaseoso del pulmón (alvéolo), y partículas muy pequeñas pueden pasar por los pulmones para afectar a otros órganos y, por tanto, dañar el sistemacirculatorio 59. Este hallazgo pone de manifiesto el desafío único que plantea la PM2.5, cuya naturaleza imperceptible y graves impactos en la salud la convierten en un riesgo medioambiental crítico pero a menudo subestimado en diversas actividades diarias.

figure-results-1

Figura 1: PM2.5 exposición concentración y bienestar cognitivo subjetivo (SWB) por tipo de actividad diaria. El bienestar cognitivo subjetivo (SWB) se mide en una escala de Likert que va de 1 (muy satisfecho) a 5 (muy insatisfecho). La figura ilustra variaciones en los niveles de exposición a partículas finas (PM2,5, μg/m 3) y en las correspondientes puntuaciones de bienestar entre actividades. Los puntos de datos representan los valores observados. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Para examinar la relación entre la exposición a la contaminación atmosférica y el bienestar subjetivo (SWB), este estudio piloto emplea un Modelo Aditivo Generalizado (GAM), que permite efectos no lineales flexibles. Tanto la exposición contemporánea a la contaminación atmosférica (AAP) como la exposición rezagada de la actividad anterior (AAP_1) se modelan utilizando funciones suaves, mientras que las características sociodemográficas (género, edad, hukou, educación, estado civil e ingresos) se incluyen como variables de control. Los resultados muestran que ni la AAP ni la AAP_1 tienen un efecto estadísticamente significativo sobre el SWB, con valores p de 0,234 y 0,266, respectivamente. Aunque los términos suaves estimados sugieren algunos patrones no lineales, estos efectos no son robustos (Figura 2). En contraste, ciertas características individuales presentan asociaciones más fuertes con el SWB.

Estos hallazgos sugieren que la exposición a la contaminación atmosférica a corto plazo, ya sea contemporánea o retrasada por un solo episodio de actividad, no influye significativamente en el SWB. Una posible explicación es que las personas pueden no responder inmediatamente a fluctuaciones a corto plazo en la calidad del aire, o que tales efectos requieren una exposición más larga o acumulativa para ser detectables. Investigaciones futuras podrían ampliar este análisis incorporando múltiples estructuras de retardo (por ejemplo, exposiciones de varios episodios de actividad previos), utilizando medidas basadas en el tiempo (por ejemplo, duración de exposición a nivel de minuto) o aplicando enfoques alternativos de modelado como modelos de retardo distribuido o métodos de aprendizaje automático para capturar mejor los efectos dinámicos y acumulativos de la contaminación atmosférica sobre el bienestar.

figure-results-2
Figura 2: Efectos no lineales de la exposición actual y retardada a la contaminación atmosférica sobre el bienestar subjetivo. Las curvas representan estimaciones de efectos derivadas del modelo a lo largo del tiempo, destacando fluctuaciones a corto plazo y respuestas retardadas. AAP denota exposición contemporánea, mientras que AAP₁ representa exposición retrasada por una unidad de tiempo (por ejemplo, 1 día). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Discusión

Un paso crítico en el despliegue del protocolo M3-BREATHE es la configuración y sincronización fiable de dispositivos multimodales, ya que la integridad de los datos depende en gran medida de conexiones estables entre sensores portátiles, monitores ambientales portátiles y la aplicación para smartphones. También es esencial asegurarse de que todos los sensores estén calibrados conforme a las especificaciones del fabricante antes de iniciar la inspección. Idealmente, los dispositivos ambientales portátiles, especialmente el monitor de contaminación atmosférica, deberían colocarse y calibrarse con instrumentos de referencia de calidad de investigación antes de su despliegue, para garantizar la validez y precisión de las mediciones con fines de investigación.

En experimentos clínicos controlados o encuestas a corto plazo y a pequeña escala, el uso de una correa respiratoria en el pecho proporciona parámetros respiratorios de alta fidelidad (frecuencia respiratoria, volumen mareal, ECG), ofreciendo mayor precisión que los sensores basados en la muñeca y sirviendo como base de triangulación para validar sus estimaciones algorítmicas. En cambio, para la monitorización longitudinal en entornos naturalistas, incluyendo el uso voluntario por parte del consumidor, es preferible la combinación de una pulsera inteligente y una aplicación para smartphone, ya que estos dispositivos son menos intrusivos y favorecen el cumplimiento sostenido de los participantes. Para estudios con recursos limitados o preocupaciones sobre la carga del participante, se recomienda un kit mínimo que incluya una pulsera inteligente, una aplicación para smartphone y un único monitor de contaminantes. Se deben considerar sensores adicionales (por ejemplo, correa respiratoria en el pecho, un rastreador de luz dedicado) en función de los objetivos y presupuestos específicos de la investigación. Las recomendaciones detalladas para la adaptación del protocolo M3-BREATHE en experimentos clínicos controlados y en estudios/prácticas longitudinales del mundo real se ofrecen en la Tabla 5.

Dominio de datosMétrica (abreviatura)Experimento clínico controladoEstudio/práctica longitudinal real
Sensor de pechoPulsera inteligenteMonitor Ambiental PortátilApp para smartphonePulsera inteligenteMonitor Ambiental PortátilApp para smartphone
FisiologíaFrecuencia cardíaca (FC)ΟΟΟΟΟΟΟΟ
Variabilidad de la frecuencia cardíaca (VFC)ΟΟΟΟΟΟΟΟ
Frecuencia respiratoria (RR)ΟΟΟΟΟΟΟ
Volumen de Mareas (TV)ΟΟΟΟΟ
Electrocardiograma (ECG)ΟΟΟΟΟΟΟΟ
Presión arterial (TA)ΟΟΟΟΟ
Saturación de oxígeno en sangre (SpO₂)ΟΟΟΟΟ
Equivalentes Metabólicos (MET)ΟΟΟΟΟ
Temperatura de la piel (ST)ΟΟΟ
Acelerómetro (ACC)ΟΟΟΟΟ
Medio ambienteMaterial en suspensión (PM2.5, PM10)ΟΟΟΟΟΟ
Monóxido de carbono (CO)ΟΟΟΟΟ
Dióxido de nitrógeno (NO2)ΟΟΟΟΟ
Dióxido de azufre (SO₂)ΟΟΟ
Orgánico Volátil
Compuestos (COVs)		ΟΟΟΟ
Ruido (N)ΟΟΟΟΟΟΟ
Temperatura (T)ΟΟΟΟΟ
Humedad relativa (HR)ΟΟΟ
Exposición a la luz (iluminancia)ΟΟΟΟΟ
Exposición a la luz (luz circadiana A)ΟΟΟ
VerdorΟΟΟΟ
Conductual y ContextualUbicación GPS / TrayectoriaΟΟΟΟΟΟ
Diario de Actividades y Viajes (ATD)ΟΟΟΟ
Momento Ecológico
Evaluación (EMA)		ΟΟΟ
Características de referencia (BC)ΟΟΟΟΟΟ
Notas: ΟΟΟ, equipo mínimo; Equipo estándar; Ο, alternativa

Tabla 5: Recomendaciones para la adaptación del protocolo M3-BREATHE. Resumen de los dominios de medición y niveles de instrumentación en diferentes entornos de estudio (mínimo ΟΟΟ; estándar ΟΟ; alternativa Ο).

Se requieren varias modificaciones y estrategias de solución de problemas al aplicar este protocolo en diferentes entornos. En primer lugar, en caso de desconexión entre los dispositivos de monitorización y el smartphone o de periodos superiores a 30 minutos con datos nulos o inválidos (por ejemplo, pérdida de datos de parámetros de salud por fallo en el sensor o falta de contacto con la piel), deberían generarse informes automáticos a los investigadores para que los participantes puedan ser contactados rápidamente y así resolver el problema. Los investigadores también pueden realizar comprobaciones regulares de integridad de los datos. En segundo lugar, para despliegues longitudinales del protocolo, la adherencia de los dispositivos y la gestión de la batería pueden presentar mayores desafíos. Los participantes pueden olvidarse ocasionalmente de llevar la pulsera inteligente, recargar power banks o rellenar los diarios de actividades de viaje. Los recordatorios automáticos dentro de la aplicación, la monitorización de backend y las indicaciones diarias de agenda son herramientas de mitigación efectivas.

A pesar de sus ventajas, M3-BREATHE presenta varias limitaciones. Aunque las correas torácicas inteligentes permiten mediciones respiratorias precisas, generalmente no son prácticas para el seguimiento a largo plazo en el mundo real debido a la carga de los participantes60. Por ello, se recomiendan mediciones y algoritmos basados en pulseras para la evaluación de la respiración, aunque tienen una precisión reducida para estimar el volumen de marea o detectar arritmias sutiles, y su rendimiento puede verse afectado por artefactos de movimiento61. Además, el uso de múltiples dispositivos de monitorización ambiental aumenta la posibilidad de posibles fallos de conectividad, relojes no sincronizados o fallos en los sensores. Debería desarrollarse un dispositivo modular integrado para la monitorización de múltiples contaminantes o enfoques alternativos (por ejemplo, monitorización de ruido basado en smartphone), con el objetivo de mantener la precisión de la medición minimizando el tamaño del dispositivo y maximizandola portabilidad 62. Además, la dependencia de sistemas autoinformados dentro de la aplicación (por ejemplo, diarios de viaje, historiales médicos) puede introducir sesgos de recuerdo y aumentar las cargas de cumplimiento alargo plazo 63. La identificación de actividades y viajes basada en aprendizaje automático puedeadoptarse 64, mientras que el seguimiento de los registros médicos de los profesionales sanitarios puede conectarse sin problemas a la aplicación para smartphone mediante una sencilla interfaz de un solo clic.

Este visionario M3-BREATHE realista establece una plataforma escalable, no invasiva y rentable para la investigación y práctica longitudinal entre movilidad ambiental y salud (E-M-H), impulsando los enfoques existentes. La epidemiología espacial tradicional suele basarse en la monitorización en sitios fijos o en intermediarios residenciales para la evaluación de exposiciones, lo que la hace vulnerable al problema de la unidad de área modificable (MAUP) y al problema del contexto geográfico incierto (UGCoP)21,65. Al integrar datos de exposición conductual, fisiológica y ambiental multimodales de alta resolución espacio-temporal, este sistema avanza hacia evaluaciones individualizadas de exposición independientes del marco, facilitando el desempaquetado de la "caja negra" conductual en la relaciónambiente-salud 66,67. Apoya tanto la interpretación en profundidad individual como poblacional de la dinámica dosis-respuesta, vinculando exposiciones multicontaminantes en tiempo real con la reactividad fisiológica y los resultados de salud, permitiendo tratamientos e intervenciones personalizadas, vigilancia en salud pública e investigación traslacional que vincule la exposición ambiental, las actividades diarias y la movilidad y los resultados de salud68, así como facilitando la autogestión de la salud de las personas y la mitigación de riesgos por exposiciones ambientales69 (por ejemplo, planificador de actividades diarias para evitar perfiles personales de E-M-H basados en exposiciones de alto riesgo).

Las aplicaciones futuras de M3-BREATHE incluyen (1) integración con sistemas de intervención en tiempo real impulsados por IA, donde alertas personalizadas de exposición activan recomendaciones de comportamiento adaptativo (por ejemplo, redirigimiento de desplazamientos durante la exposición máxima PM2.5 ); (2) despliegue en poblaciones vulnerables (por ejemplo, adultos mayores, asmáticos) para evaluar asociaciones específicas de exposición a la enfermedad y la salud y apoyar la medicina de precisión; (3) combinación con datos genómicos para descubrir las interacciones gen-entorno en el desarrollo de enfermedades crónicas; (4) miniaturización de sensores ambientales modulares integrados para reducir la carga de los participantes y mejorar la adhesión a largo plazo; (5) escalado a través de ciudades y países para generar conjuntos de datos globales de E-M-H para investigación comparativa en salud ambiental. Además, el protocolo puede adaptarse para monitorizar otros riesgos ambientales sustituyendo los sensores portátiles correspondientes.

Divulgaciones

El autor declara no tener intereses en competencia.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, temperatura, humedad
AirVisual ProIQAirProICA,  PM2.5, CO2, temperatura, humedad. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, temperatura, humedad, presión barométrica
BioNomadix BioShirtBioPacBN-BIOSHIRT-FxCamisa inteligente inalámbrica con electrodos de tela integrados y sensores de respiración, capaz de registrar ECG y señales de respiración.
Extech SL355 Personal Noise DosimeterExtechSL355registra SPL, Leq, Peak, etc.
Fitbit SenseFitbit2Frecuencia cardíaca, ECG, SpO2, niveles de estrés, sueño, GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-chargerFrecuencia cardíaca, presión arterial, ECG, glucosa en sangre, SpO2, sueño, modos deportivos
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341registra SPL, Leq, Peak, etc.
Go Direct Respiration BeltVernierGDX-RBMonitor de respiración de cinturón torácico que utiliza sensores de tensión o expansión para detectar la expansión o contracción torácica
Hexoskin Smart ShirtHexoskinN/APrenda inteligente con sensores textiles integrados para el monitoreo continuo de la frecuencia respiratoria, frecuencia cardíaca, ventilación, actividad, sueño, etc
Huawei BandHuawei9Frecuencia cardíaca, SpO2, etapas del sueño, frecuencia respiratoria, detección de arritmia
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2, temperatura, humedad
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UVse sujeta a la ropa; mide UVA y UVB; alimentado por energía solar 
Miniaturized Light DosimeterWearifiBLE Light Dosimeterhasta 8 canales de dosimetría espectral (por ejemplo, UV → IR), mide la dosis de luz acumulativa; bueno para el seguimiento de la exposición a largo plazo.
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375Frecuencia cardíaca, sueño, SpO2, estrés, 100+ modos deportivos
Personal Noise Dosimeter SV-104ASvantekSV 104Aregistra SPL, Leq, TWA, Peak, etc.
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, ICA
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133Frecuencia cardíaca, sueño, estrés, modos deportivos
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-neededFrecuencia cardíaca, SpO2, sueño, pasos, calorías
SunSprite Personal Light TrackerGoodLux TechnologySunSpritese sujeta a la ropa; mide luz visible y UV; alimentado por energía solar
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, ICA, temperatura, humedad y clima
Xiaomi Smart BandXiaomi9Frecuencia cardíaca, SpO2, etapas del sueño, niveles de estrés

Referencias

  1. Zhang, Y., Kwan, M. P. Considering human mobility is essential for accurate environmental exposure assessment. Sci. Bull. , (2025).
  2. Zinsstag, J., et al. Advancing one human-animal-environment health for global health security: what does the evidence say. Lancet. 401 (10376), 591-604 (2023).
  3. Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
  4. Tian, Y., Chen, C., Sagoe-Crentsil, K., Zhang, J., Duan, W. Intelligent robotic systems for structural health monitoring: Applications and future trends. Autom. Constr. 139, 104273(2022).
  5. Wong, D. W. The modifiable areal unit problem (MAUP). WorldMinds: Geographical Perspectives on 100 Problems: Commemorating the 100th Anniversary of the Association of American Geographers 1904-2004. , Springer Netherlands. Dordrecht. 571-575 (2004).
  6. Parenteau, M. P., Sawada, M. C. The modifiable areal unit problem (MAUP) in the relationship between exposure to NO₂ and respiratory health. Int. J. Health Geogr. 10 (1), 58(2011).
  7. Jelinski, D. E., Wu, J. The modifiable areal unit problem and implications for landscape ecology. Landsc. Ecol. 11 (3), 129-140 (1996).
  8. Cai, G., Hao, Y. Guiding geospatial analysis processes in dealing with modifiable areal unit problems. 13th Int. Conf. on Geographic Information Science (GIScience 2025), , Schloss Dagstuhl-Leibniz-Zentrum für Informatik. 14-1 (2025).
  9. Goodchild, M. F. Geographical information science. Int. J. Geogr. Inf. Syst. 6 (1), 31-45 (1992).
  10. Kwan, M. P., Schwanen, T. Geographies of mobility. Ann. Am. Assoc. Geogr. 106 (2), 243-256 (2016).
  11. Hayward, P. M. The modifiable areal unit problem (MAUP) and health disparities. , University of Connecticut. PhD thesis (2009).
  12. Tobler, W. R. Frame independent spatial analysis. Accuracy of Spatial Databases. , 115-122 (1989).
  13. Wong, D. Aggregation effects in geo-referenced data. Practical Handbook of Spatial Statistics. , CRC Press. 83-106 (2020).
  14. Kwan, M. P. From place-based to people-based exposure measures. Soc. Sci. Med. 69 (9), 1311-1313 (2009).
  15. Fang, T. B., Lu, Y. Personal real-time air pollution exposure assessment methods promoted by information technological advances. Ann. GIS. 18 (4), 279-288 (2012).
  16. Kwan, M. P. The limits of the neighborhood effect: contextual uncertainties in geographic, environmental health, and social science research. Ann. Am. Assoc. Geogr. 108 (6), 1482-1490 (2018).
  17. Liu, Y., Kwan, M. P., Yu, C. The uncertain geographic context problem (UGCoP) in measuring people’s exposure to green space using the integrated 3S approach. Urban For. Urban Green. 85, 127972(2023).
  18. Kwan, M. P. The uncertain geographic context problem. Ann. Assoc. Am. Geogr. 102 (5), 958-968 (2012).
  19. Fusco, G., Caglioni, M., Emsellem, K., Merad, M., Moreno, D., Voiron-Canicio, C. Questions of uncertainty in geography. Environ. Plan. A. 49 (10), 2261-2280 (2017).
  20. Kwan, M. P., Neutens, T. Space-time research in GIScience. Int. J. Geogr. Inf. Sci. 28 (5), 851-854 (2014).
  21. Park, Y. M., Kwan, M. P. Individual exposure estimates may be erroneous when spatiotemporal variability of air pollution and human mobility are ignored. Health Place. 43, 85-94 (2017).
  22. Ma, J., Tao, Y., Kwan, M. P., Chai, Y. Assessing mobility-based real-time air pollution exposure in space and time using smart sensors and GPS trajectories in Beijing. Smart Spaces and Places. , Routledge. 102-116 (2021).
  23. Thomas, D., Stram, D., Dwyer, J. Exposure measurement error: influence on exposure-disease relationships and methods of correction. Annu. Rev. Public Health. 14 (1), 69-93 (1993).
  24. Wu, Y., et al. Methods to account for uncertainties in exposure assessment in studies of environmental exposures. Environ. Health. 18 (1), 31(2019).
  25. Racz, L., Rish, W. Exposure monitoring toward environmental justice. Integr. Environ. Assess. Manag. 18 (4), 858-862 (2021).
  26. Vandenberg, L. N., et al. Addressing systemic problems with exposure assessments to protect the public’s health. Environ. Health. 21 (Suppl 1), 121(2023).
  27. Wei, L., et al. Validity of mobility-based exposure assessment of air pollution: A comparative analysis with home-based exposure assessment. Environ. Sci. Technol. 58 (24), 10685-10695 (2024).
  28. Schmitz, O., et al. A computational framework for agent-based assessment of multiple environmental exposures. J. Expo. Sci. Environ. Epidemiol. , 1-13 (2025).
  29. Tian, W., Cao, K., Feng, Q. The impact of environmental exposure on the health of older adults: A review from the GIScience perspective. Trans. GIS. 29 (3), e70056(2025).
  30. Reck, D. J., Martin, H., Axhausen, K. W. Mode choice, substitution patterns and environmental impacts of shared and personal micro-mobility. Transp. Res. D Transp. Environ. 102, 103134(2022).
  31. Brottrager, M., Crespo Cuaresma, J., Kniveton, D., Ali, S. H. Natural resources modulate the nexus between environmental shocks and human mobility. Nat. Commun. 14 (1), 1393(2023).
  32. Guo, W., He, J., Yang, W. Association between outdoor jogging behavior and PM₂.₅ exposure: Evidence from massive GPS trajectory data in Beijing. Sci. Total Environ. 947, 174759(2024).
  33. Cyriac, J., et al. Improvements in diet and physical activity–related psychosocial factors among African Americans using a mobile health lifestyle intervention to promote cardiovascular health: The FAITH! App pilot study. JMIR Mhealth Uhealth. 9 (11), e28024(2021).
  34. Rafiq, R., McNally, M. G., Uddin, Y. S., Ahmed, T. Impact of working from home on activity-travel behavior during the COVID-19 Pandemic: An aggregate structural analysis. Transp. Res. A Policy Pract. 159, 35-54 (2022).
  35. Farnham, A., et al. Travel behaviours and health outcomes during travel: profiling destination-specific risks in a prospective mHealth cohort of Swiss travellers. Travel Med. Infect. Dis. 47, 102294(2022).
  36. Fanning, J., Brooks, A. K., Irby, M. B., N’Dah, K. W., Rejeski, W. J. Associations between patterns of daily stepping behavior, health-related quality of life, and pain symptoms among older adults with chronic pain: A secondary analysis of two randomized controlled trials. Clin. Interv. Aging. , 459-470 (2024).
  37. Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health and Place. 94, 103477(2025).
  38. Abernethy, A., et al. The promise of digital health: then, now, and the future. NAM Perspect. 2022, 10-31478 (2022).
  39. Kickbusch, I., et al. The Lancet and Financial Times Commission on governing health futures 2030: growing up in a digital world. Lancet. 398 (10312), 1727-1776 (2021).
  40. Poongodi, M., Sharma, A., Hamdi, M., Maode, M., Chilamkurti, N. Smart healthcare in smart cities: Wireless patient monitoring system using IoT. J. Supercomput. 77 (11), (2021).
  41. Steinhubl, S. R., Muse, E. D., Topol, E. J. The emerging field of mobile health. Sci. Transl. Med. 7 (283), 283rv3(2015).
  42. Almotiri, S. H., Khan, M. A., Alghamdi, M. A. Mobile health (m-health) system in the context of IoT. 2016 IEEE 4th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW), , 39-42 (2016).
  43. Tiele, A., Esfahani, S., Covington, J. Design and development of a low-cost, portable monitoring device for indoor environment quality. J. Sens. 2018 (1), 5353816(2018).
  44. van Duijnhoven, J., et al. Measuring light exposure in daily life: A review of wearable light loggers. Build. Environ. , 112771(2025).
  45. Fischer, T., Schraivogel, S., Caversaccio, M., Wimmer, W. Are smartwatches a suitable tool to monitor noise exposure for public health awareness and otoprotection. Front. Neurol. 13, 856219(2022).
  46. Haddad, C., Sacre, H., Obeid, S., Salameh, P., Hallit, S. Validation of the Arabic version of the “12-item short-form health survey” (SF-12) in a sample of Lebanese adults. Arch. Public Health. 79 (1), 56(2021).
  47. Wade, D., Varker, T., Forbes, D., O'Donnell, M. The Alcohol Use Disorders Identification Test-Consumption (AUDIT-C) in the assessment of alcohol use disorders among acute injury patients. Alcohol. Clin. Exp. Res. 38 (1), 294-299 (2014).
  48. Lee, P. H., Macfarlane, D. J., Lam, T. H., Stewart, S. M. Validity of the international physical activity questionnaire short form (IPAQ-SF): A systematic review. Int. J. Behav. Nutr. Phys. Act. 8 (1), 115(2011).
  49. Farrahi Moghaddam, J., Nakhaee, N., Sheibani, V., Garrusi, B., Amirkafi, A. Reliability and validity of the Persian version of the Pittsburgh Sleep Quality Index (PSQI-P). Sleep Breath. 16 (1), 79-82 (2012).
  50. Liaqat, D., et al. WearBreathing: Real world respiratory rate monitoring using smartwatches. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3 (2), 1-22 (2019).
  51. Takahashi, Y., et al. Accuracy of heart rate and respiratory rate measurements using two types of wearable devices. Prog. Rehabil. Med. 7, 20220016(2022).
  52. Hernandez, J., McDuff, D., Picard, R. W. Biowatch: estimation of heart and breathing rates from wrist motions. 2015 9th International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth), , 169-176 (2015).
  53. Natarajan, A., Su, H. W., Heneghan, C., Blunt, L., O’Connor, C., et al. Measurement of respiratory rate using wearable devices and applications to COVID-19 detection. NPJ Digit. Med. 4 (1), 136(2021).
  54. Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health Place. 94, 103477(2025).
  55. Yu, M., et al. Developing high-resolution PM2.5 exposure models by integrating low-cost sensors, automated machine learning, and big human mobility data. Front. Environ. Sci. 11, 1223160(2023).
  56. Xia, C., Yeh, A. G. Mobility as a response to environmental hazards in the urban context: A new perspective on mobility and inequality. Travel Behav. Soc. 27, 192-203 (2022).
  57. Guo, W., Chai, Y., Kwan, M. P. Travel-related exposure to air pollution and its socio-environmental inequalities: Evidence from a week-long GPS-based travel diary dataset. Spatiotemporal Analysis of Air Pollution and Its Application in Public Healt. , 293-309 (2020).
  58. Dritsas, E., Trigka, M. Efficient data-driven machine learning models for cardiovascular diseases risk prediction. Sensors. 23 (3), 1161(2023).
  59. Amini, H. WHO air quality guidelines need to be adopted. Int. J. Public Health. 66, 1604483(2021).
  60. Vitazkova, D., et al. Advances in respiratory monitoring: a comprehensive review of wearable and remote technologies. Biosensors. 14 (2), 90(2024).
  61. Mayorga-Vega, D., Casado-Robles, C., López-Fernández, I., Viciana, J. Activity wristband-based physical activity recommendations in young people. Sci. Sports. 37 (4), 303-315 (2022).
  62. Fanti, G., et al. Features and practicability of the next-generation sensors and monitors for exposure assessment to airborne pollutants: a systematic review. Sensors. 21 (13), 4513(2021).
  63. Möller, A., Kranz, M., Schmid, B., Roalter, L., Diewald, S. Investigating self-reporting behavior in long-term studies. Proc. SIGCHI Conf. Hum. Factors Comput. Syst, , 2931-2940 (2013).
  64. Koushik, A. N., Manoj, M., Nezamuddin, N. Machine learning applications in activity-travel behaviour research: a review. Transp. Rev. 40 (3), 288-311 (2020).
  65. Li, J., et al. Five-year lung cancer mortality risk analysis and topography in Xuan Wei: a spatiotemporal correlation analysis. BMC Public Health. 19 (1), 173(2019).
  66. Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
  67. Guo, W., Schwanen, T., Brand, C., Chai, Y. Exploring the complex relationships between air pollution, life satisfaction and mental health through the lens of daily activity-travel patterns: The case of a suburban residential community in Beijing. J. Transp. Geogr. 127, 104300(2025).
  68. Kaufman, J. D., Curl, C. L. Environmental health sciences in a translational research framework: more than benches and bedsides. Environ. Health Perspect. 127 (4), 045001(2019).
  69. Peerbolte, T. F., et al. Conversational agents supporting self-management in people with a chronic disease: systematic review. J. Med. Internet Res. 27, e72309(2025).

Reimpresiones y permisos

Explorar más artículos

Monitoreo de Salud MóvilMonitoreo MultimodalSeñales FisiológicasExposiciones AmbientalesFunción RespiratoriaSeguimiento por GPSAlertas de Aprendizaje AutomáticoEvaluación de Salud PersonalizadaDatos Ambientales UrbanosMonitoreo de Salud Longitudinal
M3-BREATHE en el mundo real: Hacia la monitorización móvil multimodal del comportamiento, la respiración y las exposiciones para tratamiento y evaluación sanitaria
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.