IntraMed - Tecnología - Dispositivos Móviles y Salud

6/11/2019 IntraMed - Tecnología - Dispositivos móviles y salud
eHealth | 15 OCT 19
Dispositivos móviles y salud
Revisión sobre el uso de dispositivos móviles en salud
Autor: Ida Sim N Engl J Med 2019; 381: 956-68.
Texto principal
Introducción
La salud móvil (o eHealth, en inglés) es la aplicación de sensores, aplicaciones móviles, redes sociales y de la tecnología de rastreo de
ubicación para obtener datos pertinentes al diagnóstico, prevención y manejo de enfermedades y bienestar, hacen teóricamente posible
monitorear e intervenir cuando sea y donde sea cuando ocurren condiciones médicas agudas y crónicas.
Con el 81% de los adultos norteamericanos que poseen un teléfono inteligente1, esta frontera podría alcanzarse en el futuro previsible
en los Estados Unidos y es particularmente relevante para el manejo de enfermedades crónicas.
Más del 40% de los adultos estadounidenses tienen dos o más afecciones crónicas2 y las condiciones crónicas ahora representan el 71% de todos los
gastos de atención médica de EE. UU. 3 así que la promesa dela salud móvil es especialmente atractiva.
La salud móvil está en la confluencia de la teledetección, orientada al consumidor de tecnologías personales e inteligencia artificial
(IA). Los datos de aplicaciones de teléfonos inteligentes (conocidos coloquialmente como "apps") y una gama cada vez mayor de
sensores portátiles y ambientales se pueden procesar utilizando el aprendizaje automático y otrastécnicas de IA para apoyar la toma de
decisiones médicas.
Aquí, el autor revisa el estado actual de biomarcadores de detección, digitales y de terapéuticas digitales (el uso de tecnologías en
línea en el tratamiento de afecciones conductuales y médicas); discute los desafíos deintegrar la salud móvil en la atención clínica; y
describe elementos regulatorios, de negocios y éticos que enfrenta la salud móvil.
https://www.intramed.net/varios/imprimir.asp?contenidoID=95023&print=1 1/18
No habla sobre los sensores y las aplicaciones previstas para uso exclusivo de profesionales de la salud en entornos de atención médica.
Debido a que la salud móviles una tecnología naciente y generalmente falta evidencia rigurosa de la validez clínica, en lugar de
presentar una revisión de los sistemas existentes, presenta una visión general para profesionales y formadores de políticas para
comprender los aspectos clave de este campo en rápida evolución.
Sensores
> Sensores pasivos
De los sensores pasivos, el teléfono inteligente es el más ubicuo.
Tiene un sensor de movimiento inercial de nueve ejes que rastrea el movimiento y la posición en el espacio tridimensional. Un
acelerómetro de tres ejes mide la aceleración en los ejes x, y y z; un giroscopio de tres ejes detecta la rotación alrededor de cada eje; y
un magnetómetro de tres ejes compensa la deriva magnética para mantener la precisión de la posición. Estos sensores permiten
capacidades basadas en la física, como detectar la cantidad de pasos que una persona realiza durante un día.
La mayoría de los teléfonos inteligentes también pueden detectar la posición geográfica, la presión atmosférica, la luz ambiental, la voz
y la presión de la pantalla táctil. Usos creativos deestos sensores y una cámara incorporada pueden convertir al teléfono inteligente en
un detector de caídas,4 en un espirómetro5 (al detectar la presión del aire en el micrófono) o en un sensor de frecuencia cardíaca.6
Los dispositivos portátiles también están muy extendidos. En los Estados Unidos en 2017, el 17% delos adultos usaron un dispositivo
portátil como reloj inteligente o como una banda de ejercicios para la muñeca.Los sensores de muñeca tienen muchos de los mismos
sensores que los teléfonos inteligentes y se pueden usar paradetectar movimientos como los asociados con fumar8 y con actividad
convulsiva.9
Los sensores de muñeca a menudo miden la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca al detectar cambios en la
luz reflejada causada por cambios en el flujo sanguíneo microvascular con cada latido del corazón. Dos dispositivos comerciales
pueden proporcionar un electrocardiograma a través de electrodos integrados en un teléfono inteligente o en un reloj inteligente y, por
lo tanto, detectar la fibrilación auricular.4,10
Los parches de sensores portátiles pueden medir la actividad muscular y la postura, 11 los sensores de radiofrecuencia colocados sobre
la ropa pueden detectar edema pulmonar, 12 y las telas inteligentes pueden medir variaciones en la fuerza, presión, humedad,y
temperatura13 para apoyar, por ejemplo, la rehabilitación neurológica.14 Se puede incorporar una píldora con un sensor en miniatura
que, cuando entra al ambiente ácido del estómago emite una señal a un parche de sensor portátil.15
Esta tecnología fue aprobada por la Administración de Alimentos y Drogas (FDA en inglés) en 2017 para el monitoreo de la adherencia
a la medicación. Los teléfonos inteligentes, dispositivos portátiles y otros sensores pasivos están cada vez más conectados en red junto
con sensores integrados en objetos cotidianos, creando el llamado Internet de las Cosas.
> Detección activa
Los sensores pasivos recopilan datos observables. Los estados de salud percibidos subjetivamente (p. ej., dolor y otros síntomas) son
igualmente importantes para informar la atención centrada en el paciente y, en este momento, pueden capturarse solo preguntando al
paciente.
Hasta recientemente, la información sobre tales resultados se obtenía de cuestionarios administrados a intervalos de semanas a meses
que preguntan a los pacientes para integrar sus experiencias durante algún intervalo de tiempo pasado (por ejemplo, "en los últimos 7
días, cuán a menudo...?”).
La ubicuidad de los dispositivos personales hace posible un enfoque alternativo llamado evaluación momentánea ecológica (EME) que
es muy adecuado para capturar algunos tipos de resultados informados por el paciente.
La EME implica "muestreo repetido de los comportamientos y experiencias actuales de los sujetos en tiempo real, en los entornos
naturales de los sujetos". 18 Las EMEs están menos sujetas a sesgos de recuerdo que los cuestionarios administrados con poca
frecuencia y se pueden administrar varias veces aldía para capturar variaciones a corto plazo en las respuestas.
Las EMEs van desde simples mensajes de texto a preguntas breves basadas en aplicaciones de uno o dos elementos y se han utilizado
para recopilar información sobre dolor crónico,19 ansiedad,20 trastornos por uso de sustancias, 21 y muchas otras condiciones.
Ampliamente utilizadas en las ciencias sociales y del comportamiento, la EME es un método emergente para la evaluación de
resultados tanto en la atención como en la investigación clínica.
> Evaluaciones funcionales
Las evaluaciones funcionales a través de sensores complementan la detección pasiva y los informes activos
de los pacientes.
El rendimiento funcional puede ser medido haciendo que los pacientes realicen tareas estandarizadas utilizando tecnologías móviles de
salud. Los ejemplos incluyen la ejecución de la prueba de caminata de 6 minutos utilizando los sensores de movimiento de los
teléfonos inteligentes,22 la evaluación del temblor de la voz parkinsoniana por medio del micrófono del teléfono inteligente, 23 y la
evaluación de la función cognitiva, como la memoria y el tiempo de reacción, a través de aplicaciones.24
Biomarcadores digitales
Los datos brutos del sensor, como los de la acelerometría de tres ejes, no tienen sentido para los médicos y los pacientes. Para ser útil,
los datos brutos del sensor deben procesarse en biomarcadores digitales, definidos como medidas fisiológicas y conductuales
recopiladas digitalmente que explican, influyen o predicen resultados relacionados con la salud.
Los ejemplos de biomarcadores digitales incluyen el recuento diario de pasos y la duración promedio del sueño nocturno. La ciencia de
identificar y validar biomarcadores clínicamente significativos y accionables está en su infancia.25
Los desafíos incluyen el manejo de volúmenes muy altos de datos, alta variabilidad tanto dentro comoentre los pacientes, y la
necesidad de repetir la validación en curso a medida que se actualizan los sensores y los algoritmos subyacentes.25
Terapias y diagnósticos digitales
El simple monitoreo de los resultados de los pacientes de forma remota generalmente no mejora por sí solo los resultados
clínicos.26 Las intervenciones activas que usan "terapias digitales" son necesarias para prevenir, controlar o tratar afecciones médicas
directamente. La terapéutica digital utiliza métodos de salud móviles solos o en combinación con medicamentos y otras terapias.
Por ejemplo, un creciente cuerpo de evidencia apoya el uso de la terapia cognitivo conductual digital para pacientes con afecciones
como insomnio, 27 abuso de sustancias, 28 y trastorno por déficit de atención-hiperactividad29 y de varios programas de recordatorios
y de comportamientos para pacientes con diabetes30 e hipertensión.30
La terapéutica digital que combina innovaciones de hardware y software incluye manejo del asma con el uso de inhaladores
"inteligentes" que rastrean el tiempo, la frecuencia y la ubicación de uso de inhaladores31; programas de realidad virtual para el manejo
del dolor32; y el tratamiento del trastorno de pánico con el uso de monitores de dióxido de carbono.33 El diagnóstico digital representa
una frontera más lejana, pero necesita pruebas clínicas mucho más amplias, más rigurosas.
Un gran desafío de la salud móvil es la altatasa de caída en el uso del sensor y de la aplicación.40 En una encuesta, más de la mitad de
los usuarios de rastreadores de actividad dejaron de usar su dispositivo, y un tercio lo hizo en los primeros 6 meses.41 Las estrategias
para mejorar el compromiso incluyen la discusión, entre el paciente y el proveedor, de objetivos para el seguimiento y planes claros
para alcanzarlos.
El establecimiento de objetivos conjuntos seguido de la revisión conjunta de los datos parece motivar el seguimiento continuo y el
compromiso terapéutico. Sin embargo, actualmente no está claro si la mejor comunicación paciente-proveedor yla toma de decisiones
compartida mejora los resultados clínicos.
Integración con la atención clínica
En la primera línea de atención, dos desafíos dominan la implementación de la salud móvil. Elprimero es la gran cantidad de datos. El
personal auxiliar puede ayudar a revisar y clasificar los datos, y la visualización de las herramientas pueden mitigar la carga cognitiva
de interpretar los datos.
Sin embargo, la respuesta más efectiva es desarrollar y mostrar a los médicos solo esos biomarcadores digitales que informan la acción
clínica o la comprensión clínica (p. ej., perfiles temporales y de gravedad de los síntomas del paciente). Simultáneamente, estos
biomarcadores deben tener un valor directo suficiente para que los pacientes justifiquen su participación en el esfuerzo de recolección
de datos. Nada de esto es fácil.
El segundo desafío (y relacionado) es cómola inclusión y presentación de datos se ajustará aun flujo de trabajo ya complicado y
sobrecargado. No se puede esperar que los médicos inicien sesión ensitios web separados para cada sensor o aplicación que sus
pacientes están usando. Dicho esto, la integración conla historia clínica electrónica (HCE) es actualmente extremadamente desafiante
y costosa.43
Las organizaciones de atención médica que desean implementar la salud móvil no pueden pasar por alto la logística e implicaciones
legales de proporcionar sensoresy apps a los pacientes. Debe considerarse personal adicional para ayudar a los pacientes con la
configuración de la tecnología, la asistencia técnica y la respuesta a las preguntas e inquietudes de los pacientes.
Otros desafíos
> Validación y regulación
Las tecnologías de salud móvil de mayor riesgo se consideran los dispositivos médicos en virtud de la Ley de Alimentos,
Medicamentos,y Cosméticos. La FDA regula los dispositivos médicos bajo procesos que fueron diseñados para dispositivos de
hardware de grado médico, como los implantes de cadera, con propiedades físicas conocidas que cambian poco después del
lanzamiento al mercado.48
Las tecnologías de salud móviles, en contraste, a menudo combinan hardware (por ejemplo, un glucómetro) con software (por ejemplo,
algoritmos para el manejo dela diabetes tipo 1) y pueden ser extremadamente dinámicas, con actualizaciones frecuentes de hardware y
software.
Quedan muchos detalles del programa para determinar, incluyendo cómo las empresas pueden ganaro perder el estado de
certificación, cómo se determinaran y manejaran diferentes niveles de riesgo de daño,y cómo se evaluará el rendimiento en el mundo
real a través del monitoreo posterior a la comercialización y con qué consecuencias.
La confianza en las tecnologías móviles de salud y el alcance de su adopción dependerán de cómo se resuelven estos y otros detalles. El
deseo de apoyar la innovación debe equilibrarse con las graves preocupaciones sobre la supervisión insuficiente o retrasada.
Además de estas tecnologías, la precisión de los biomarcadores digitales también requiere validación. Por ejemplo, los sensores
comerciales son relativamente consistentes entre sí en el conteo de pasos pero no en laduración del sueño o enlos ciclos de sueño o
duración de la actividad física.50 Porque la mayoría de los dispositivos comerciales restringen el acceso a sus datos y algoritmos sin
procesar, la verificación independiente y validación de la mayoría de los biomarcadores digitales actuales no es posible.
La mayor transparencia y responsabilidad, elestablecimiento de estándares de metadatos (estándares sobre cómodescribir datos, así
como su procedencia), y la validación externa facilitará la evaluación de biomarcadores digitales propuestos para uso en cuidado
clínico.51,52 Esto se puede lograr poniendo a disposición conjuntos de datos de referencia y mediante la publicación depruebas de
validación.
Los clínicos, pacientes y pagadores se beneficiaríande formularios digitales de salud que enumeran sensores y aplicaciones que son
examinadas para uso clínico, así como formularios de medicación para medicamentos.
> Crecimiento del mercado y valor clínico
A pesar del flujo regulatorio, el sector de salud digital tuvo un récord de $ 8.1 mil millones en inversiones en 2018.57 Sin embargo, no
existen modelos estándar sobre quién debe pagar por la tecnología de salud móvil que se recomienda o prescribe a los pacientes.59
En la investigación clínica, los ensayos clínicos descentralizados, están utilizando biomarcadores digitales como puntos finales y
reemplazando los procedimientos de estudio en persona conprocedimientos virtuales y móviles.52
Subyacente a estos desarrollos del mercado hay una pregunta persistente: ¿para qué sirve la salud móvil?
Los datos de seguimiento e informes son medios para un fin, no el fin en sí mismo. Alcanzando valor clínico,el objetivo final, puede
ocurrir mediante el uso de datos móviles de salud como ayudas cognitivas para los pacientesy los clínicos (ayudar a las personas a
comprender opensar en un problema), ayuda para la decisión para pacientesy clínicos (ayudar a las personas a decidir sobre una
acción), o ayudas motivacionales para la participación del paciente y activación.
Es necesaria más colaboración entre médicos, pacientes y tecnólogos para impulsar el desarrollo de tecnología de salud móvil
clínicamente útil e imaginar aplicaciones clínicamente útiles de sensores novedosos,sin dejar de ser conscientes de los posibles
daños.Los investigadores clínicos necesitan desarrollar nuevos enfoques de evaluación porque los estudios de años de duración se
adaptan mal al ritmo de cambio de la tecnología de salud móvil.
Finalmente, vendrán demostraciones más claras del valor clínico y comercial de la salud móvil cuando factores mucho más allá de la
tecnología en sí, como la integración en el flujo de trabajo clínico, el modelo de pago y los métodos de validación se aborden
conjuntamente con el desarrollo de sensores y software.
> Ética
La tremenda promesa de la salud móvil parala transformación de la atención clínica y la investigación se ve atenuada por las profundas
preocupaciones sobre el efecto de estas tecnologías en la equidad, privacidad y autonomía del paciente. Aunque esencialmente no hay
brecha digital según la raza en los Estados Unidos,67 la adopción de Internet y teléfonos inteligentes es menor en poblaciones de bajos
ingresos, discapacitados, ancianos y poblaciones rurales.
Además, los usuarios de Android, que cuentan para más de la mitad de los usuarios de teléfonos inteligentes de EE. UU.,68 tienen un
ingreso promedio menor que los usuarios de iOS.69 Como las instituciones de salud cada vez desarrollan más la presencia móvil con
aplicaciones de marca y otras iniciativas relacionadas con la experiencia digital del paciente, deben tener cuidado de no aumentar las
disparidades de salud, por ejemplo, ofreciendo servicios desiguales a usuarios de iOS y a usuarios de Android. Hay una brecha digital
aún más profunda. El uso de las tecnologías de salud móvil e Internet de las Cosas requiere habilidades de alfabetización digital.
A los pacientes esencialmente se les pide que instalen y mantengan sus propios dispositivos médicos y sean expertos en el manejo de su
propio diluvio de datos, una tarea difícil cuandola mayoría de los adultos estadounidenses se encuentran en los tres niveles más bajos
de seis niveles de competencia en alfabetización y aritmética70 y más del 60% se encuentra en los dos más bajos decuatro niveles de
competencia para resolver problemas en entornos ricos en tecnología (definidos como "usartecnología digital, herramientas de
comunicación y redes para adquirir y evaluar información, comunicarse con otros y realizar tareas prácticas”71).
Esta brecha se agrava aún más por la escasez de tecnologías móviles de salud en otros idiomas además del inglés. Con respecto a la
privacidad y a la autonomía, las amenazas potenciales son particularmente preocupantes. Las tecnologías móviles de salud estarán
cada vez más conectadas a la Internet de las Cosas, en el cual, como un "espejo unidireccional", 72 nuestros cuerpos virtuales y nuestro
comportamiento serán visibles a gran escala para propósitos para los cuales no hemos consentido directamente.
Cuando los datos personales de salud y los datos no médicos se unen en la nube, las empresas y los gobiernos pueden acceder a
biomarcadores fisiológicos para monitorear el estrés de los empleados en el lugar de trabajo o comercializadores pueden ofrecernos
solo ciertos productos en precios diferenciales basados en nuestro historial de salud.
Junto con algoritmos que no están en el dominio público,estos enfoques podrían reforzar o afianzar deliberadamente o
inadvertidamente los prejuicios existentes contra grupos desfavorecidos y el despliegue incauto de tecnología de salud móvil podría
potencialmente resultar en una pérdida de privacidad y autonomía que representa un daño neto para los pacientes.
Conclusiones
Las tecnologías móviles de salud están evolucionando de herramientas de monitoreo descriptivo al diagnóstico digital y a la terapéutica que sinergizan
el seguimiento con intervenciones conductuales y de otro tipo para afectar directamente los resultados de salud.
Los retos mayores incluyen el descubrimiento y la validación de biomarcadores digitales significativos, la regulación y el pago de tecnologías móviles de
salud, y su integración en la atención de primera línea. Se necesitan articulaciones más claras sobre cómo la tecnología de salud móvil puede afectar
concretamente los resultados clínicos, junto con evaluaciones más rigurosas de efectividad clínica.
Las tecnologías de salud móviles en red tienenel potencial de dañar. Las preocupaciones sobre la vigilancia digital no son exclusivas de la salud móvil,
80 pero los riesgos relacionados con la salud pueden reducirse mediante una mejor alfabetización digital entre pacientes, códigos éticos de conducta
para desarrolladores y reguladores de salud móvil, y transparencia y responsabilidad en la forma en que las organizaciones de atención médica adoptan
latecnología móvil de salud. El potencial transformador de la salud móvil obliga a los médicos a tomar un papel activo en asegurar que esta nueva
frontera sea segura, justa y para todos los pacientes.
Referencias bibliográ cas
Referencias
1. Pew Research Center Global AttitudesProject. Smartphone ownership is growingrapidly around the world, but not alwaysequally.
February 5, 2019 (https://www.pewresearch.org/global/2019/02/05/smartphone-ownership-is-growing-rapidly-around-the-world-
but-not-always-equally/).
2. Buttorff C, Ruder T, Bauman M. Multiple chronic conditions in the United States. Santa Monica, CA: RAND, 2017
(http://www.rand.org/pubs/tools/TL221.html).
3. Agency for Healthcare Research andQuality. Multiple chronic conditions chartbook. April 2014
(https://www.ahrq.gov/sites/default/files/wysiwyg/professionals/prevention-chronic-care/decision/mcc/mccchartbook.pdf).4.
Apple. Apple Watch Series
4 (https://www.apple.com/apple-watch-series-4/).
5. Goel M, Saba E, Stiber M, et al. SpiroCall: measuring lung function over a phonecall. In: Proceedings of the 2016 CHI Conference on
Human Factors in ComputingSystems — CHI ’16. Santa Clara, CA: ACMPress, 2016 (http://dl.acm.org/citation.cfm?
doid=2858036.2858401).
6. Coppetti T, Brauchlin A, Müggler S, etal. Accuracy of smartphone apps for heartrate measurement. Eur J Prev Cardiol 2017;24:1287-
93.
7. Statista. Wearable user penetrationrate in the United States, in 2017, by age(https://www.statista.com/statistics/739398/us-

wearable-penetration-by-age/).
8. Saleheen N, Ali AA, Hossain SM, et al.puffMarker: a multi-sensor approach forpinpointing the timing of first lapse insmoking
cessation. Proc ACM Int ConfUbiquitous Comput 2015;2015:999-1010.
9. Empatica. Embrace2 seizure detection (https://www.empatica.com/).
10. AliveCor. KardiaMobile (https://www.alivecor.com/).
11. MC10. BioStamp nPoint: wearablehealthcare technology & devices (https://www.mc10inc.com).
12. Gao J, Ertin E, Kumar S, al’Absi M.Contactless sensing of physiological signals using wideband RF probes. In: FortySeventh
Asilomar Conference on Signals,Systems & Computers, Pacific Grove, CA,November 3–6, 2013. Piscataway, NJ: Institute of Electrical
and Electronics Engineers, 2013:86-90.
13. Gonçalves C, Ferreira da Silva A,Gomes J, Simoes R. Wearable e-textiletechnologies: a review on sensors, actuators and control
elements. Inventions2018;3:
14 (https://www.mdpi.com/2411-5134/3/1/14).14. McLaren R, Joseph F, Baguley C, Taylor D. A review of e-textiles in neurological

rehabilitation: how close are we?J Neuroeng Rehabil 2016;13:59 .
15. Hafezi H, Robertson TL, Moon GD,Au-Yeung KY, Zdeblick MJ, Savage GM. Aningestible sensor for measuring medication
adherence. IEEE Trans Biomed Eng2015;62:99-109.
16. Majumder S, Aghayi E, Noferesti M, etal. Smart homes for elderly healthcare —recent advances and research challenges.Sensors
(Basel) 2017;
17(11):E2496.17. Array of Things. Introductory video(https://arrayofthings.github.io/).
18. Shiffman S, Stone AA, Hufford MR.Ecological momentary assessment. AnnuRev Clin Psychol 2008;4:1-32.
19. May M, Junghaenel DU, Ono M, StoneAA, Schneider S. Ecological momentaryassessment methodology in chronic painresearch: a
systematic review. J Pain 2018;19:699-716.
20. Walz LC, Nauta MH, Aan Het Rot M.Experience sampling and ecological momentary assessment for studying the dailylives of
patients with anxiety disorders:a systematic review. J Anxiety Disord2014;28:925-37.
21. Shiffman S. Ecological momentaryassessment. In: Sher KJ, ed. The Oxfordhandbook of substance use and substanceuse disorders.
Vol. 2. New York: Oxford University Press, October 2016:466-512.
22. Brooks GC, Vittinghoff E, Iyer S, et al.Accuracy and usability of a self-administered 6-minute walk test smartphoneapplication. Circ
Heart Fail 2015;8:905-13.
23. Singh S, Xu W. Robust detection ofParkinson’s disease using harvestedsmartphone voice data: a telemedicine approach. Telemed J
E Health 2019 April 26(Epub ahead of print).
24. Moore RC, Swendsen J, Depp CA. Applications for self-administered mobilecognitive assessments in clinical research: a systematic
review. Int J MethodsPsychiatr Res 2017;26(4):e1562.
25. Coravos A, Khozin S, Mandl KD. Developing and adopting safe and effectivedigital biomarkers to improve patient outcomes. NPJ
Digit Med 2019;2(1):14.
26.. Noah B, Keller MS, Mosadeghi S, etal. Impact of remote patient monitoringon clinical outcomes: an updated metaanalysis of
randomized controlled trials.NPJ Digit Med 2018;1:20172.
27. Luik AI, Kyle SD, Espie CA. Digital cognitive behavioral therapy (dCBT) forinsomnia: a state-of-the-science review.Curr Sleep Med
Rep 2017;3:48-56.
28. Pear Therapeutics. Redefining medicine: prescription digital therapeutics forthe treatment of serious disease
(https://peartherapeutics.com/).
29. Akili Interactive. Akili achieves primary efficacy endpoint in pediatricADHD pivotal trial. December 4,
2017(https://www.akiliinteractive.com/news-collection/akili-achieves-primary-efficacy-endpoint-in-pediatric-adhd-pivotal-trial).
30. Omada Health. Digital therapeutics for chronic disease (https://www.omadahealth.com/).
31. Barrett MA, Humblet O, Marcus JE, etal. Effect of a mobile health, sensor-driven asthma management platform onasthma control.
Ann Allergy Asthma Immunol 2017;119(5):415.e1-421.e1.
32. Pourmand A, Davis S, Marchak A,Whiteside T, Sikka N. Virtual reality as aclinical tool for pain management. CurrPain Headache
Rep 2018;22:53.
33. Freespira. A solution for panic attacktreatment: FDA-cleared, drug-free (https://freespira.com/).
34. FDA clears mobile medical app tohelp those with opioid use disorder stayin recovery programs. News release of theFood and Drug
Administration, SilverSpring, MD, December 10, 2018 (http://www.fda.gov/news-events/press-announcements/fda-clears-mobile-
medical-app-help-those-opioid-use-disorder-stay-recovery-programs).
35. Teva announces FDA approval of firstand only digital inhaler with built-in sensors — ProAir Digihaler (albuterol sulfate117 mcg)
inhalation powder. Press releaseof Teva Pharmaceutical Industries, PetahTikva, Israel, December 21, 2018
(https://ir.tevapharm.com/investors/press-releases/press-release-details/2018/Teva-Announces-FDA-Approval-of-First-and-Only-
Digital-Inhaler-with-Built-In-Sensors--ProAir-Digihaler-albuterol-sulfate-117-mcg-Inhalation-Powder/default.aspx).
36. Sheridan K. Prescription apps aregaining ground — and drug makers’backing — as digital therapeutics. Boston: STAT, July 25,
2018 (https://www.statnews.com/2018/07/25/phone-apps-digital-therapeutics/).
37. Rovini E, Maremmani C, Cavallo F.How wearable sensors can support Parkinson’s disease diagnosis and treatment:a systematic
review. Front Neurosci 2017;11:555.
38. Vargas-Cuentas NI, Roman-GonzalezA, Gilman RH, et al. Developing an eyetracking algorithm as a potential tool forearly
diagnosis of autism spectrum disorder in children. PLoS One 2017;12(11):e0188826.
39. He L, Cao C. Automated depressionanalysis using convolutional neural networks from speech. J Biomed Inform2018;83:103-11.
40. Simblett S, Greer B, Matcham F, et al.Barriers to and facilitators of engagementwith remote measurement technology formanaging
health: systematic review andcontent analysis of findings. J Med Internet Res 2018;20(7):e10480.
41. Inside wearables: how the science ofhuman behavior change offers the secretto long-term. Endeavour Partners,
2017(https://medium.com/@endeavourprtnrs/inside-wearable-how-the-science-of-human-behavior-change-offers-the-secret-to-
long-term-engagement-a15b3c7d4cf3).
42. Whitney RL, Ward DH, Marois MT,Schmid CH, Sim I, Kravitz RL. Patientperceptions of their own data in mHealthtechnology-
enabled N-of-1 trials forchronic pain: qualitative study. JMIRMhealth Uhealth 2018;6(10):e10291.
43. Research 2 Guidance. mHealth economics — how mHealth publishers aremonetizing their apps. 2018
(https://research2guidance.com/product/mhealth-economics-how-mhealth-app-publishers-are-monetizing-their-apps/).
44. HealthIT.gov. Notice of proposedrulemaking to improve the interoperability of health information. 2019
(https://www.healthit.gov/topic/laws-regulation-and-policy/notice-proposed-rulemaking-improve-interoperability-health).
45. Mandel JC, Kreda DA, Mandl KD, Kohane IS, Ramoni RB. SMART on FHIR:a standards-based, interoperable appsplatform for
electronic health records.J Am Med Inform Assoc 2016;23:899-908.
46. Milani RV, Bober RM, Lavie CJ. Therole of technology in chronic disease care.Prog Cardiovasc Dis 2016;58:579-83.
47. Adler-Milstein J, Nong P. Early experiences with patient generated health data:health system and patient perspectives.J Am Med
Inform Assoc 2019 April 22(Epub ahead of print).
48. FDA Center for Devices and Radiological Health. 510(k) Clearances. October2018
(https://www.fda.gov/MedicalDevices/ProductsandMedicalProcedures/DeviceApprovalsandClearances/510kClearances/default.htm).
49. FDA Center for Devices and Radiological Health. Digital health software precertification (Pre-Cert) program. October2018
(https://www.fda.gov/medicaldevices/digitalhealth/digitalhealthprecertprogram/default.htm).
50. Wen D, Zhang X, Liu X, Lei J. Evaluating the consistency of current mainstreamwearable devices in health monitoring:a
comparison under free-living conditions.J Med Internet Res 2017;19(3):e68.
51. Perry B, Herrington W, Goldsack JC,et al. Use of mobile devices to measureoutcomes in clinical research, 2010-2016:a systematic
literature review. Digit Biomark 2018;2:11-30.
52. Open mHealth. Open source data integration tools (http://www.openmhealth.org).
53. Sage Bionetworks. Parkinson’s disease digital biomarker DREAM challenge.2017

(https://www.synapse.org/#!Synapse:syn8717496/wiki/422884).
54. Express Scripts. Express Scripts simplifies digital health technology marketplace for consumers and payers. May 16,2019
(https://www.prnewswire.com/news-releases/express-scripts-simplifies-digital-health-technology-marketplace-for-consumers-and-
payers-300851128.html).
55. Xcertia. mHealth app guidelines(https://www.xcertia.org/).
56. NODE.Health home page (http://nodehealth.org/).
57. Day S, Zweig M. 2018 Year end funding report: is digital health in a bubble?Rock Health, 2019
(https://rockhealth.com/reports/2018-year-end-funding-report-is-digital-health-in-a-bubble/).
58. Centers for Medicare & Medicaid Services. Medicare program: revisions topayment policies under the physician feeschedule and
other revisions to Part B forCY 2018: Medicare Shared Savings Program requirements: and Medicare Diabetes Prevention Program.
Fed Regist 2017;82(219):52976 (https://www.federalregister.gov/documents/2017/11/15/2017-23953/medicare-program-revisions-

to-payment-policies-under-the-physician-fee-schedule-and-other-revisions).
59. Richman B. Health regulation for thedigital age — correcting the mismatch.N Engl J Med 2018;379:1694-5.
60. Clinical Trials Transformation Initiative. CTTI recommendations: decentralizedclinical trials. 2018 (https://www.ctti-
clinicaltrials.org/sites/www.ctti-clinicaltrials.org/files/dct_recommendations_final.pdf).
61. ResearchKit. Introducing ResearchKit(http://researchkit.org/).
62. ResearchStack: an SDK for buildingresearch study apps on Android (http://researchstack.org/).
63. Tidepool. The place for your diabetes data (https://www.tidepool.org/users).
64. Rosenbaum L. Swallowing a spy —the potential uses of digital adherencemonitoring. N Engl J Med 2018;378:101-3.
65. Baron KG, Abbott S, Jao N, Manalo N,Mullen R. Orthosomnia: are some patients taking the quantified self too far?J Clin Sleep
Med 2017;13:351-4.
66. Korinek EV, Phatak SS, Martin CA, etal. Adaptive step goals and rewards: a longitudinal growth model of daily steps fora
smartphone-based walking intervention. J Behav Med 2018;41:74-86.
67. Rainie L. Digital divides — feedingAmerica. Washington, DC: Pew ResearchCenter, February 9, 2017
(http://www.pewinternet.org/2017/02/09/digital-divides-feeding-america/).
68. StatCounter. Mobile operating systemmarket share in United States of America:June 2018-June 2019. Global Stats.
2019(http://gs.statcounter.com/os-market-share/mobile/united-states-of-america).
69. Comscore. iPhone users earn higherincome, engage more on apps than Android users. August 14, 2014
(http://www.comscore.com/Insights/Infographics/iPhone-Users-Earn-Higher-Income-Engage-More-on-Apps-than-Android-Users).
70. Centers for Disease Control and Prevention. Health Literacy: understanding literacy & numeracy. 2018
(https://www.cdc.gov/healthliteracy/learn/UnderstandingLiteracy.html).
71. Rampey BD, Finnegan R, GoodmanM, et al. Skills of U.S. unemployed, young,and older adults in sharper focus: resultsfrom the
Program for the International Assessment of Adult Competencies (PIAAC)2012/2014: first look (NCES 2016-039rev).Washington, DC:
Department of Education, March 2016 (https://nces.ed.gov/pubs2016/2016039rev.pdf).
72. Pasquale F. The black box society: thesecret algorithms that control money andinformation. Cambridge, MA: HarvardUniversity
Press, 2015.
73. Consumer Reports. Guide to digitalsecurity & privacy. 2019 (https://www.consumerreports.org/digital-security/online-security-

and-privacy-guide/).
74. Hill D. Project HealthDesign: rethinking the power and potential of personalhealth records. Princeton, NJ: RobertWood Johnson
Foundation, 2015 (https://www.rwjf.org/en/library/research/2010/10/project-healthdesign--rethinking-the-power-and-potential-of-
pers.html).
75. Toscos T, Drouin M, Pater J, FlanaganM, Pfafman R, Mirro MJ. Selection biasesin technology-based intervention research:patients’
technology use relates to bothdemographic and health-related inequities. J Am Med Inform Assoc 2019 June 7(Epub ahead of print).
76. Kumar S, Nilsen WJ, Abernethy A, etal. Mobile health technology evaluation:the mHealth evidence workshop. Am JPrev Med
2013;45:228-36.
77. Zhang X, Hailu B, Tabor DC, et al.Role of health information technology inaddressing health disparities: patient, clinician, and
system perspectives. Med Care2019;57:Suppl 2:S115-S120.
78. Sheon AR, Van Winkle B, Solad Y,Atreja A. An algorithm for digital medicine testing: a NODE.Health perspectiveintended to help
emerging technologycompanies and healthcare systems navigate the trial and testing period prior tofull-scale adoption. Digit Biomark
2018;2:139-54.
79. Makhni S, Atreja A, Sheon A, VanWinkle B, Sharp J, Carpenter N. The broken health information technology innovation pipeline: a
perspective from theNODE health consortium. Digit Biomark2017;1:64-72 (https://www.karger.com/Article/FullText/479017).
80. Pauwels E, Denton SW. Searching forprivacy in the Internet of Bodies. WilsonQuarterly. Spring 2018
(https://www.wilsonquarterly.com/quarterly/living-with-artificial-intelligence/searching-for-privacy-in-the-internet-of-bodies/).

IntraMed - Tecnología - Dispositivos Móviles y Salud

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

IntraMed - Tecnología - Dispositivos Móviles y Salud

Transféré par

Droits d'auteur :

Formats disponibles

6/11/2019 IntraMed - Tecnología - Dispositivos móviles y salud

> Sensores pasivos

De los sensores pasivos, el teléfono inteligente es el más ubicuo.

> Detección activa

> Evaluaciones funcionales

Terapias y diagnósticos digitales

Integración con la atención clínica

> Validación y regulación

> Crecimiento del mercado y valor clínico

Referencias bibliográ cas

7. Statista. Wearable user penetrationrate in the United States, in 2017, by age(https://www.statista.com/statistics/739398/us-

9. Empatica. Embrace2 seizure detection (https://www.empatica.com/).

10. AliveCor. KardiaMobile (https://www.alivecor.com/).

11. MC10. BioStamp nPoint: wearablehealthcare technology & devices (https://www.mc10inc.com).

14 (https://www.mdpi.com/2411-5134/3/1/14).14. McLaren R, Joseph F, Baguley C, Taylor D. A review of e-textiles in neurological

17(11):E2496.17. Array of Things. Introductory video(https://arrayofthings.github.io/).

30. Omada Health. Digital therapeutics for chronic disease (https://www.omadahealth.com/).

33. Freespira. A solution for panic attacktreatment: FDA-cleared, drug-free (https://freespira.com/).

52. Open mHealth. Open source data integration tools (http://www.openmhealth.org).

53. Sage Bionetworks. Parkinson’s disease digital biomarker DREAM challenge.2017

55. Xcertia. mHealth app guidelines(https://www.xcertia.org/).

56. NODE.Health home page (http://nodehealth.org/).

Fed Regist 2017;82(219):52976 (https://www.federalregister.gov/documents/2017/11/15/2017-23953/medicare-program-revisions-

61. ResearchKit. Introducing ResearchKit(http://researchkit.org/).

62. ResearchStack: an SDK for buildingresearch study apps on Android (http://researchstack.org/).

63. Tidepool. The place for your diabetes data (https://www.tidepool.org/users).

73. Consumer Reports. Guide to digitalsecurity & privacy. 2019 (https://www.consumerreports.org/digital-security/online-security-

Vous aimerez peut-être aussi