Validez de tres relojes inteligentes sobre la estimación del gasto energético durante la marcha y la carrera al aire libre

La tecnología portátil se ha clasificado como la principal tendencia de fitness durante varios años (Thompson, 2021) y en 2021 los envíos mundiales de dispositivos portátiles alcanzaron los 533.6 millones de unidades (Laricchia, 2022). Entre estos, los dispositivos de muñeca son los más comunes y son capaces de monitorear una gran variedad de parámetros vitales, incluidos los pasos dados, la distancia recorrida, la frecuencia cardíaca y el gasto de energía (EE) con una variedad de sensores. Dada su conveniencia, los datos proporcionados por los dispositivos portátiles a menudo se utilizan para monitorear y/o modificar comportamientos de salud tanto para el autocontrol como en entornos de atención médica e investigación (Lyons y cols., 2014). El uso de los dispositivos generalmente se fomenta mediante afirmaciones de marketing establecidas por los fabricantes, mientras que normalmente faltan datos reales sobre la validez de los dispositivos (Evenson y cols., 2015).

La estimación del EE mediante dispositivos portátiles de muñeca parece conveniente, considerando la relación lineal de la frecuencia cardíaca y/o la actividad física con el intercambio gaseoso. En consecuencia, se han realizado numerosos estudios de validación de las estimaciones de EE, pero arrojaron resultados heterogéneos (O'driscoll y cols., 2020; Argent y cols., 2022). En general, parece que los dispositivos de muñeca o de brazo disponibles comercialmente no mostraron una precisión suficiente, mientras que se observaron grandes diferencias entre los dispositivos (O'driscoll y cols., 2020).

Las diferencias en la precisión de los distintos dispositivos pueden depender de varios factores. Lo que es más importante, la precisión de los parámetros de entrada (input), como la precisión de la frecuencia cardíaca de los sensores de fotopletismografía (PPG), afecta las estimaciones del EE (O'driscoll y cols., 2020; Argent y cols., 2022). En este contexto, parece que la precisión de la estimación del EE puede variar con el tipo y la intensidad de las actividades (O'driscoll y cols., 2020). Si bien esto puede estar relacionado con el movimiento que afecta la precisión de la señal PPG, el error observado para diferentes tipos de actividades también puede estar relacionado con los algoritmos que probablemente no toman en cuenta el tipo de actividad física o la postura corporal (Schneller y cols., 2015). Varios estudios encontraron que los ajustes del algoritmo pueden mejorar la validez de la estimación del EE durante el ejercicio (Jakicic y cols., 2004; Van Hoye y cols., 2015). Además, la adición de sensores de frecuencia cardíaca o calor al acelerómetro puede mejorar la precisión de las estimaciones del EE en comparación con la acelerometría sola (O'driscoll y cols., 2020; Kinnunen y cols., 2019).

Para la validación exhaustiva de las estimaciones del EE, se deben considerar una serie de factores. Entre las variables más importantes parece estar el uso previsto del dispositivo, es decir, validar las estimaciones del EE en entornos que representen un uso real por parte de los consumidores (Argent y cols., 2022).

Recordemos que se deben usar sensores específicos para actividades específicas. En este sentido, las actividades al aire libre pueden estar respaldadas por la señal GPS, mientras que las actividades en interiores pueden depender únicamente de la acelerometría, lo que probablemente comprometa la precisión (Charlot y cols., 2014). Por lo tanto, recientemente Moritz Schumann, de la German Sport University (Alemania) junto a un grupo de investigadores chinos, llevo a cabo un estudio al respecto cuyo objetivo fue examinar la precisión de las estimaciones del EE de tres nuevas generaciones de relojes inteligentes de los principales fabricantes, a saber, Apple Watch Series 6 (AW), Garmin Fenix 6 (GF) y Huawei GT 2e (HW) durante una caminata y carrera al aire libre en adultos jóvenes chinos.

Veinte adultos chinos jóvenes de peso normal usaron simultáneamente tres dispositivos colocados aleatoriamente en ambas muñecas mientras caminaban a 6 km/h y corrían a 10 km/h durante 2 km en una pista de 400 metros. Como criterio se evaluó el EE por calorimetría indirecta (COSMED K5).

Para caminar, el EE de AW y GF fue significativamente mayor que el obtenido por el K5 (p <0.001 y 0.002, respectivamente), pero no para HW (p = 0.491). El error porcentual absoluto medio (MAPE) fue del 19.8% para AW, del 32.0% para GF y del 9.9% para HW, respectivamente. Los límites de concordancia (LoA) fueron 44.1, 150.1 y 48.6 kcal para AW, GF y HW, respectivamente. El coeficiente de correlación intraclase (CCI) fue de 0.821, 0.216 y 0.760 para AW, GF y HW, respectivamente. Para la carrera, el EE de AW y de GF fueron significativamente más altos que K5 (p <0.001 y 0.001, respectivamente), pero no para HW (p = 0.946). El MAPE fue de 24.4%, 21.8% y 11.9% para AW, GF y HW, respectivamente. Los LoA fueron 62.8, 89.4 y 65.6 kcal para AW, GF y HW, respectivamente. El ICC fue 0.741, 0.594 y 0.698 para AW, GF y HW, respectivamente.

Los resultados indican que los relojes inteligentes probados muestran una validez moderada en las estimaciones del EE para caminar y correr al aire libre.