Biomarcadores digitales para monitorizar síntomas psiquiátricos

AUTORES

1. Alicia Bautista Benito. Enfermera Especialista en Salud Mental. Aragón, España.
2. Alejandro Sainz Méndez. Enfermero. Aragón, España.
3. Laura Zalduendo Ferrer. Enfermera. Aragón, España.
4. Leyre Valiente Molero. Enfermera Especialista en Salud Mental. Aragón, España.
5. Cristina Susin Blasco. Enfermera Especialista en Salud Mental. Aragón, España.
6. María Ángeles Gálvez Mateo. Enfermera Especialista en Salud Mental. Aragón, España.

RESUMEN

Introducción: Los biomarcadores digitales obtenidos mediante wearables permiten monitorizar de forma continua variables fisiológicas y conductuales relacionadas con síntomas psiquiátricos, como sueño, actividad motora y frecuencia cardiaca.

Objetivo: Sintetizar la evidencia sobre su utilidad para monitorizar síntomas psiquiátricos.

Metodología: Revisión sistemática con síntesis narrativa basada en PRISMA 2020, con literatura indexada en PubMed basada en las palabras claves.

Resultados: Los wearables captan variables clínicamente relevantes, especialmente sueño, actividad física, ritmo circadiano, frecuencia cardiaca y variabilidad de la frecuencia cardiaca. Los hallazgos más consistentes relacionan menor actividad, alteraciones del sueño e irregularidad circadiana con peor estado clínico en depresión, trastorno bipolar y trastornos psicóticos. También muestran potencial para predecir recaídas y seguir la evolución de los síntomas.

Conclusión: Los wearables son prometedores como complemento de la evaluación psiquiátrica, sobre todo para monitorización longitudinal y detección precoz de cambios clínicos, pero aún requieren mayor validación.

PALABRAS CLAVE

Dispositivos electrónicos vestibles, trastornos mentales, biomarcadores, salud digital.

ABSTRACT

Introduction: Digital biomarkers from wearables offer continuous monitoring of physiological and behavioural variables linked to psychiatric symptoms, such as sleep, motor activity, and heart rate.

Objective: To synthesise evidence on their usefulness for monitoring psychiatric symptoms.

Methods: Systematic review with narrative synthesis based on PRISMA 2020, using PubMed-indexed literature based on keywords.

Results: Wearables capture clinically relevant variables, especially sleep, physical activity, circadian rhythm, heart rate, and heart rate variability. Consistent findings link lower activity, sleep disturbance, and circadian irregularity with poorer clinical status. They also show promise for relapse prediction and longitudinal symptom tracking.

Conclusion: Wearables are promising tools to complement psychiatric assessment, particularly for longitudinal monitoring and early detection of clinical changes, but stronger validation is still needed.

KEY WORDS

Wearable electronic devices, mental disorders, biomarkers, digital health.

INTRODUCCIÓN

El interés por los biomarcadores digitales en salud mental ha crecido de forma notable en los últimos años. Sin embargo, el propio término sigue siendo objeto de debate. Un mapeo sistemático de la literatura biomédica identificó 415 artículos que utilizaban la expresión “digital biomarker”, de los cuales el 69% no ofrecían definición y, entre los que sí la proporcionaban, existían 127 definiciones distintas. En psiquiatría, además, algunos autores proponen restringir el término a medidas biológicas con una vía plausible hacia la condición mental estudiada, y no aplicarlo de manera indiscriminada a cualquier señal digital o conductual^1,2.

Aun con esa ambigüedad conceptual, los wearables ofrecen una ventaja clara frente a la evaluación clínica puntual: permiten registrar datos continuos, en contextos cotidianos y durante periodos prolongados. Esa monitorización ecológica puede captar variabilidad intraindividual del sueño, la actividad, el ritmo circadiano y parámetros fisiológicos que una consulta aislada difícilmente detecta^3,4.

La literatura disponible sitúa como señales más utilizadas la acelerometría, el número de pasos, el sueño, la frecuencia cardiaca, la variabilidad de la frecuencia cardiaca, la temperatura cutánea y, en algunos dispositivos, la actividad electrodérmica. Una revisión sistemática reciente identificó un “núcleo” de variables repetidamente útiles en trastornos del estado de ánimo: acelerómetro, pasos, frecuencia cardiaca y sueño, aunque con diferencias relevantes según el tipo de dispositivo empleado^4-6.

OBJETIVO

Sintetizar la evidencia disponible sobre la utilidad de los biomarcadores digitales obtenidos mediante wearables para monitorizar síntomas psiquiátricos, con especial atención a las variables fisiológicas y conductuales más empleadas, sus posibles aplicaciones clínicas y sus principales limitaciones metodológicas.

METODOLOGÍA

Se plantea una revisión sistemática con síntesis narrativa siguiendo la declaración PRISMA 2020. La pregunta de revisión se orienta a pacientes con trastornos mentales o síntomas psiquiátricos monitorizados mediante wearables, evaluando su utilidad para identificar gravedad sintomática, cambios longitudinales, riesgo de recaída o diferencias entre grupos clínicos y controles. Se priorizó evidencia en PubMed, incluyendo revisiones sistemáticas, revisiones de alcance y estudios clínicos observacionales o prospectivos sobre depresión, trastorno bipolar, psicosis, ansiedad y salud mental en general.

La estrategia de búsqueda, reproducible en bases como PubMed, Embase, PsycINFO y Scopus, puede estructurarse con términos DeCS/MeSH y texto libre como “Wearable Electronic Devices”, “Mental Disorders”, “Biomarkers”, “Digital Health”, “Monitoring, Ambulatory”, “digital phenotyping”, “heart rate variability”, “actigraphy”, “sleep”, “psychosis”, “bipolar disorder” y “depression”. Dada la heterogeneidad de dispositivos, variables y modelos analíticos, la síntesis de resultados se realizó de forma narrativa y por dominios clínicos.

RESULTADOS

La evidencia agregada coincide en que los wearables permiten monitorizar aspectos relevantes del funcionamiento mental, pero lo hacen a través de proxies fisiológicos y conductuales, no mediante marcadores diagnósticos directos. Las revisiones más amplias describen una evolución rápida del campo y destacan que los sensores portátiles recogen sobre todo parámetros cardíacos, respiratorios, movimiento, sueño y, en algunos casos, biomarcadores bioquímicos o actividad electrodérmica. En conjunto, la monitorización parece técnicamente factible y clínicamente prometedora, especialmente para estrés, ansiedad, depresión y trastornos del estado de ánimo^3-5.

En trastornos del estado de ánimo, el sueño y la actividad son las dimensiones más sólidamente relacionadas con la clínica. La revisión de Hickman et al. mostró relaciones bidireccionales entre sueño y afecto en estudios prospectivos y ambulatorios, aunque más robustas cuando el sueño se mide de forma subjetiva que por actigrafía. De forma complementaria, la revisión de Jung et al. identificó como paquete central de variables en depresión y ansiedad el acelerómetro, los pasos, la frecuencia cardiaca y el sueño, con oportunidades adicionales para temperatura cutánea, GPS y actividad electrodérmica según el dispositivo^7,8.

En depresión, los datos longitudinales también son prometedores. En un estudio observacional con 188 participantes con episodio depresivo mayor, bipolaridad o trastorno límite de la personalidad y controles sanos, Aledavood et al. combinaron sensores de cama, actigrafía, smartphone y cuestionarios diarios. Hallaron menor variabilidad espacial y patrones de comunicación diferentes en pacientes, así como asociaciones entre algunas variables pasivas y la gravedad depresiva. No obstante, la permanencia en el estudio a un año fue limitada, lo que subraya uno de los principales retos del campo: la adherencia prolongada⁹.

En trastorno bipolar, los wearables han mostrado especial interés para la monitorización de ritmos circadianos y variabilidad del estado de ánimo. Carr et al. encontraron asociaciones convincentes entre la variabilidad del humor subjetivo y la variabilidad objetiva de señales diurnas como frecuencia cardiaca y acelerometría en pacientes con trastorno bipolar y trastorno límite. En población infantojuvenil, Faedda et al. observaron que medidas objetivas de sueño, hiperactividad y ritmo circadiano diferenciaban el trastorno bipolar pediátrico frente a TDAH y controles, con una exactitud media del 83,1% en su modelo predictivo^8,10.

En psicosis y trastorno mental grave, los resultados son alentadores, pero todavía muy heterogéneos. La revisión sistemática de Benoit et al. encontró 51 estudios de fenotipado digital pasivo en esquizofrenia y bipolaridad, con gran variabilidad en características extraídas, preprocesamiento y algoritmos. Más recientemente, Hassan et al. revisaron 23 estudios con dispositivos de consumo en personas con esquizofrenia o trastorno bipolar y encontraron cierta evidencia de que niveles más bajos de actividad, frecuencias cardíacas más altas y horarios de sueño más tardíos e irregulares se asocian con peor estado psiquiátrico. Sin embargo, la interpretación sigue limitada por la heterogeneidad de dispositivos y métricas^11,12.

La aplicación de predicción de recaídas constituye uno de los usos más atractivos. El sistema e-Prevention combinó smartwatch, vídeo y aprendizaje automático para detectar y predecir recaídas en trastornos psicóticos, con resultados iniciales prometedores. Aun así, este tipo de trabajos sigue siendo más demostrativo que confirmatorio, y todavía no existe una implantación clínica generalizable basada en algoritmos robustamente validados¹³.

Las revisiones metodológicas más recientes coinciden en las mismas limitaciones. Shen et al. incluyeron 42 estudios con aprendizaje automático y monitorización pasiva mediante wearables o smartphones y observaron predominio de cohortes pequeñas, monitorizaciones breves y validación externa casi inexistente. Kargarandehkordi et al. identificaron problemas similares en 48 estudios de biosensores y modelos de inteligencia artificial: falta de validez ecológica, heterogeneidad de datos, tamaño muestral reducido y dificultades prácticas como consumo de batería. En otras palabras, la promesa tecnológica es real, pero la evidencia clínica aún no está suficientemente consolidada^7,14.

DISCUSIÓN

Los resultados sugieren que los wearables pueden aportar valor clínico en psiquiatría sobre todo como instrumentos de seguimiento longitudinal y detección precoz de cambios, más que como herramientas diagnósticas autónomas. Su principal fortaleza es que convierten el comportamiento cotidiano y la fisiología periférica en series temporales objetivas, algo especialmente relevante en trastornos fluctuantes como la depresión, el trastorno bipolar o la psicosis^3,9,11,12.

No obstante, conviene evitar una lectura excesivamente optimista. Primero, porque la terminología sigue siendo inestable y no todo dato digital debe considerarse un biomarcador en sentido estricto. Segundo, porque muchas asociaciones detectadas se apoyan en proxies indirectos, como pasos, actividad o sueño, cuya relación con la vivencia subjetiva no siempre es lineal. Tercero, porque los estudios suelen ser pequeños, de corta duración y con pobre estandarización analítica, lo que dificulta la comparación entre trabajos y la traslación clínica^1,2,7,13,15.

También deben considerarse aspectos éticos y experienciales. En pacientes con trastorno bipolar, el monitoreo remoto se ha asociado a mayor conciencia de enfermedad y cambios conductuales, pero también a preocupaciones por vigilancia, personalización insuficiente o posible incremento de la preocupación por los síntomas. Esto indica que la aceptabilidad no depende solo de la precisión técnica, sino también del significado subjetivo que el paciente atribuye al seguimiento continuo¹⁶.

CONCLUSIÓN

En conclusión, los biomarcadores digitales obtenidos mediante wearables representan una línea prometedora para la psiquiatría de precisión. La evidencia actual respalda especialmente el valor del sueño, la actividad, el ritmo circadiano, la frecuencia cardiaca y la variabilidad cardiaca para monitorizar cambios sintomáticos. Sin embargo, la utilidad clínica sigue siendo complementaria, no sustitutiva, y requiere una agenda de investigación centrada en definiciones más rigurosas, validación externa, seguimiento prolongado, comparabilidad entre dispositivos y evaluación ética de su implementación asistencial.

BIBLIOGRAFÍA

1. Alonso AKM, Hirt J, Woelfle T, Janiaud P, Hemkens LG. Definitions of digital biomarkers: a systematic mapping of the biomedical literature. BMJ Health Care Inform. 2024,31(1):e100914. doi:10.1136/bmjhci-2023-100914.
2. Mulinari S. Aligning digital biomarker definitions in psychiatry with the National Institute of Mental Health Research Domain Criteria framework. NPP Digit Psychiatry Neurosci. 2024,2(1):15. doi:10.1038/s44277-024-00017-6.
3. McGinnis EW, Cherian J, McGinnis RS. The state of digital biomarkers in mental health. Digit Biomark. 2024,8(1):210-217. doi:10.1159/000542320.
4. Kang M, Chai K. Wearable sensing systems for monitoring mental health. Sensors (Basel). 2022,22(3):994. doi:10.3390/s22030994.
5. Gomes N, Pato M, Lourenço AR, Datia N. A survey on wearable sensors for mental health monitoring. Sensors (Basel). 2023,23(3):1330. doi:10.3390/s23031330.
6. Jung HW, Kim DY, Lee I, Kim O, Lee S, Lee S, et al. Key features of digital phenotyping for monitoring mental disorders: systematic review. J Med Internet Res. 2025,27:e77331. doi:10.2196/77331.
7. Kargarandehkordi A, Lin A, Lee J, Lin YS, Concha-Garcia S, Dey AK, et al. Fusing wearable biosensors with artificial intelligence for mental health monitoring: a systematic review. Biosensors (Basel). 2025,15(4):202. doi:10.3390/bios15040202.
8. Carr O, Saunders KEA, Tsanas A, Bilderbeck AC, Palmius N, Geddes JR, et al. Variability in phase and amplitude of diurnal rhythms is related to variation of mood in bipolar and borderline personality disorder. Sci Rep. 2018,8(1):1649. doi:10.1038/s41598-018-19888-9.
9. Aledavood T, Luong N, Baryshnikov I, Martikkala A, Isometsä E, Suvisaari J, et al. Multimodal digital phenotyping study in patients with major depressive episodes and healthy controls (Mobile Monitoring of Mood): observational longitudinal study. JMIR Ment Health. 2025,12:e63622. doi:10.2196/63622.
10. Faedda GL, Ohashi K, Hernandez M, McGreenery CE, Grant MC, Baroni A, et al. Actigraph measures discriminate pediatric bipolar disorder from attention-deficit/hyperactivity disorder and typically developing controls. J Child Psychol Psychiatry. 2016,57(6):706-716. doi:10.1111/jcpp.12520.
11. Benoit J, Onyeaka H, Keshavan M, Torous J. Systematic review of digital phenotyping and machine learning in psychosis spectrum illnesses. Harv Rev Psychiatry. 2020,28(5):296-304. doi:10.1097/HRP.0000000000000268.
12. Hassan L, Milton A, Sawyer C, Casson AJ, Torous J, Davies A, et al. Utility of consumer-grade wearable devices for inferring physical and mental health outcomes in severe mental illness: systematic review. JMIR Ment Health. 2025,12:e65143. doi:10.2196/65143.
13. Zlatintsi A, Filntisis PP, Garoufis C, Efthymiou N, Maragos P, Menychtas A, et al. E-Prevention: advanced support system for monitoring and relapse prevention in patients with psychotic disorders analyzing long-term multimodal data from wearables and video captures. Sensors (Basel). 2022,22(19):7544. doi:10.3390/s22197544.
14. Shen SY, Qi W, Zeng J, Li S, Liu X, Zhu X, et al. Passive sensing for mental health monitoring using machine learning with wearables and smartphones: scoping review. J Med Internet Res. 2025,27:e77066. doi:10.2196/77066.
15. Guillodo E, Lemey C, Simonnet M, Walter M, Baca-García E, Masetti V, et al. Clinical applications of mobile health wearable-based sleep monitoring: systematic review. JMIR Mhealth Uhealth. 2020,8(4):e10733. doi:10.2196/10733.
16. Saunders KEA, Bilderbeck AC, Panchal P, Atkinson LZ, Geddes JR, Goodwin GM. Experiences of remote mood and activity monitoring in bipolar disorder: a qualitative study. Eur Psychiatry. 2017,41:115-121. doi:10.1016/j.eurpsy.2016.11.005.
17. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. Syst Rev. 2021,10(1):89. doi:10.1186/s13643-021-01626-4.