Diagnostrum

Simple Mobile Health

Artículo propone áreas a cubrir para aumentar evidencia en mHealth

Posted by on Ago 2, 2013 | 0 comments

Artículo propone áreas a cubrir para aumentar evidencia en mHealth

El llamado a considerar la investigación a través del campo mHealth ha sido central para la comunidad científica. Así lo resalté hace unos meses en la reseña de un artículo que enfatizaba el incrementar la investigación con el propósito de atender asuntos de confiabilidad, eficiencia y efectividad. No obstante, el campo mHealth ha comenzado a atender retos importantes en innovación y conocimiento científico, aunque, continúan los cuestionamientos sobre eficiencia y efectividad durante su uso. Es decir, ¿Cuán confiable son los resultados obtenidos en las aplicaciones de salud? ¿Puedo confiar en la aplicación de salud que me recomienda mi médico?

Un artículo publicado recientemente brinda una ruta más clara para atender los retos del campo mHealth y alcanzar resultados robustos sobre el uso de tecnología móvil en el campo de la salud. En esencia los/as autores/as brindan tres áreas importantes a cubrir para obtener mejores resultados sobre eficiencia y efectividad en intervenciones mHealth:

  1. Evaluar los mecanismos utilizados para recopilar información
  2. Evaluar la intervención
  3. Reformar la generación de evidencia utilizando mHealth

Evaluar los mecanismos utilizados:

Constantemente las aplicaciones utilizan una diversidad de sensores para recopilar información tanto de la persona como del ambiente que le rodea con el propósito de brindar información útil para la persona, el profesional de la salud o un/a investigador/a. Alguno de los más conocidos son los medidores de actividad física (e.g. acelerómetro) y estado de ánimo. No obstante, los/as autores señalan la importancia de evaluar la validez y confiabilidad de estos sensores. Uno de los ejemplos propuesto es la capacidad de lograr con la tecnología móvil los mismos estándares de medición que se obtienen utilizando instrumentos existentes con evidencia sobre validez y confiabilidad. De igual forma, es importante aumentar la precisión de estos instrumentos para identificar diferencias entre poblaciones específicas, tales como actividad física entre viejos/as y niños/as.

Evaluar la intervención:

Sobre el uso de diseños dirigidos a evaluar las intervenciones mHealth los/as autores/as señalan, a mi entender, uno de los grandes retos de este campo: Hay que lograr obtener los resultados de las intervenciones antes que la tecnología se vuelva obsoleta. Comúnmente los Ensayos Clínicos Controlados brindan el mejor diseño de investigación para probar la efectividad de las intervenciones. No obstante, una de las grandes limitaciones de estos ensayos es la gran cantidad de tiempo que conllevan. En ocasiones pueden pasar hasta cinco años desde la concepción del proyecto hasta obtener los resultados. Con la rapidez que se encuentra evolucionando la tecnología móvil obtener resultados sobre efectividad de intervenciones mHealth en menos tiempo es crucial. Por tal razón, el artículo presenta algunos diseños de investigación que son innovadores y buscan atender este asunto. Por ejemplo, la fragmentación del estudio para enfocar en áreas de mayor importancia de forma inmediata y la asignación de participantes a intervenciones específicas seleccionadas durante el desarrollo de la intervención (i.e. MOST y SMART).

Reformar la generación de evidencia utilizando mHealth:

Por último se señala cómo el campo mHealth presenta una diversidad de adelantos para la recopilación de datos, tales como, recopilación de datos en tiempo real, mayor cantidad de datos recolectados y mayor alcance de participantes. Considerando esto los/as autores/as señalan la importancia de atender asuntos cruciales que emergen de estas características y que no son comunes en las investigaciones tradicionales. Algunas de las ideas propuestas es la utilización eficiente de los sistemas computarizados, como “machine learning” y métodos de clasificación automáticos, dirigidos a incrementar el análisis de datos en tiempo real, la interpretación simultánea de datos obtenidos de múltiple fuentes de medición (e.g. sensores de luz, movimiento, estado de ánimo), incrementar el número de participantes a través de las intervenciones y aumentar la evaluación de los resultados obtenidos.

Estas tres áreas incorporan una ruta más clara para aumentar la evidencia científica sobre mHealth. De igual forma, enmarca la importancia de unir esfuerzos transdisciplinarios para hacer del campo mHealth uno robusto y confiable tanto para la población en general como para la población de profesionales de la salud.

Puede pulsar aquí para acceder al artículo.

Referencia:

Kumar, S., et al. (2013). Mobile Health Technology Evaluation: The mHealth Evidence Workshop. American J Prev Med, 45(2), 228-236

Tampoco te puedes perder otros artículos del Dr.Marcos Reyes Estrada:

Considerando la carga cognitiva en apps relacionadas con la salud mental

eHealth y disparidades en salud: Toda una brecha para atender la diversidad cultural

 

Submit a Comment

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *