Introducción

En los últimos años el crecimiento de dispositivos conectados a una red de comunicaciones ha dado paso al surgimiento de una tecnología llamada Internet de las cosas o Internet of Things (IoT), que combina la conexión de los dispositivos a la red con sensores y actuadores que interactúan en un entorno determinado, generando y compartiendo información a través de plataformas que conllevan a la toma de decisiones y facilitan el monitoreo, seguimiento y almacenamiento de información en tiempo real¹.

La IoT ha avanzado en diferentes campos como la industria, las telecomunicaciones y el cuidado de la salud, entre otros. No obstante, uno de los desafíos que enfrenta esta tecnología es la interoperabilidad entre los diversos dispositivos y entre sistemas de información existentes, ya que es un elemento crucial para garantizar la entrega de servicios para todos los clientes, independiente de las especificaciones de la plataforma hardware que utilicen².

Aplicar la IoT a la medicina y al cuidado personal ha dado lugar a un campo denominado internet de las cosas médicas o Internet of Medical Things (IoMT). Este campo persigue diversos objetivos: la interconexión de la infraestructura hospitalaria, y equipos y software médicos con dispositivos portátiles de cuidado personal (dispositivos vestibles). Esto ha generado una alta demanda en el mercado impulsada por varios factores:

Aumento de la población vulnerable a problemas de salud y cuidado personal: Según las naciones Unidas ³ se estima que para el año 2050 aproximadamente el 21% de la población mundial tendrá alrededor de 60 años, lo que llevará a la necesidad de cuidados especiales relacionados con la salud.

Aumento de enfermedades crónicas que requieren monitoreo constante: Según la Organización Mundial de la Salud ⁴ se ha registrado un aumento del 57% en enfermedades crónicas para el año 2020. Estas enfermedades requieren una supervisión médica continua para prevenir consecuencias críticas.

Desarrollo de aplicaciones de los “dispositivos vestibles” en el ámbito del cuidado personal: Permiten monitorear variables biomédicas y compartirlas con el médico para un seguimiento detallado ⁵.

Desarrollo de sensores biomédicos adheridos al cuerpo: como tatuajes que cambian de color según los niveles de glucosa, entre otros⁶.

Desarrollo de ropa inteligente que mide variables físicas del entorno y el cuerpo⁷.

Otros dispositivos inteligentes que pueden capturar información de la salud del paciente, como cámaras inteligentes que detecten caídas, entre otros⁸.

El artículo presenta una revisión de literatura que identifica avances y propuestas para la interoperabilidad de datos en la ICM, así como estándares y tecnologías promisorias. Además, se enfoca en las variables biomédicas medidas por los dispositivos vestibles para tener en cuenta al incorporarlos en la hoja de vida médica de los pacientes. ⁹

Metodología

Para la realización del mapeo sistemático se utilizó como base la propuesta metodológica realizada por Petersen¹⁰. Se identifican 6 fases resumidas en: diseño de las preguntas de investigación, realizar la búsqueda, extracción de datos, análisis y clasificación, evaluación de validez y presentación de los resultados.

Preguntas de investigación

Las preguntas de investigación planteadas permitieron orientar la búsqueda de información relevante para la investigación. La cadena de búsqueda representa las preguntas de investigación y las palabras clave utilizadas en los buscadores de las bases de datos bibliográficas. A continuación, se presentan las preguntas que orientaron el presente estudio.

1) ¿Qué investigaciones se han desarrollado en el tema de la interoperabilidad semántica en los dispositivos vestibles que miden variables biomédicas? 2) ¿Qué tecnologías y estándares se han implementado alrededor de la interoperabilidad semántica en el internet de las cosas médicas? 3) ¿Qué investigaciones se han desarrollado alrededor de las variables biomédicas no invasivas y emitidas por el cuerpo humano, que provienen de dispositivos inteligentes de la ICM?

Búsqueda de Investigaciones

En este punto se utiliza la estrategia de PICO (Población, intervención, comparación y resultados) propuesta por ¹¹ para terminar de identificar claramente las palabras clave que representan las preguntas de investigación.

Población: para este trabajo la población son los estudios de mapeos sistemáticos previos y artículos de investigación en el tema de la ICM que buscan la interoperabilidad con variables biomédicas no invasivas.

Intervención: las investigaciones que llevaron a cabo un análisis de los enfoques, técnicas y soluciones propuestas por otros autores, sobre la interoperabilidad semántica en dispositivos vestibles y que miden variables biomédicas.

Comparación: se busca comparar las diferentes alternativas para reutilizar los datos de la ICM (técnicas, variables y algoritmos).

Resultados: los resultados de la búsqueda de artículos presentan investigaciones relacionadas con la interoperabilidad semántica en dispositivos vestibles, mostrando diferentes enfoques, desarrollos, alcances entre otros generando información sobre el estado actual de las investigaciones.

La cadena de búsqueda se construye siguiendo los pasos definidos por Kitchenham y Charters¹¹ , y utiliza tanto el operador lógico AND como OR. Se llevó a cabo la búsqueda de producción científica en los motores Scopus, Science Direct y Google Schoolar. Realizando dos tipos de búsqueda:

1. Búsquedas piloto: Se realizaron búsquedas piloto en las bases de datos ingresando los términos relacionados y se observaron los tipos de resultados proporcionados por el motor. Inicialmente, se emplearon términos como ‘healthcare’, ‘IoMT’, ‘Internet of medical things’, ‘wearable’, ‘edge devices’, ‘medical internet of things’, ‘medical interoperability’ y se probaron diversas cadenas de búsqueda combinándolas con conectores lógicos AND, OR y NOT. Estas búsquedas permitieron definir las palabras clave definitivas.

Relación de términos principales y secundarios

Semantic interoperability : Medical interoperability

Wereable: WBSN, wereable for health monitoring, edge devices

Internet of medical things: IoMT

Biomedical variables: Biomedical signals

2. Búsqueda definitiva: La búsqueda definitiva se llevó a cabo al ingresar la siguiente cadena de búsqueda en los diferentes motores de búsqueda para realizar el análisis:

(TITLE-ABS-KEY ("internet of things") OR ("wearable") OR ("semantic interoperability") AND ("healthcare") AND (“IoMT”))

Criterios de inclusión y exclusión

En la siguiente fase se contribuyó al refinamiento de la búsqueda teniendo en cuenta criterios de inclusión y exclusión. Estos criterios permiten filtrar en primera instancia los artículos más relevantes y relacionados a los objetivos de la revisión bibliográfica.

Los criterios de inclusión fueron: 1) periodo (entre 2019 y 2023). 2) Idioma (todos los idiomas). 3) tipos de documentos (Artículos se investigación, libros, capítulos de libro, memorias de conferencias). 4) Área de conocimiento (Interoperabilidad semántica, Internet de las Cosas, Web de las Cosas, Internet de las Cosa Médicas) 5) (Falta de utilización de tecnologías relacionadas con la Web de las Cosas).

Selección de estudios y evaluación de calidad

En la selección de estudios se realizó un preanálisis que permitió un primer acercamiento a los documentos. Se procedió a leer los títulos y resúmenes de cada artículo con el fin de asignarles un valor de pertinencia en el contexto de la investigación. Esto permitió refinar la selección de documentos relevantes. Durante el preanálisis se llevó a cabo la exclusión de:

• Documentos duplicados.

• Trabajos en los motores de búsqueda no terminados o en proceso de revisión.

• Documentos que estaban orientados en otra área del conocimiento.

• Documentos que utilizaron tecnologías diferentes a las estudiadas.

Del mismo modo, se aplicó un filtro a los estudios que no resultaron relevantes en relación con las preguntas definidas. En este caso, se consideraron como criterios de inclusión los artículos que cumplan con los establecido.

Método de síntesis

Con los artículos o unidades de análisis que pasaron los criterios de selección y de calidad se estructuró la información de los estudios seleccionados adaptando las fichas bibliográficas propuestas por Hoyos Botero ¹²⁾ y Serrano ¹³, lo que incluye la identificación (título, año de publicación, autores), resumen, enfoque de solución, enfoque metodológico, conclusiones y brechas.

Ejecución de la Búsqueda

Después de llevar a cabo la búsqueda en los motores definidos se identificaron los siguientes artículos: Science Direct: 274, Scopus: 582 y Google scholar 57, para un total de 913 artículos, de los cuales se excluyeron: 384 documentos que estaban duplicados, 30 que no tenían el resumen disponible, y finalmente, 106 que no eran pertinentes. Para un total de 396 artículos excluidos.

Después de aplicar los criterios de inclusión y exclusión se descargaron y verificaron 73 investigaciones, de las cuales clasificaron 28 como estudios primarios debido a su relevancia y relación con la temática de estudio. Figura 1.

Figura 1
Proceso de selección de artículos encontrados

La cadena de búsqueda arrojó un resultado que, al aplicar criterios de inclusión y exclusión, permitió la generación de un nuevo listado de documentos. Posteriormente, se seleccionaron los documentos y organizaron en una tabla que incluyó sus respectivos datos de referencia, como motor de búsqueda, título, autores, DOI, resumen, año de publicación, país, idioma y valoración de pertinencia. En la Figura 1 ilustra el proceso de selección llevado a cabo.

Resultados y discusión

El análisis de los documentos se llevó a cabo en dos fases. En la primera fase, se examinó la tendencia en la cantidad de artículos publicados sobre el tema de la ICM para comprender la orientación de las investigaciones en términos de años, países, tipo de publicación y enfoque de análisis. En la segunda fase, se llevó a cabo el análisis de la pertinencia de los artículos según su relevancia, siguiendo las preguntas planteadas inicialmente.

Fase 1: Frecuencia de publicación

La primera fase se centró en la investigación sobre el aumento de la producción científica que tuvo lugar entre los años 2019 y 2023. A continuación, se presenta la tendencia en los dos motores de búsqueda utilizados (ver Figura 2).

Figura 2
Tendencia en Investigaciones sobre el tema de ICM

La producción científica sobre la interoperabilidad semántica e ICM se orienta más hacía países como India y china, que contribuyen con el 21.88% de la producción total de artículos, lo que representa una producción significativamente mayor en comparación con otros países. (Figura 3.)

Figura 3
Países producción científica de interoperabilidad semántica y la ICM

El inglés es el idioma predominante en la producción, representando el 86.34% de los documentos investigados. Un 1.64% de los trabajos se publicaron en español y un 5% en francés, lo que muestra una tendencia de publicación.

El 49% de los documentos son artículos completos, mientras que el 30% son artículos de conferencia. Además, el 12% corresponde a capítulos de libros, y podemos observar que existen otros tipos de documentos que representan el 8% del total. Adicionalmente, tras realizar la búsqueda se encontró que el 41% de los documentos generados corresponden a publicaciones en revistas de acceso abierto.

Fase 2: Evaluación de artículos encontrados

Aportes a las Preguntas de Investigación

Luego de la extracción y análisis de los artículos seleccionados, se procede a responder las preguntas de investigación.

R1: ¿Qué investigaciones se han desarrollado en el tema de la interoperabilidad semántica en los dispositivos vestibles que miden variables biomédicas?

En los 7 artículos encontrados se aplicaron diferentes técnicas semánticas para la interoperabilidad, como el uso de metadatos, ontologías y estándares formales. En cuanto a las ontologías, su función principal es proporcionar una estructura formal para representar el conocimiento en los dominios específicos de estudio, permitiendo definir conceptos, relaciones y propiedades. Además, los estándares como RDF y OWL pueden proporcionar un entendimiento común para describir y compartir datos semánticos en el área de la salud. Sin embargo, como se mencionó con anterioridad, aún existen vacíos en estas soluciones que deben ser abordados para mejorar temas como la precisión y eficiencia de la respuesta de los algoritmos de ontologías y establecer estándares que garanticen una mayor interoperabilidad entre sistemas heterogéneos en el ámbito de la salud. (Tabla 1)

Tabla 1

Trabajos relevantes a la interoperabilidad semántica en dispositivos vestibles

*TSA: Técnica Semántica Aplicada (O: Ontología, M: metadatos, E: estándares). **VBM: Variables Biomédicas (LC: Latidos del Corazón, TC: Temperatura Corporal, P: Presión, S: Sangre) ***AC: Algoritmos computacionales (ML: machine learnig, LD: lógica Difusa, etc)

RQ2: ¿Qué tecnologías y estándares se han implementado alrededor de la interoperabilidad semántica en el internet de las cosas médicas?

De acuerdo con las investigaciones realizadas, a continuación, se presentan en la Tabla 2. las investigaciones más relevantes que ofrecen una visión panorámica sobre los estándares utilizados en el contexto de las tecnologías en el internet de las cosas en el ámbito de la salud.

En el campo de la salud se utilizan diferentes estándares para facilitar la interoperabilidad y el intercambio de datos entre dispositivos y sistemas. La elección de un estándar depende del contexto y los requisitos de cada investigación, algunas investigaciones encontradas optaron por utilizar estándares establecidos y formalizados como HL7 o DICOM, otros autores exploraron estándares más actualizados basados en tecnologías web como FHIR que ofrecen mayor flexibilidad y capacidad de integración.

Tabla 2

Trabajos relacionados con estándares de Interoperabilidad Semántica en IoTM

*Estándar: HL7, FHIR y otros formatos DICOM, CDA y JASON **Tecnología: (O: Ontología, M: metadatos, E: estándares

¿Qué investigaciones se han desarrollado alrededor de las variables biomédicas no invasivas y emitidas por el cuerpo humano, que provienen de dispositivos inteligentes de la ICM?

Las investigaciones que se centran en el estudio de variables biomédicas no invasivas provenientes de los dispositivos inteligentes de la ICM se pueden observar en la tabla 3, donde se detallan las herramientas utilizadas.

En los últimos años ha habido un creciente número de investigaciones relacionadas con la captura de datos de variables biomédicas de forma no invasiva, centrándose en el uso de dispositivos inteligentes conectados a una red de Internet que permita el monitoreo de estas variables.

A continuación, en la Tabla 3 se presentan estudios realizados en torno a la investigación de monitoreo de signos vitales, detección temprana de enfermedades, seguimiento de pacientes, integración con sistemas de historial clínico y algunos que evidencian los avances y desafíos en cuanto a la privacidad y seguridad de los datos capturados.

Tabla 3

Estudios que identifican Variables Biomédicas de la IoTM

Conclusiones

El mapeo sistemático permitió establecer la importancia de incorporar al sistema de salud estos dispositivos de la ICM. La mayoría de los estudios buscan la interoperabilidad semántica en el área de la salud, haciendo propuestas a través del desarrollo de ontologías que reúnen la información de los dispositivos vestibles y teniendo en cuenta su calidad, procesamiento y mecanismo para relacionarlo al paciente de tal forma que se vuelvan datos útiles para médicos y sistemas de salud, el objetivo es convertir estos datos en información útil tanto para los médicos o profesionales de la salud como para los sistemas de salud. Las ontologías facilitan la definición de conceptos, relaciones y propiedades especificas en el área de la salud, lo que permite una integración e intercambio mas efectivo de datos entre los diferentes sistemas y dispositivos vestibles. Es necesario buscar más mecanismos que permitan darle confiabilidad a los datos provenientes de los dispositivos IoT vestibles.

Con respecto al uso de estándares para integrar la información de la IoTM se encontró un conjunto importante de artículos que tienen en cuenta los estándares adoptados por los gobiernos en la unificación y elaboración digital de la hoja de vida médica. Entre los principales estándares se encontró: HL7, FHIR y otros formatos DICOM, CDA y JASON.

Con respecto a las herramientas y variables biomédicas no invasivas se encontraron algunos trabajos que se proponen resolver varios retos como son: la captura sin errores de los datos biomédicos, obtener información médica con dispositivos no invasivos, preprocesar los datos con el fin de aportar a los usuarios información relevante. Para esto, se profundiza en el desarrollo de algoritmos basados en machine learning que permitan apoyar la prevención y el análisis de la información.

Por otra parte, el mapeo genera un panorama general del estado actual de las investigaciones es los últimos años en el avance de la ICM ofreciendo al lector una orientación sobre las investigaciones generadas en años, países e idiomas.

Igualmente se evidencia una falta de investigación y desarrollo de productos en países latinos, encontrando la mayoría de los estudios en países del continente europeo, donde se encuentran mayores desarrollos de tecnología e implementación de estándares que facilitan el manejo de herramientas asociadas al internet de las cosas médicas.

Referencias bibliográficas

Gubbi J, Buyya R, Marusic S, Palaniswami M. Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems. 2013;29(7):1645-60.

Al-Fuqaha A, Guizani M, Mohammadi M, Aledhari M, Ayyash M. Internet of Things: A Survey on Enabling Technologies, Protocols, and Applications. IEEE Communications Surveys & Tutorials. 2015;17(4):2347-76.

United Nations. Department of Economic and Social Affairs Population Division World Population Ageing 2013. New York: United Nations; 2013.

World Health Organization. The global burden of chronic. WHO; 2007.

Singh K, Kaushik K, Ahatsham, Shahare V. Role and impact of wearables in iot healthcare. In: Advances in Intelligent Systems and Computing. Springer; 2020. p. 735-42.

Bandodkar AJ, Jia W, Yardimci C, Wang X, Ramirez J, Wang J. Tattoo-based noninvasive glucose monitoring: A proof-of-concept study. Anal Chem. 2015;87(1):394-8.

Julian J, Kavitha R, Joy Rakesh Y. An iot based wearable device for healthcare monitoring. In: Advances in Intelligent Systems and Computing. Springer Science and Business Media Deutschland GmbH; 2021. p. 515-25.

Chen Y, Xiao F, Huang H, Sun L. RF-IDH: An intelligent fall detection system for hemodialysis patients via COTS RFID. Future Generation Computer Systems. 2020;113:13-24.

Rojas-Bolaños LJ, Niño-Zambran MÁ, Pabón-Guerrero A. Prevención del síndrome de Burnout mediante programación neurolingüística soportada por la Web de las Cosas: Mapeo sistemático. Revista Facultad de Ingeniería. 2020;29(54):11758.

Petersen K, Feldt R, Mujtaba1 S, Mattsson M, Ericsson AB. Systematic Mapping Studies in Software Engineering; 2008.

Kitchenham B,Charters S. Guidelines for performing Systematic Literature Reviews in Software Engineering; 2007.

Osorio A. Un Modelo para Investigación Documental Consuelo Hoyos Botero. Señal Editora; 2000. pp. 118.

Serrano Castan~o E. Modelo integral para el profesional en ingenieri´a; 2005.

Moreira J, Ferreira Pires L, Sinderen M van, Daniele L. SAREF4health: IoT standard-based ontology-driven healthcare systems. Frontiers in Artificial Intelligence and Applications. 2018;306:239-52.

de Souza PL, de Souza WL, Pires LF, Moreira JLR, da Silva Rodrigues RJ, Ciferri RR. Ontology-Driven IoT System for Monitoring Hypertension. International Conference on Enterprise Information Systems, ICEIS - Proceedings. 2023;1:757-67.

Pathak N, Mukherjee A, Misra S. SemBox: Semantic Interoperability in a Box for Wearable e-Health Devices. IEEE J Biomed Health Inform. 2023;27(5):2306-13.

Jain S, Nehra M, Kumar R, Dilbaghi N, Hu T, Kumar S, et al. Internet of medical things (IoMT)-integrated biosensors for point-of-care testing of infectious diseases. Biosens Bioelectron. 2021;179:113074. Doi: 10.1016/j.bios.2021.113074

Pirbhulal S, Samuel OW, Wu W, Sangaiah AK, Li G. A joint resource-aware and medical data security framework for wearable healthcare systems. Future Generation Computer Systems. 2019;95:382-91.

Karami M, Rahimi A. Semantic Web Technologies for Sharing Clinical Information in Health Care Systems. 2019;27(1):4-7. Doi: 10.5455/aim.2019.27.4-7

Chong I, Ali S. Schema Ontology Model to Support Semantic Interoperability in Healthcare Applications: Use Case of Depressive Disorder. International Conference on Ubiquitous and Future Networks, ICUFN. 2021;2021:409-12.

Sasse J, Darms J, Fluck J. Semantic Metadata Annotation Services in the Biomedical Domain-A Literature Review. Applied Sciences 2022;12(2):796.

Abdelouahid RA, Debauche O, Mahmoudi S, Marzak A. Literature Review: Clinical Data Interoperability Models. Information. 2023;14(7):364.

Mavrogiorgou A, Kiourtis A, Touloupou M, Kapassa E, Kyriazis D. Emerging Science Journal Internet of Medical Things (IoMT): Acquiring and Transforming Data into HL7 FHIR through 5G Network Slicing. 2019;3(2):64-77.

Yasmeen G, Javed N, Ahmed T. Interoperability: A Challenge for IoMT. ECS Trans. 2022;107(1):4459-67. Doi: 10.1149/10701.4459ecst

Rychert J. In support of interoperability: A laboratory perspective. Int J Lab Hematol. 2023;45(4):436-441.

Arvisais-Anhalt S, Lau M, Lehmann CU, Holmgren AJ, Medford RJ, Ramirez CM, et al. The 21st Century Cures Act and Multiuser Electronic Health Record Access: Potential Pitfalls of Information Release. J Med Internet Res. 2022;24(2):e34085.

Pournik O, Ahmad B, Lim SN, Keung C, Peake A, Rafid S, et al. Interoperable E-Health System Using Structural and Semantic Interoperability Approaches in CAREPATH. 2023;305:608-11. Doi: 10.3233/SHTI230571

Bayoumy K, Gaber M, Elshafeey A, Mhaimeed O, Dineen EH, Marvel FA, et al. Smart wearable devices in cardiovascular care: where we are and how to move forward. Nat Rev Cardiol. 2021;18(8):581-99.

Wang P, Lin Z, Yan X, Chen Z, Ding M, Song Y, et al. A Wearable ECG Monitor for Deep Learning Based Real-Time Cardiovascular Disease Detection. 2022;1:10083

Machorro-Cano I, Alor-Hernández G, Andrés Paredes-Valverde M, Ramos-Deonati U, Luis Sánchez-Cervantes J, Rodríguez-Mazahua L. PISIoT: A Machine Learning and IoT-Based Smart Health Platform for Overweight and Obesity Control. Appl Sci. 2019;9(15):3037. Doi: 10.3390/app9153037

Baraka A, Shaban H, Abou El-Nasr M, Attallah O. Wearable Accelerometer and sEMG-Based Upper Limb BSN for Tele-Rehabilitation. Appl Sci. 2019;9(14):2795. Doi: 10.3390/app9142795

Titi S, Elhadj H Ben, Chaari L. An ontology-based healthcare monitoring system in the internet of things. 2019 15th International Wireless Communications and Mobile Computing Conference, IWCMC 2019. 2019;319-24.

Podda S, Azeroual O, Fabre R, Storl U, Qi R. Elastic Stack and GRAPHYP Knowledge Graph of Web Usage: A Win-Win Workflow for Semantic Interoperability in Decision Making. Future Internet. 2023;15(6):190.

Notas

Declaración de intereses