Modo de Transmisión de Datos de Sensores:

En (1) Goroso D.G. (2013) nos dice en su investigación que se utilizan diferentes medios para transmitir información de
evaluaciones (Wi-Fi, Bluetooth y GSM), lo que garantiza la conectividad y extiende la cobertura. Los datos fisiológicos
se procesan en un centro de telemedicina y están acompañados por un equipo especializado. El monitoreo del
sistema es no invasivo, no intrusivo, 24 x 7.

La Figura 1 muestra la disposición física de los sensores en el cuerpo del sujeto.

El sensor del monitor de frecuencia cardíaca se instala a través de una banda elástica ajustable directamente en el
pecho del sujeto y se conecta con el teléfono móvil a través de una conexión Bluetooth. Desde el dispositivo móvil
celular detectado e indirectamente generado, la información registrada se transmite mediante el paquete general
del servicio de radio (GPRS) de la red 3G de la célula para una tecnología móvil o inalámbrica de gran distancia
para distancias cortas o mediante conexión USB.

Figura 1. Sensores de FC conectados con dispositivos móviles y transmisión de datos a la central de telemedicina. (1) Monitor de
frecuencia cardíaca. (2) Conexión entre sensor y teléfono móvil. (3) Teléfono móvil. (4), (5) y (6) Conexión de red 3G entre teléfono
móvil y servidor de telemedicina.

SEGURIDAD Y ANALISIS DE LOS DATOS MEDICOS:

En (2) Jingwei Liu (2012) nos dice que la seguridad es uno de los aspectos más importantes de cualquier sistema. La
violación de la seguridad en las aplicaciones sanitarias de las redes de sensores es una preocupación importante y
se puede definir en dos niveles generales: Seguridad del Sistema y Seguridad de la Información.
Y nos recomienda que para contrarrestar los ataques estos problemas se deben resolver en la fase de diseño de
aplicaciones de atención medica en redes de sensores.

Figura 2: Riesgos y Requerimientos de Seguridad

En (1) Goroso D.G. (2013) nos recomienda usar para el análisis de datos el índice de familia pNNx porque es una
medida ampliamente utilizada de las estadísticas de variabilidad específicamente de la frecuencia cardíaca.
Según su investigación halló que la variabilidad del ritmo cardíaco se registró durante los estados de sueño (línea de
base), actividades ligeras (descanso) y actividades moderadas (activo), en diferentes momentos del día, pero
durante el resto se inscriben en el desayuno y el almuerzo pre y postprandial. El análisis de datos separa las diferencias
distribuidas en los siguientes intervalos en ms: [0, 50], (50, 80], (80, 120] (120, 140] y (140, 160]. Y esto se representa en
la figura 3.
 Figura 3. Grabación de la plataforma web de monitorización de la frecuencia cardíaca FLEEM System® (www.fleem.com.ar). (a)
datos relativos al paciente y al servicio de monitorización. (b) Monitoreo en línea de la frecuencia cardíaca de un paciente durante
el 11 de marzo de 2013 al 25 de mayo de 2013. (c) Histograma general de variabilidad de la frecuencia cardíaca.

Conexión IoT al Servidor Web.

En (3) Benedikt Ostermaier (2011) informa que se considera dos enfoques fundamentalmente diferentes para
conectar cosas a la Web: el primer enfoque es conectar un nodo preconfigurado al objeto físico y usar los sensores
y actuadores integrados del nodo para monitorear y controlar el objeto.

Y para el servidor web lo más conveniente es usar REST, ya que en comparación con SOAP, REST utiliza HTTP como un
protocolo de aplicación en lugar de un protocolo de transporte. Por esta razón, introduce menos sobrecarga y
también puede beneficiarse directamente de las características de HTTP, como el control de caché y la negociación
de contenido, por ejemplo. Además, la vista orientada a los recursos de REST se correlaciona muy bien con los
recursos físicos.

Cada nodo ejecuta un servidor web incorporado que expone los datos del sensor, el actuador y la configuración
como recursos web. Estos se identifican mediante URL autodescriptivas y se puede acceder con HTTP mediante
operaciones estándar como GET y POST. Por ejemplo, para leer el valor actual del sensor, se envía una solicitud HTTP
GET al recurso del sensor. La respuesta incluye una representación textual del valor actual del sensor.

Evaluación de la Presión arterial con el Apple Watch.

En (4) Marco V. Perez (2019) nos dice del estudio que hace a 419297 personas utilizando el sensor de
fotopletismografía del Apple Watch, que utilizaba diodos emisores de luz y sensibles a la luz para medir de manera
intermitente y pasiva los cambios en el flujo sanguíneo mientras los participantes estaban en reposo.
Estas señales se usaron para generar intervalos de pulso (tacogramas) durante 1 minuto, que se clasificaron como
regulares o irregulares en función de la variación en el intervalo de pulso.

Y los resultados que obtuvo fue que 2161 participantes, recibieron notificaciones de pulso irregular (0,52%), que van
desde el 3,1% de los mayores de 65 años hasta el 0,16% de los 22 a 40 años de edad (Fig. 2). Los participantes que
recibieron notificaciones de pulso irregular eran mayores, menos probabilidades de ser mujeres, más probabilidades
de ser blanco y más probabilidades de tener un CHA 2 DS 2- Puntuación VASc de 2 o más que la cohorte general
(Tabla 1, Figura 4). (Puntuaciones en el CHA 2 DS 2- VASc, que es una medida del riesgo de accidente
cerebrovascular entre las personas con fibrilación auricular, varía de 0 a 9, con puntuaciones más altas que indican
un mayor riesgo.) Entre los participantes que recibieron una notificación, el 50% recibió la notificación el día 38
después de la inscripción, y 90% para el día 133 después de la inscripción.
 Figura 4. Características de los Participantes inscritos en el Apple Heart Study al Inicio del estudio.

Del cual concluyen que la probabilidad de que un participante fuera notificado de un pulso irregular era baja, pero
entre los participantes que fueron notificados de un pulso irregular, más de un tercio tenía fibrilación auricular
identificada en un monitor de parche ECG posteriormente usado, y entre los notificados quienes devolvieron un
parche ECG, las notificaciones positivas fueron concordantes con fibrilación auricular el 84% (IC 95%, 76 a 92) de las
veces.
BIBLIOGRAFIA:

(1) Monitoring Heart Rate Variability Online Using e-Health Oriented 3G Mobile Telephone Services, Goroso, D.G., 2013.

(2) Security and Privacy Issues in Wireless Sensor Networks for Healthcare Applications, Jingwei Liu, Meshaddique Al
Ameen, Kyungsup Kwak, 2012.

(3) Connecting Things to the Web Using Programmable Low-Power WiFi Modules, Benedikt Ostermaier, Matthias
Kovatsch, Silvia Santini, 2011.

(4) Large-Scale Assessment of a SmartWatch to Identify Atrial Fibrillation, Marco V. Perez, Kenneth Mahaffey, Todd
Ferri, Haley Hedlin, 2019.