El Apple Watch controla el pulso, estima el oxígeno en sangre y avisa de posibles arritmias, pero todavía no puede medir la glucosa sin pinchazos desde la muñeca. Ningún modelo actual ofrece una lectura fiable y no invasiva de esta variable, y los estudios revisados muestran márgenes de error demasiado amplios para sustituir a un glucómetro. Te contamos por qué la tecnología se atasca justo aquí y qué alternativa gana fuerza entre los investigadores.
La promesa de medir el azúcar en sangre sin agujas lleva tiempo rondando el ecosistema Apple, pero la tecnología impone límites claros. El reloj se apoya en la fotopletismografía, la misma técnica óptica que usan la mayoría de relojes deportivos, y con ella los investigadores han intentado extraer hasta 40 parámetros distintos del cuerpo humano. La glucosa aparece al final de esa lista, y es que ahí es donde el margen de error se dispara más.
Lo que el sensor óptico del Apple Watch sí mide bien
El sensor óptico del Apple Watch emite luz sobre la piel y analiza cómo rebota tras atravesar el tejido y el flujo sanguíneo. De esa única señal, los algoritmos extraen la frecuencia cardiaca, la saturación de oxígeno, la frecuencia respiratoria y los avisos de fibrilación auricular, las métricas con mayor respaldo independiente hasta la fecha.
Sin embargo, extraer información de una señal óptica no es lo mismo que medir directamente una variable biológica. La luz da pistas sobre cómo se mueve la sangre, pero no sustituye un análisis de la propia muestra, que es lo que hace un glucómetro o una prueba de laboratorio. Ahí está la clave para entender por qué el Apple Watch estima bien el pulso y, al mismo tiempo, se atasca cuando intenta calcular la concentración de glucosa: cuanto más se aleja la variable del comportamiento directo del flujo sanguíneo, más difícil resulta inferirla con precisión.
Por qué incluso el ritmo cardiaco tiene margen de error
Ni siquiera los parámetros más asentados escapan a las desviaciones. El RMSSD, una de las métricas de variabilidad de la frecuencia cardiaca más usadas, llegó a desviarse un 34% frente a un electrocardiograma en uno de los estudios recogidos. El SDNN, que mide algo parecido, se quedó en una desviación del 9%, mucho más ajustada.
Dos variables ligadas a la misma actividad del corazón pueden arrojar precisiones muy distintas según el algoritmo y las condiciones de la medición. Si ya existen diferencias de ese calibre en señales que dependen directamente del corazón, el reto se multiplica cuando se trata de estimar algo tan complejo como la glucosa. La edad, el tono de piel, el movimiento, la temperatura y el propio uso diario del reloj también afectan a la precisión final, por lo que no es sencillo trasladar un algoritmo de laboratorio a la muñeca de cualquier usuario y en cualquier situación.
El listón de precisión que exige medir glucosa
La glucosa necesita un nivel de fiabilidad que otras métricas de bienestar no exigen. El estudio clínico con más participantes registró un error medio de 19,7 mg/dL, y solo el 76,6% de las mediciones quedaron dentro del rango considerado de mayor precisión.
Una investigación anterior, ampliada hasta 2.538 participantes, mostró además que la exactitud empeoraba a medida que crecía el tamaño de la muestra. Un sistema puede funcionar razonablemente bien en un grupo pequeño y controlado en laboratorio, pero perder fiabilidad en cuanto se enfrenta a la diversidad real de edades, tonos de piel y hábitos de cada usuario. Un margen de error así resulta aceptable para el sueño o el estrés, pero se vuelve mucho más delicado cuando la cifra puede condicionar una decisión médica.
Detectar tendencias en vez de ofrecer una cifra exacta
La alternativa que gana fuerza entre los investigadores no pasa por igualar a un glucómetro, sino por cambiar el objetivo. En vez de mostrar una cifra equivalente a la de una prueba clínica, el reloj podría usar modelos de inteligencia artificial para detectar patrones fisiológicos asociados a alteraciones metabólicas y avisarte de que conviene consultar a un profesional sanitario.
La diferencia entre avisar y diagnosticar parece pequeña sobre el papel, pero en la práctica es enorme: un aviso de riesgo no equivale a un resultado clínico, y esa distinción explicaría por qué este enfoque resulta más viable a corto plazo que perseguir una medición directa de la glucosa. De momento no hay fecha ni confirmación oficial de que Apple vaya a integrar esta función, pero el camino que señalan los estudios apunta en esa dirección.
La presión arterial, el ejemplo de lo que exige calibrar un wearable
La presión arterial ilustra bien hasta qué punto los wearables dependen de la calibración para acercarse a la precisión clínica, aunque en este caso el ejemplo no viene del propio Apple Watch. La pulsera Hilo, desarrollada por la firma suiza Aktiia y ajena al catálogo de Apple, registra desviaciones próximas al 5% según las comparaciones de algunos usuarios, pero necesita recalibrarse aproximadamente una vez al mes con un manguito tradicional.
Ese ejemplo resume el problema al que se enfrentan Apple y el resto de fabricantes: cuanto más compleja es la variable que se quiere medir, mayor es la dependencia de algoritmos, datos históricos y validaciones externas periódicas. La glucosa, con un margen de error todavía cercano a los 20 mg/dL en los estudios más amplios, está por ahora lejos de alcanzar ese nivel de ajuste, por lo que de momento habrá que seguir pinchándose el dedo si se quiere una cifra exacta.