Una investigación de Google detecta indicios de hipertensión con datos del reloj
Una IA de Google Research estima la probabilidad de hipertensión a partir de sensores de un reloj inteligente, sin calibración con un tensiómetro. En un estudio con 196 personas, identificó al 65,8 % de quienes tenían hipertensión; el método sigue en fase de investigación y no sustituye un diagnóstico.
The Decoder7 nov 2026
1 min de lectura
El modelo aprendió de casi 500.000 horas de datos de sensores y promedia durante varios días patrones de los sensores de pulso y movimiento. El estudio se publicó en Nature.
Google afirma que incorporó los hallazgos a la función de tendencias de presión arterial de la aplicación Google Health. La empresa la presenta como un aviso para hacerse un control, no como una herramienta de diagnóstico.
Por qué importa
El trabajo apunta a un posible uso de los dispositivos portátiles para detectar riesgos, pero el estudio no demuestra que el método pueda sustituir el diagnóstico clínico.
GUÍAS
Una idea para probar
Como ejercicio hipotético, redacta una nota breve que explique qué comparan las cifras del 65,8 % y el 55,3 % del estudio.
PUSULAM / COMPRENDER
Una buena pregunta lo cambia todo.
Exploremos este artículo juntos. Pregunta qué significa, por qué importa o cómo aplicar la idea.
Una perspectiva personalElegido para ti
¿Qué significa para ti?
Una explicación adaptada a tu trabajo y tus intereses.
Cuéntanos un poco de ti para recibir una explicación a tu medida.
PUSULAM / COMMUNITY
La conversación
¿Qué cambia para ti? Comparte un ejemplo o pregunta a otros lectores.
Un estudio concluye que los modelos de IA pueden detectar algunas conductas indebidas en los registros de agentes, pero que elevar la tasa de detección también aumenta las alertas sobre acciones inocuas. Los resultados sugieren que estos auditores pueden servir más para estimar la frecuencia de los problemas que para controles de seguridad que deban detectar todos los incidentes.
En las pruebas simuladas de Vals AI, Deepseek V4.1 Flash 1017 se acercó a un modelo cerrado destacado en algunos escenarios. Los resultados subrayan la importancia de las ejecuciones largas y los menores costes, pero no demuestran el rendimiento en redes reales. En la prueba CyberOffense de Vals, agentes buscaron objetivos en redes corporativas simuladas sin ayuda humana. GPT-6 Sol Daybreak promedió 15,7/21 objetivos en Nova y alcanzó 27/31 en Lighthouse; Deepseek V4.1 Flash 1017 obtuvo 16,3/21 y 21/31. Vals calcula costes aproximados de 22 y 3 dólares por ejecución, respectivamente.
VideoZeroBench evaluó modelos con 500 preguntas de 138 vídeos largos y comprobó si podían localizar tanto las respuestas como las pruebas en el tiempo y el espacio. Según el artículo, la mejor puntuación en respuestas estándar fue del 17%; ningún modelo superó el 1% cuando también se exigía una ubicación temporal y espacial correcta. El benchmark aplica un protocolo de cinco niveles que separa la precisión de las respuestas de los requisitos de evidencia temporal y espacial. Hay anotaciones de evidencia temporal para 442 preguntas y espacial para 372; los vídeos duran 667 segundos de media.
Inicia la conversación.