Un estudio pone en duda las calorías que muestra tu smartwatch

Tu smartwatch puede estar mintiéndote sobre las calorías que quemas. No porque tenga intención alguna de engañarte, claro, sino porque la cifra que muestra después de entrenar es una estimación construida a partir de sensores y algoritmos que puede desviarse bastante de la realidad. Un estudio de Florida International University publicado en PLOS One ha comparado cuatro relojes populares con un sistema clínico de calorimetría indirecta y ha encontrado errores importantes en todos ellos. Los investigadores advierten de que esas diferencias pueden ser especialmente problemáticas cuando utilizamos las calorías del reloj como referencia para controlar nuestro peso o decidir cuánto podemos comer después de entrenar.

Para comprobarlo, los investigadores reunieron a 58 adultos hispanos de entre 18 y 50 años, aunque la edad media del grupo fue de 23 años. Los participantes realizaron una sesión controlada sobre una bicicleta reclinada, alternando intervalos de intensidad moderada y vigorosa, mientras utilizaban simultáneamente un Apple Watch Series 8, Fitbit Sense 2, Samsung Galaxy Watch 5 y Garmin Forerunner 955. Como referencia se empleó un COSMED K5, un analizador metabólico que calcula el gasto energético mediante el intercambio de gases respiratorios y que se utiliza habitualmente en entornos clínicos y de investigación.

Los resultados muestran que Apple fue el que mejor salió parado, mientras Garmin y Samsung tendieron a sobreestimar bastante más el gasto energético. Frente al COSMED K5, el Apple Watch presentó un sesgo medio de unas 21,6 kilocalorías, frente a 68,6 kcal en el Garmin y 56,8 kcal en el Samsung. Los errores porcentuales absolutos medianos se movieron generalmente entre aproximadamente el 15% y el 25%, aunque en determinados casos fueron bastante superiores. Esto no significa que un Apple Watch vaya a equivocarse siempre exactamente 21,6 calorías o que un Garmin lo haga en 68,6: son medias obtenidas dentro de unas condiciones experimentales muy concretas, pero sirven para mostrar que la cifra final está lejos de ser una medición exacta.

El Fitbit Sense 2 merece una explicación aparte, porque sus resultados fueron especialmente irregulares. Tras eliminar determinados valores anómalos, su sesgo medio fue de apenas 3,14 kcal y no resultó estadísticamente significativo, algo que podría hacerlo parecer el dispositivo más preciso de todos. El problema es que produjo siete estimaciones completamente fuera de rango, aproximadamente el 13% de sus mediciones, y en una sesión ni siquiera generó un resultado. FIU señala además casos tan extremos como el de un entrenamiento completo al que el reloj asignó una sola caloría. Si esos valores anómalos se mantienen en el análisis, el sesgo medio de Fitbit asciende hasta 128,6 kcal, por encima del resto. Así que más que proclamar un ganador, los datos del Sense 2 muestran hasta qué punto una media aparentemente buena puede ocultar una fiabilidad bastante cuestionable.

Pero el resultado más interesante del estudio probablemente no sea qué marca se equivocó más, sino qué ocurre a medida que aumenta el porcentaje de grasa corporal. Los investigadores encontraron una relación estadísticamente significativa entre una mayor adiposidad y un mayor error en las estimaciones de gasto energético, aunque la magnitud del efecto varió según el dispositivo. Es precisamente un dato especialmente relevante porque las personas que utilizan las calorías del smartwatch como herramienta para controlar o reducir su peso pueden encontrarse entre quienes reciben estimaciones menos precisas. Los autores no pueden determinar todavía la causa, pero apuntan como posibles factores a la señal recogida por los sensores y, sobre todo, a los algoritmos propietarios que combinan frecuencia cardíaca, movimiento y características personales para convertirlos en una cantidad determinada de calorías.

El estudio analizó también el tono de piel, otro factor que puede afectar a los sensores ópticos utilizados por muchos wearables, pero en este caso no encontró una relación robusta con el error. Eso tampoco permite concluir que el tono de piel sea irrelevante para todos los relojes y en cualquier circunstancia. La muestra solo incluía participantes con fototipos Fitzpatrick III, IV y V, y únicamente cuatro personas pertenecían al último grupo. Además, los investigadores tuvieron que descartar otros métodos objetivos de medición del tono de piel por problemas de fiabilidad durante el experimento. Los propios autores reconocen, por tanto, que harán falta muestras mayores y más diversas antes de extraer conclusiones mucho más generales.

También conviene recordar todo lo que este estudio no demuestra. Solo se probó una sesión breve de ciclismo reclinado en condiciones controladas, con una población determinada y modelos concretos de smartwatch que ya no representan las generaciones más recientes de todas esas familias. Llevar varios dispositivos simultáneamente pudo afectar además al ajuste de algunos sensores, y el experimento tampoco reproduce lo que ocurre después de semanas o meses utilizando un mismo reloj, cuando determinados algoritmos pueden disponer de más información sobre el usuario. El equipo de Kostrna ya está estudiando cómo se comportan estos dispositivos durante entrenamientos de fuerza, donde las ráfagas breves e intensas de esfuerzo plantean un problema diferente para sus sistemas de estimación.

Nada de esto significa que debamos tirar nuestro smartwatch a un cajón. Los propios investigadores recuerdan que estos dispositivos pueden seguir siendo muy útiles para controlar tendencias personales, duración de los entrenamientos, frecuencia cardíaca o tiempo dentro de determinadas zonas de esfuerzo. Lo que no deberíamos hacer es interpretar esas 600 calorías que aparecen en pantalla como si fueran una factura metabólica exacta y ajustar nuestra alimentación al último decimal partiendo de ellas. Así que sí, podemos decir que el smartwatch nos miente con las calorías. La diferencia es que no lo hace de mala fe: simplemente intenta convertir señales imperfectas y algoritmos propietarios en una cifra exacta que, en realidad, no siempre lo es.