Un conjunto de datos anotado en varios niveles sobre manifestaciones y gravedad del bloqueo de la marcha en la enfermedad de Parkinson

Por qué detenerse a mitad del paso importa

Para muchas personas con enfermedad de Parkinson, caminar no es solo más lento o tembloroso: puede detenerse de repente. En un instante, sus pies se sienten pegados al suelo, aunque intenten moverse con desesperación. Este suceso aterrador, llamado bloqueo de la marcha, es una de las principales causas de caídas, lesiones y pérdida de autonomía. El artículo detrás de este resumen presenta FoG-STAR, un nuevo conjunto de datos exhaustivo creado a partir de sensores vestibles que registran cómo se mueven las personas con Parkinson durante acciones cotidianas. Al compartir estos datos abiertamente con científicos de todo el mundo, los autores esperan acelerar el desarrollo de dispositivos y algoritmos más inteligentes que puedan detectar, medir y, en última instancia, ayudar a prevenir estos episodios peligrosos de bloqueo.

Vigilar el movimiento con sensores discretos

En lugar de depender solo de la breve observación de un médico en la consulta, el proyecto FoG-STAR utiliza cuatro pequeños sensores de movimiento para seguir cómo se desplaza el cuerpo paso a paso. Veintidós voluntarios con Parkinson llevaron sensores en ambos tobillos, en una muñeca y en la parte baja de la espalda, aproximadamente donde se sitúa el centro de masa del cuerpo. Cada dispositivo registró la velocidad de movimiento y rotación de distintas partes del cuerpo cientos de veces por segundo, mientras los participantes realizaban movimientos comunes como levantarse, sentarse, caminar diez metros, girar sobre sí mismos o atravesar una puerta. Todas las sesiones se grabaron mientras los participantes estaban en un estado «sin medicación» para favorecer la aparición de episodios de bloqueo. Al mismo tiempo, cámaras de vídeo capturaron cada acción, proporcionando una referencia visual de lo que registraban los sensores.

Del movimiento bruto a episodios de bloqueo etiquetados

Recoger las señales es solo la mitad de la historia; la otra mitad es entender lo que significan. Dos neurólogos, ambos expertos en trastornos del movimiento, revisaron cuidadosamente los vídeos cuadro a cuadro. Señalaron cuándo comenzaba y terminaba cada episodio de bloqueo y describieron cómo se manifestaba: si la persona avanzaba con pasos diminutos, temblaba en el sitio con movimientos rápidos de las piernas o quedaba completamente inmóvil sin moverse en absoluto. También etiquetaron lo que la persona hacía el resto del tiempo: caminar, estar de pie, girar, sentarse o cambiar de postura. Estas anotaciones detalladas se sincronizaron con los datos de los sensores, produciendo un registro alineado en el tiempo donde cada instante de movimiento se empareja con lo que ocurría clínicamente. Esta descripción multinivel permite estudiar el bloqueo en contexto en lugar de como episodios aislados.

Construir un recurso para algoritmos más inteligentes

El resultado es una colección abierta y organizada de 329.000 muestras de sensores, cada una vinculada a un sujeto, tarea, actividad y etiqueta de bloqueo. Un archivo separado enumera la edad de cada participante, estadio de la enfermedad, puntuaciones de movimiento, capacidad cognitiva, miedo a las caídas y calidad de vida, de modo que los investigadores puedan explorar cómo varían los patrones de bloqueo entre pacientes. Pruebas iniciales con modelos de aprendizaje automático muestran que los métodos de aprendizaje profundo pueden reconocer episodios de bloqueo con alta precisión, especialmente al usar datos de los sensores en los tobillos. Estos modelos incluso pueden entrenarse con FoG-STAR y luego adaptarse para trabajar con otros conjuntos de datos, lo que sugiere que FoG-STAR captura características clave de cómo aparece el bloqueo en las señales de movimiento. Los autores también describen cómo resolvieron cuestiones técnicas como la sincronización de múltiples sensores y el tratamiento de huecos ocasionales en los datos, ofreciendo a otros una hoja de ruta para estudios similares.

Límites, advertencias y uso en el mundo real

Como cualquier recurso científico, FoG-STAR tiene límites. El estudio incluye solo a 22 personas, todas evaluadas en un entorno cuidadosamente controlado y todas sin su medicación habitual, por lo que los datos pueden no reflejar la variedad completa de bloqueos que se observan en el hogar o en estadios más leves de la enfermedad. No todos los participantes completaron cada tarea y los vídeos se redujeron a diez fotogramas por segundo, lo que significa que episodios de bloqueo extremadamente breves pueden no capturarse con precisión. Aun así, el conjunto de datos cubre una amplia mezcla de patrones de marcha, giros y cambios de postura, y mantiene visibles pequeños huecos e imperfecciones en las señales en lugar de suavizarlos, de modo que los investigadores puedan decidir cómo limpiar e interpretar los datos según sus propios fines.

Qué significa esto para las personas que viven con Parkinson

En términos cotidianos, FoG-STAR es como entregar a la comunidad investigadora un diario detallado y con marcas de tiempo sobre cómo se desarrolla realmente el bloqueo de la marcha en el cuerpo, escrito no en palabras sino en movimiento. Al hacer este diario abierto y bien documentado, los autores ofrecen a ingenieros, clínicos y científicos de datos un punto de partida común para comparar nuevas ideas y herramientas. Con el tiempo, este trabajo podría dar lugar a dispositivos vestibles que avisen a las personas justo antes de que se produzca un bloqueo, ajusten tratamientos para reducirlo o guíen ejercicios de rehabilitación en el hogar adaptados al patrón de movimiento de cada persona. Si bien FoG-STAR no cura la enfermedad de Parkinson ni el bloqueo de la marcha por sí solo, sienta las bases cruciales para tecnologías que, algún día, podrían ayudar a las personas a caminar con más seguridad y confianza.

Cita: Borzì, L., Demrozi, F., Bacchin, R.A. et al. A multi-level annotated sensor dataset of gait freezing manifestations and severity in Parkinson’s disease. Sci Data 13, 305 (2026). https://doi.org/10.1038/s41597-026-06645-1

Palabras clave: Enfermedad de Parkinson, bloqueo de la marcha, sensores vestibles, análisis de la marcha, aprendizaje profundo