Identificación de características clave de la marcha en pacientes con ictus mediante sensores inerciales portátiles y aprendizaje automático supervisado y no supervisado

Por qué importa caminar tras un ictus

El ictus a menudo convierte un simple traslado de una habitación a otra en una lucha cotidiana. Para muchos supervivientes, la capacidad de mover bien las piernas, el tronco y la cabeza determina si pueden vivir de forma independiente, evitar caídas y regresar al trabajo o a la vida social. Este estudio explora cómo pequeños sensores portátiles y programas informáticos inteligentes pueden capturar las huellas ocultas de la marcha post‑ictus, ayudando a los clínicos a ver más de lo que permite el ojo humano y abriendo el camino a una rehabilitación más dirigida.

Medir los pasos con diminutos dispositivos portátiles

Los investigadores equiparon a 85 personas que habían sufrido un ictus y a 97 voluntarios sanos con cinco sensores de movimiento del tamaño de una moneda. Estos se colocaron en la frente, el pecho, la parte baja de la espalda y ambas espinillas, y los participantes caminaron de ida y vuelta sobre diez metros a su ritmo habitual. Los sensores registraron cómo se movía el cuerpo en tres dimensiones, captando no solo la velocidad y la longitud del paso, sino también la suavidad y estabilidad del tronco y la cabeza, y cómo se repartía el trabajo entre las piernas. A partir de estas grabaciones, el equipo calculó 79 medidas diferentes que describen el tiempo, la simetría entre las piernas, la variabilidad de paso a paso y cuán suave y estable se movía la parte superior del cuerpo.

Enseñar a las computadoras a detectar la marcha problemática

Con tantas medidas posibles, el reto fue determinar cuáles separaban realmente a los supervivientes de ictus de los caminantes sanos. El equipo utilizó tres métodos de aprendizaje automático distintos, todos diseñados para clasificar a las personas en dos grupos según su marcha: k‑vecinos más cercanos, máquinas de soporte vectorial y árboles de decisión. Primero aplicaron pruebas estadísticas estándar para descartar medidas claramente poco útiles y luego eliminaron las que eran casi duplicados entre sí. Finalmente, emplearon un enfoque de poda paso a paso que entrenaba repetidamente cada algoritmo mientras se eliminaba una medida a la vez, reteniendo solo las que preservaban una alta precisión de clasificación. A través de muchas divisiones aleatorias de los datos, las máquinas distinguieron correctamente el ictus de los participantes sanos en aproximadamente nueve de cada diez casos, siendo la máquina de soporte vectorial la que mejor y con mayor consistencia rindió.

Acercándose a las pistas de marcha más reveladoras

De las 79 medidas originales, el proceso redujo la lista hasta solo nueve que contenían la mayor parte de la información útil. Estas medidas abarcaban la rapidez con la que caminaban las personas, cuánto variaba el tiempo de sus pasos, cuán simétrico era el movimiento del tronco de lado a lado y la suavidad de los movimientos de la cabeza y el pecho, especialmente en las direcciones adelante‑atrás y lateral. De manera destacada, la suavidad del movimiento de la cabeza surgió como un marcador novedoso y potente de los problemas de la marcha relacionados con el ictus, lo que apunta a dificultades en el equilibrio, la estabilización de la mirada y en cómo el cerebro integra las señales del oído interno y del cuerpo durante la marcha. Sorprendentemente, las medidas clásicas de asimetría izquierda‑derecha del paso no sobrevivieron a la selección, probablemente porque el ictus puede alterar la marcha en patrones muy diversos, debilitando su capacidad para separar grupos de forma fiable.

Dejar que los datos se agrupen por sí mismos

Para comprobar si estas pistas seleccionadas eran realmente informativas—y no solo ajustadas a los métodos de aprendizaje empleados—los investigadores utilizaron a continuación una técnica no supervisada. En lugar de decirle al ordenador quién había sufrido un ictus, simplemente introdujeron las medidas elegidas y le pidieron formar dos clústeres según la similitud. Usando un método llamado k‑medoides y varias formas de medir la distancia entre puntos de datos, mostraron que con tan solo tres medidas—la velocidad global de la marcha, cuánto variaba la fase de apoyo y una señal del tronco relacionada con la simetría—era suficiente agrupar a las personas como ictus o sanas con alrededor del 90% de precisión. Una regla de distancia que priorizaba el patrón de las medidas más que su magnitud absoluta resultó la más estable en pruebas repetidas.

Qué significa esto para la atención cotidiana

Para un público no especialista, el mensaje clave es que una caminata breve con cinco pequeños sensores puede revelar una “huella” compacta de cómo el ictus ha alterado la marcha de una persona. Los ordenadores pueden usar solo un puñado de medidas de movimiento seleccionadas con cuidado—la rapidez al caminar, la estabilidad de los pasos y la suavidad de los movimientos del tronco y la cabeza—para distinguir de forma fiable la marcha post‑ictus de la marcha sana. Esta visión nos acerca a herramientas sencillas y adaptadas a la clínica que pueden registrar objetivamente la recuperación, desvelar problemas de equilibrio ocultos y ayudar a los terapeutas a personalizar los ejercicios. Con trabajo adicional para ejecutar estos métodos en tiempo real y en grupos de pacientes más diversos, tales sistemas podrían convertirse en compañeros cotidianos en la rehabilitación tras el ictus, convirtiendo cada paso en una retroalimentación útil en el camino hacia una marcha más segura y segura de sí misma.

Cita: Brasiliano, P., Orejel-Bustos, A.S., Belluscio, V. et al. Identifying key gait features in stroke patients using wearable inertial sensors and supervised and unsupervised machine learning. Sci Rep 16, 8908 (2026). https://doi.org/10.1038/s41598-026-43666-7

Palabras clave: marcha tras ictus, sensores portátiles, aprendizaje automático, rehabilitación, estabilidad al caminar