Clasificación de personas que han sufrido caídas y las que no en adultos mayores mediante señal IMU eléctrica para análisis de la marcha y aprendizaje profundo explicable

Por qué mantener el equilibrio importa

A medida que envejecemos, un simple traspiés puede provocar una caída grave, con consecuencias que van desde fracturas hasta la pérdida de autonomía. Los médicos saben que la manera de andar contiene pistas vitales sobre la probabilidad de sufrir una caída, pero ha sido difícil medir esas señales con precisión y convertirlas en alertas prácticas. Este estudio muestra cómo pequeños sensores portátiles en los pies, combinados con inteligencia artificial moderna, no solo pueden clasificar a los adultos mayores en grupos de mayor y menor riesgo con notable precisión, sino también revelar qué partes del ciclo de la marcha están más estrechamente vinculadas a las caídas.

Leer el movimiento con sensores diminutos

Los investigadores recurrieron a una base de datos pública de 163 adultos de entre 70 y 99 años. Cada voluntario llevaba un dispositivo ligero llamado unidad de medición inercial, o IMU, sujeto a un pie mientras caminaba durante unos 30 minutos. Estos sensores registran cómo se mueve el pie en tres dimensiones, captando tanto la aceleración como la rotación cientos de veces por segundo. A los participantes se les etiquetó según si habían sufrido una caída en el último año y también se agruparon por década de edad (70, 80 o 90 años). A partir de las grabaciones continuas, el equipo cortó los datos en ventanas cortas que cubrían varios pasos, creando miles de pequeñas «instantáneas» de patrones de marcha para alimentar a sus modelos informáticos.

Enseñar a los ordenadores a detectar una marcha de riesgo

Para convertir estas trazas de movimiento en grupos de riesgo significativos, los autores compararon métodos tradicionales de aprendizaje automático con enfoques más avanzados de aprendizaje profundo. A los algoritmos clásicos, como árboles de decisión y bosques aleatorios, se les proporcionaron estadísticas resumen de cada segmento de marcha, como medias y medidas de variabilidad a lo largo del tiempo. Por el contrario, a los modelos de aprendizaje profundo denominados redes neuronales convolucionales (CNN) y redes de memoria a corto y largo plazo (LSTM) se les permitió procesar las señales crudas en forma de ondas directamente, aprendiendo patrones por sí mismos sin características diseñadas manualmente. El objetivo era ver qué tan bien cada familia de métodos podía distinguir a los adultos mayores que habían sufrido caídas de los que no, y qué tan eficazmente podían clasificar a las personas por tramos de edad basándose únicamente en su forma de caminar.

Rendimiento de los modelos

Cuando los datos de todos los participantes se mezclaron y se dividieron en conjuntos de entrenamiento y prueba, los modelos de aprendizaje profundo superaron claramente a los tradicionales. La CNN clasificó correctamente a los caídos y no caídos en aproximadamente un 96% de los casos, y la LSTM se situó muy cerca con un 95%, mientras que los mejores métodos clásicos alcanzaron, como mucho, la alta cifra de los 80. Incluso en una prueba más exigente, en la que los modelos se entrenaron con algunos individuos y luego se evaluaron con personas completamente diferentes, la CNN aún obtuvo alrededor de un 92% de precisión para el historial de caídas y casi un 90% para la clasificación por grupos de edad. Ambos modelos profundos también pudieron identificar a los individuos sorprendentemente bien, lo que sugiere que la marcha de cada persona es tan distintiva como una firma cuando se observa con estos sensores.

Abrir la «caja negra» de las decisiones de la IA

Una crítica habitual a los métodos potentes de IA es que suelen ser opacos: pueden ser precisos, pero rara vez se explican a sí mismos. Para abordar esto, los autores usaron una herramienta de explicación llamada LIME para sondear las decisiones de la CNN en la clasificación del historial de caídas. En lugar de preguntar qué características generales importaban, examinaron qué momentos dentro de cada paso contribuían más a etiquetar a alguien como caído o no caído. Encontraron que el modelo se centraba principalmente en la fase de apoyo —el periodo en que el pie está en el suelo soportando peso—, especialmente en las porciones media y tardía, cuando el cuerpo se desplaza hacia adelante y se prepara para impulsarse. En las personas con historial de caídas, las irregularidades durante estas fases dominaron el razonamiento del modelo, mientras que en las no caídas se observó una contribución más equilibrada entre la fase de apoyo y la de balanceo (cuando el pie está en el aire).

Qué significa esto para la prevención de caídas

Para un público general, el mensaje clave es que pequeños sensores discretos en los pies junto con algoritmos inteligentes pueden detectar inestabilidades sutiles en la forma de caminar mucho antes de que ocurra una caída, y pueden señalar la parte exacta del ciclo del paso donde surge el problema. El estudio muestra que los sistemas de aprendizaje profundo pueden distinguir de forma fiable a quienes han sufrido caídas de quienes no, y diferenciar distintos patrones de marcha por edad, todo a partir de unos segundos de datos de sensores. Igualmente importante, al destacar problemas durante las fases de apoyo del paso, el método sugiere objetivos concretos para el ejercicio y la rehabilitación, como mejorar el equilibrio y la fuerza cuando el pie está en el suelo y el cuerpo se desplaza sobre él. Con más pruebas en grupos más amplios y a lo largo del tiempo, este enfoque podría evolucionar hacia herramientas portátiles que supervisen discretamente la marcha en la vida diaria y proporcionen a los clínicos advertencias tempranas y comprensibles cuando el riesgo de caída de un adulto mayor empiece a aumentar.

Cita: Alqurashi, A., Alharthi, A., Alammar, M.M. et al. Classification of fallers and non-fallers in older adults using electrical IMU signal for gait analysis and explainable deep learning. Sci Rep 16, 14353 (2026). https://doi.org/10.1038/s41598-026-44368-w

Palabras clave: riesgo de caída, análisis de la marcha, sensores portátiles, aprendizaje profundo, adultos mayores