Clasificación mediante aprendizaje automático de la enfermedad de Parkinson en estadio inicial usando características biomecánicas del levantarse

Por qué importa levantarse de una silla

Para muchos adultos mayores, simplemente ponerse en pie desde una silla y dar los primeros pasos puede resultar algo inseguro. Para las personas en fases muy tempranas de la enfermedad de Parkinson, este movimiento cotidiano puede revelar de forma sutil problemas en el equilibrio y el control del movimiento mucho antes de que los síntomas sean evidentes. Este estudio explora si una breve prueba de “sentarse a caminar”, combinada con sensores de movimiento y aprendizaje automático, puede ayudar a detectar la enfermedad de Parkinson de manera más temprana y objetiva que la observación clínica estándar por sí sola.

Una mirada más cercana a un movimiento cotidiano

Los investigadores se centraron en la prueba de sentarse a caminar, que combina dos acciones exigentes: levantarse de una silla e iniciar la marcha. Esta transición exige al equilibrio porque el peso del cuerpo se desplaza rápidamente hacia delante y sobre una pierna. En el estudio, 63 personas con enfermedad de Parkinson en estadio inicial y 43 adultos de edad similar sin la enfermedad realizaron esta prueba a una velocidad cómoda. Mientras se movían, una serie de cámaras, plataformas de fuerza en el suelo y pequeños sensores en los músculos de las piernas registraron cómo se comportaban sus cuerpos y sus músculos desde el instante en que se inclinaron hacia delante hasta la finalización de los dos primeros pasos.

De cientos de mediciones a unas pocas señales clave

Cada ensayo de sentarse a caminar se dividió en fases, desde la primera inclinación del tronco hasta la segunda caída del pie, y se extrajeron más de 200 medidas. Estas incluían la rapidez con la que se movía el centro de masa del cuerpo, cuánto se desplazaba respecto a la presión bajo los pies y cómo rotaban el tronco y las piernas. Algoritmos informáticos avanzados examinaron este gran conjunto de datos. Usando métodos de bosque aleatorio y de impulso por gradiente (gradient boosting), el equipo redujo primero las mediciones a 26 que mejor diferenciaban a las personas con Parkinson en fase temprana de los voluntarios sanos. Un análisis estadístico adicional recortó luego esta lista hasta solo tres marcadores biomecánicos que, en conjunto, aportaban la mayor parte de la información útil.

Cómo se manifiesta el Parkinson temprano en el movimiento

Los tres marcadores cruciales capturaron cómo las personas controlaban su masa corporal y el tronco al levantarse y dar los primeros pasos. En comparación con sus compañeros sanos, quienes tenían Parkinson en estadio inicial movieron su centro de masa más despacio a lo largo de toda la tarea, lo desplazaron una distancia menor hacia delante respecto a la presión bajo los pies durante la primera fase de paso y flexionaron la parte superior de la espalda en un rango menor. Estos patrones sugieren un desplazamiento de peso más cuidadoso y acortado y un tronco más rígido, cambios que pueden ser compensaciones para mantener el equilibrio cuando los circuitos cerebrales que planifican el movimiento ya están sutilmente afectados. El estudio también encontró mayores diferencias izquierda–derecha en la actividad muscular de la pierna inferior en el grupo con Parkinson, lo que refleja la tendencia de la enfermedad a comenzar en un lado del cuerpo.

Enseñar a las computadoras a reconocer el patrón

Con estos marcadores, el equipo entrenó varios modelos de aprendizaje automático para distinguir quién tenía y quién no tenía enfermedad de Parkinson. Alimentado con las 200 medidas originales, el mejor modelo, un clasificador de bosque aleatorio, clasificó correctamente a los participantes alrededor del 87% de las veces. Usar las 26 características más importantes mejoró esto ligeramente hasta aproximadamente el 92%. De forma notable, cuando el modelo se basó únicamente en los tres marcadores finales de la prueba de sentarse a caminar, su precisión se mantuvo sólida en torno al 85%. Esto demuestra que incluso un conjunto muy compacto de señales de movimiento, extraídas de una tarea diaria simple, puede aportar información robusta sobre la enfermedad en estadio inicial.

Qué podría significar esto para la atención cotidiana

Los autores concluyen que los cambios sutiles en cómo las personas se ponen en pie y dan sus primeros pasos pueden servir como señales de advertencia tempranas y sensibles de la enfermedad de Parkinson. Dado que los tres marcadores clave reflejan pequeños cambios en la velocidad de todo el cuerpo, la transferencia de peso hacia delante y el movimiento del tronco, podrían medirse potencialmente con herramientas más sencillas, como sensores portátiles o plataformas de movimiento en consulta. Si se confirma en grupos más grandes y diversos, este enfoque podría ofrecer a los médicos una forma rápida y no invasiva de cribado para la enfermedad de Parkinson en personas mayores y de identificar a quienes tienen mayor riesgo de caídas, mucho antes de que surjan síntomas más evidentes.

Cita: Kim, M., Youm, C., Park, H. et al. Machine learning classification of early-stage Parkinson’s disease using sit-to-walk biomechanical features. Sci Rep 16, 10559 (2026). https://doi.org/10.1038/s41598-026-45122-y

Palabras clave: enfermedad de Parkinson, marcha y equilibrio, aprendizaje automático, biomecánica, diagnóstico temprano