Evaluación continua de la marcha en la vida diaria mediante aprendizaje auto‑supervisado de datos de acelerómetro en la muñeca

Por qué tu reloj podría algún día registrar cómo caminas

Mucha gente ya lleva relojes de actividad que cuentan pasos o registran entrenamientos. Pero, para las personas mayores, la manera de caminar—velocidad, ritmo y estabilidad—puede revelar signos tempranos de problemas de salud, desde fragilidad hasta demencia. Este estudio muestra que un único sensor en la muñeca, combinado con un sistema avanzado de inteligencia artificial llamado ElderNet, puede convertir datos de movimiento cotidianos en medidas detalladas de la calidad de la marcha, transformando potencialmente un dispositivo común en un potente monitor de salud.

De simples recuentos de pasos a pistas ricas sobre la marcha

La mayoría de los dispositivos de muñeca estiman hoy en día cuán activo eres en términos generales: cuánto tiempo estás sentado, con qué frecuencia te mueves o cuántos pasos das. Aunque útiles, estos resúmenes mezclan muchos tipos de movimiento y pasan por alto detalles más finos de la marcha. Médicos e investigadores se interesan por características específicas de la marcha—como la velocidad, los pasos por minuto, la longitud del paso y la regularidad de los mismos—porque son indicadores sólidos de envejecimiento saludable y del riesgo de discapacidad, caídas y deterioro cognitivo. Tradicionalmente, estas medidas proceden de pruebas breves en clínicas o laboratorios, a menudo usando sensores en la parte baja de la espalda o pasillos especiales. Estas configuraciones son precisas pero poco prácticas y capturan solo instantáneas cortas de la movilidad de una persona.

Enseñar a un modelo a leer la marcha desde la muñeca

El equipo detrás de ElderNet se propuso extraer información completa sobre la marcha a partir de sensores de muñeca usados durante la vida diaria, a pesar de que la muñeca se mueve de formas complejas que mezclan el balanceo de los brazos con otras actividades. Partieron de un enfoque de aprendizaje auto‑supervisado, donde una red neuronal profunda primero se enseña a reconocer patrones en enormes cantidades de datos de muñeca no etiquetados procedentes de más de 100 000 personas del UK Biobank. A continuación, el modelo se adapta más mediante grabaciones de varios días de más de 800 adultos muy mayores del Rush Memory and Aging Project, para afinarse en los patrones de movimiento de las poblaciones envejecidas. Finalmente, el sistema se ajusta con un conjunto de datos más pequeño pero cuidadosamente etiquetado, Mobilise‑D, en el que los participantes llevaron sensores de muñeca y a la vez un sistema de referencia detallado que midió con precisión su marcha en entornos reales. Este paso permite a ElderNet aprender a traducir los movimientos complejos de la muñeca en métricas específicas de la marcha para cada episodio detectado.

Qué tan bien mide el sistema la marcha

Cuando se probó en adultos mayores y en personas con condiciones como insuficiencia cardíaca, enfermedad pulmonar, enfermedad de Parkinson, fractura de cadera y esclerosis múltiple, ElderNet estimó la velocidad de la marcha con un error medio de aproximadamente 8,8 centímetros por segundo y mostró una fuerte concordancia con el sistema de referencia de oro. También superó a un método biomecánico líder basado en características diseñadas manualmente y a un modelo similar entrenado sin preentrenamiento auto‑supervisado. Los investigadores ampliaron ElderNet para estimar características adicionales de la marcha como la cadencia, la longitud de zancada y la regularidad de los pasos; para la cadencia y la longitud de zancada en particular, la versión auto‑supervisada superó claramente a la línea base totalmente supervisada. Importante: el rendimiento se mantuvo alto en un grupo independiente de adultos jóvenes y sanos, lo que sugiere que el enfoque se generaliza más allá de la muestra de entrenamiento original, aunque se optimizó para personas mayores.

La marcha cotidiana cuenta una historia distinta a las pruebas de clínica

Para evaluar la utilidad clínica, los autores aplicaron ElderNet a aproximadamente diez días de datos de muñeca por persona de cientos de adultos mayores que viven en la comunidad. Compararon tres formas de identificar a quienes reportaron discapacidad funcional: pruebas breves y supervisadas de marcha; resúmenes amplios de la actividad física a partir de la muñeca; y métricas detalladas de la marcha en múltiples días estimadas por ElderNet. Mientras que las medidas de marcha en laboratorio y los niveles generales de actividad ofrecieron solo una discriminación modesta, las características ricas de la marcha en el mundo real fueron mucho mejores para separar a las personas con y sin problemas de movilidad. Curiosamente, los patrones de marcha observados en la vida diaria se relacionaron sólo débilmente con los medidos en caminatas clínicas breves, lo que sugiere que cómo se mueve la gente en su propio entorno captura aspectos de la función que las pruebas tradicionales pasan por alto.

Qué podría significar para un envejecimiento saludable

El estudio demuestra que un dispositivo común y cómodo colocado en la muñeca puede, con los algoritmos adecuados, proporcionar información de nivel clínico sobre cómo caminan las personas en su vida cotidiana. La precisión de ElderNet está en el orden de magnitud de cambios que tienen relevancia clínica para la velocidad de la marcha, y sus medidas pluridiarias identifican mejor a los adultos mayores con dificultades de movilidad que las pruebas estándar o los simples recuentos de actividad. Con más validación en grupos más diversos y a lo largo de periodos más largos, este enfoque podría ayudar a detectar declives sutiles antes, monitorizar la progresión o recuperación de enfermedades y orientar intervenciones más personalizadas, todo usando datos recogidos discretamente por un sensor similar a un reloj.

Cita: Brand, Y.E., Buchman, A.S., Kluge, F. et al. Continuous assessment of daily-living gait using self-supervised learning of wrist-worn accelerometer data. npj Digit. Med. 9, 338 (2026). https://doi.org/10.1038/s41746-026-02528-2

Palabras clave: monitorización de la marcha, acelerómetro de muñeca, envejecimiento saludable, aprendizaje auto‑supervisado, biomarcadores digitales