Aprovechar el aprendizaje automático para el análisis digital de la marcha en ataxia mediante captura de movimiento sin sensores

Por qué importan los vídeos de la marcha para la salud cerebral

La pérdida de equilibrio y coordinación es un rasgo definitorio de la ataxia, un conjunto de trastornos neurodegenerativos que dificultan progresivamente caminar. Hoy, los médicos suelen calificar la marcha de una persona con una escala clínica sencilla que puede pasar por alto cambios tempranos y sutiles. Este estudio plantea una pregunta oportuna: ¿pueden las grabaciones ordinarias de personas caminando, analizadas mediante aprendizaje automático, detectar problemas de la marcha antes y seguirlos con mayor precisión—sin sensores portátiles ni equipamiento de laboratorio especializado?

Ver el movimiento a través de una lente digital

Los investigadores trabajaron con 91 adultos con distintas formas de ataxia y 28 voluntarios sanos que ya estaban siendo evaluados en un centro alemán de neurodegeneración. Durante las visitas rutinarias, cada persona realizó una tarea de marcha normal mientras era filmada con una sola tableta colocada frente a ellos. Los neurólogos valoraron la capacidad para caminar usando el primer ítem de una escala estándar llamada SARA, que puntúa la marcha desde caminar de forma normal hasta la incapacidad para hacerlo. Estas puntuaciones en el sitio sirvieron como la "verdad de referencia" con la que se compararía el sistema digital.

De píxeles a movimiento corporal

Para convertir el vídeo crudo en movimiento medible, el equipo utilizó un algoritmo de estimación de postura llamado AlphaPose. Este programa rastrea puntos clave del cuerpo—como caderas, hombros, muñecas y tobillos—en cada fotograma del vídeo, creando series temporales que describen cómo cambian las posiciones, distancias y ángulos articulares durante cada paso. A partir de estas señales, los investigadores construyeron varios modelos de aprendizaje automático. Algunos extrajeron cientos de características matemáticas que describen patrones en el movimiento, como la variabilidad de un ángulo articular, mientras que otros usaron métodos rápidos basados en convoluciones diseñados para datos en serie temporal. Los modelos se entrenaron para reproducir la puntuación numérica del clínico o para decidir a cuál de dos grupos (por ejemplo, sano frente a levemente afectado) pertenecía una persona.

Igualando y superando el juicio humano

La combinación de mejor rendimiento usó la extracción de características con la biblioteca tsfresh junto con un método de árboles de decisión potenciados por gradiente (XGBoost). Este modelo reprodujo las puntuaciones clínicas de la marcha con buena precisión y superó ligeramente a una "línea base humana" separada: puntuaciones de consenso de tres neurólogos entrenados que valoraron los vídeos a posteriori. El sistema digital fue especialmente eficaz para distinguir personas con niveles claramente distintos de problemas de la marcha, pero también manejó distinciones muy sutiles. De forma notable, pudo diferenciar a voluntarios sanos de portadores genéticos que aún parecían caminar con normalidad ante los examinadores humanos, logrando una clasificación sustancialmente mejor que el azar. En otras palabras, el algoritmo detectó anomalías ocultas en la marcha antes de que fueran visibles en los exámenes clínicos rutinarios.

Mirando dentro de la caja negra

Para entender qué estaba "mirando" el modelo, el equipo empleó un método de IA explicable llamado SHAP para ordenar qué señales de movimiento eran más relevantes para sus decisiones. Los ángulos de hombros y caderas surgieron como contribuyentes clave, lo que concuerda con la experiencia clínica de que las personas con ataxia a menudo amplían la base de apoyo y usan los brazos para compensar el equilibrio deficiente. A lo largo del tiempo, los investigadores siguieron cómo cambiaban ciertas características digitales en 30 pacientes que tuvieron visitas repetidas. Mientras que la puntuación clínica estándar de la marcha apenas cambió en promedio, varias de estas medidas derivadas del movimiento mostraron tendencias consistentes, fuertemente correlacionadas con el tiempo y ajustadas al nivel basal de deterioro de cada persona. Esto sugiere que las medidas digitales pueden captar progresión gradual que la escala clínica tosca suele pasar por alto.

Imparcialidad, practicidad y uso en el hogar

El mejor modelo rindió de forma similar entre distintos grupos de edad y entre hombres y mujeres, lo que sugiere que puede emplearse de manera amplia sin un sesgo demográfico fuerte. Dado que el sistema funciona a partir de un vídeo frontal único capturado con una tableta de consumo, puede integrarse en las visitas clínicas regulares y, con una guía básica sobre colocación de la cámara y el fondo, podría extenderse a grabaciones en el hogar. Esto contrasta con los sistemas tradicionales de análisis de la marcha que requieren múltiples cámaras, marcadores pegados a la piel o sensores portátiles que algunos pacientes encuentran incómodos o poco prácticos para un seguimiento frecuente.

Qué significa esto para los pacientes y la atención

El estudio demuestra que simples vídeos de la marcha, analizados con aprendizaje automático moderno, no solo pueden reproducir sino mejorar ligeramente las valoraciones clínicas expertas de la marcha en la ataxia. Más importante aún, el enfoque digital descubre cambios tempranos y lentos que los humanos tienden a pasar por alto. Para pacientes y clínicos, esto abre la puerta a una detección más temprana del inicio de la enfermedad, un seguimiento más sensible de si los tratamientos funcionan y monitorización conveniente desde casa. A medida que se recopilen más datos y se refinen los métodos, dichos biomarcadores digitales basados en vídeo podrían convertirse en una parte rutinaria del manejo de la ataxia y de la evaluación de nuevas terapias.

Cita: Wegner, P., Grobe-Einsler, M., Reimer, L. et al. Leveraging machine learning for digital gait analysis in ataxia using sensor-free motion capture. Commun Med 6, 167 (2026). https://doi.org/10.1038/s43856-025-01258-y

Palabras clave: marcha en ataxia, captura de movimiento en vídeo, aprendizaje automático, biomarcadores digitales, trastornos neurológicos del movimiento