Un modelo de aprendizaje automático para la fragilidad basado en mediciones de dispositivos portátiles

Por qué importa el movimiento cotidiano en la vejez

A medida que más personas llegan a los 70, 80 años y más, los médicos buscan mejores formas de detectar quién corre el riesgo de debilitarse, perder la independencia o necesitar atención de urgencia. El término médico para esta vulnerabilidad es fragilidad, pero las pruebas actuales de fragilidad son lentas, a menudo subjetivas y difíciles de repetir con regularidad. Este estudio explora si datos sencillos de movimiento recogidos por un monitor de actividad en la muñeca pueden sustituir a esas pruebas e incluso mejorar la capacidad de los médicos para prever desenlaces graves como la hospitalización y la muerte.

De los portapapeles a las pulseras

Las puntuaciones tradicionales de fragilidad preguntan sobre cansancio y pérdida de peso, miden la velocidad al caminar y la fuerza de agarre, y contabilizan numerosos problemas de salud. Estas herramientas son útiles pero consumen tiempo, y algunas dependen de la memoria del paciente o del juicio de un clínico ocupado. Los investigadores detrás de este trabajo se preguntaron si una ventana más objetiva a la vida diaria —cuánto se mueve, se sienta y duerme la gente— podría captar la misma información de forma más eficiente. Utilizando un dispositivo parecido a un reloj, llamado acelerómetro, registraron cada paso, pausa y estallido de actividad en adultos mayores durante el transcurso de una semana.

Una semana de movimiento convertida en puntuaciones de riesgo

El equipo se basó en el Estudio de Toledo para el Envejecimiento Saludable en España, que sigue a cientos de adultos de más de 65 años. Tras entrevistas, exámenes físicos, análisis de sangre y exploraciones corporales, se pidió a 437 participantes que llevaran el dispositivo de actividad durante siete días. Software especializado transformó las señales de movimiento en bruto en características numéricas como pasos totales, intervalos de actividad vigorosa y largos periodos sedentarios, así como patrones relacionados con el sueño y la vigilia. Estas características se introdujeron luego en un modelo de aprendizaje automático —un programa informático que aprende patrones a partir de datos— para ver si podía recrear varias escalas de fragilidad establecidas y factores de riesgo asociados a la salud.

Enseñar a un ordenador a reconocer la fragilidad

Los investigadores emplearon un enfoque llamado árboles de decisión potenciados por gradiente, que combina muchas reglas de decisión simples en un predictor potente. Dividieron repetidamente su conjunto de datos en dos mitades, entrenando el modelo en una mitad y probándolo en la otra, para asegurarse de que los resultados se mantuvieran en personas no vistas. El modelo pudo estimar una puntuación de fragilidad detallada, conocida como Escala de Rasgos de Fragilidad, con buena exactitud basándose únicamente en patrones de actividad. Se observó un éxito similar para otras medidas de fragilidad y para factores de riesgo individuales vinculados al envejecimiento, como resultados de análisis de sangre y la fuerza de agarre. Cabe destacar que dos días —alrededor de 48 horas— de datos cuidadosamente seleccionados fueron casi tan informativos como la semana completa, lo que sugiere que una monitorización breve y dirigida podría ser suficiente.

Mirando hacia las estancias hospitalarias y la supervivencia

Más allá de reproducir las puntuaciones de fragilidad existentes, el modelo basado en la actividad se probó sobre desenlaces que importan profundamente a pacientes y familias: el ingreso hospitalario y el riesgo de morir con el tiempo. En estos casos, las predicciones derivadas del movimiento a menudo superaron a las propias escalas tradicionales de fragilidad. En otras palabras, cómo se mueve y descansa una persona en su vida diaria proporcionó una señal más clara de problemas inminentes que las pruebas puntuales realizadas en la clínica. Este hallazgo sugiere que los dispositivos portátiles podrían ayudar a los médicos a identificar antes a los pacientes de alto riesgo y a ajustar el seguimiento o los servicios de apoyo antes de que ocurran crisis.

Qué podría significar esto para un envejecimiento saludable

El estudio sugiere que periodos breves de monitorización con un dispositivo sencillo en la muñeca pueden ofrecer un sustituto eficiente y objetivo de exámenes complejos de fragilidad, además de afinar las predicciones de eventos de salud graves. Para las personas mayores, eso podría significar finalmente menos visitas largas a la clínica y una visión más continua y domiciliaria de cómo cambia su salud. Para los sistemas sanitarios, abre la puerta a rastrear la fragilidad en grandes poblaciones y a dirigir recursos limitados hacia quienes más lo necesitan. Los autores advierten que serán necesarios grupos más diversos y mediciones biológicas adicionales para construir la imagen más completa del envejecimiento. Aun así, sus resultados apuntan hacia un futuro en el que el movimiento cotidiano, registrado en silencio, se convierta en una herramienta poderosa para proteger la independencia y ampliar los años de vida saludables.

Cita: Culos, A., Manas, A., Shidara, K. et al. A machine learning model for frailty based on wearable device measurements. Commun Med 6, 173 (2026). https://doi.org/10.1038/s43856-026-01419-7

Palabras clave: fragilidad, sensores portátiles, personas mayores, aprendizaje automático, envejecimiento saludable