← Volver al inicio

¿Cuánta información sobre la salud encierra la marcha? Un estudio de IA conecta indicadores de 18 categorías de sistemas corporales

Un estudio con 3,328 adultos encontró que los patrones de movimiento de las articulaciones de todo el cuerpo pueden aportar información sobre diferencias de salud que la edad y la grasa corporal no logran explicar. Esto abre la posibilidad de que el análisis del movimiento se convierta en una nueva herramienta para la investigación clínica, aunque su uso para el cribado y el diagnóstico de enfermedades aún requiere validación prospectiva.

By SURL BioNews

Observar cómo camina una persona podría revelar algo más que su equilibrio y fuerza muscular. Los pasos, la oscilación del tronco y la coordinación articular también podrían reflejar diferencias de salud relacionadas con el metabolismo, el sueño y otros aspectos. Un estudio publicado en línea el 6 de noviembre en Nature Medicine intentó interpretar estos detalles mediante inteligencia artificial: en 3,328 adultos, los datos de movimiento mostraron capacidad predictiva para diversas categorías de indicadores de salud, lo que ofrece una línea de investigación para evaluaciones de salud de baja carga.

El estudio utilizó datos de la cohorte Human Phenotype Project y registró, mediante una única cámara de profundidad, el movimiento tridimensional del esqueleto de los participantes mientras realizaban cinco tareas de movimiento. Según la información publicada por Newton Tech, el equipo analizó un total de 17,589 secuencias de movimiento, captadas y procesadas por el sistema Movement Lab de la empresa. Lo que se analiza aquí es la dinámica del esqueleto durante tareas estandarizadas; no basta con grabar un video cotidiano de manera informal para obtener una interpretación del estado de salud.

El análisis tradicional de la marcha suele reducir el movimiento a valores como la cadencia y la longitud del paso; el modelo fundacional de este estudio, en cambio, convierte los patrones de movimiento conjunto de las articulaciones de todo el cuerpo a lo largo del tiempo en un conjunto de representaciones numéricas. Los coeficientes de correlación de las predicciones del modelo para la edad, el índice de masa corporal (BMI) y el área de grasa visceral fueron de 0.69, 0.91 y 0.83, respectivamente, con un rendimiento superior al de las características tradicionales de la marcha utilizadas como comparación en el estudio. Estas cifras describen el grado de correlación entre los valores predichos y los medidos, y no pueden interpretarse como la exactitud del diagnóstico de enfermedades.

De los 3,210 fenotipos de salud evaluados, el modelo mostró una capacidad predictiva estadísticamente significativa para 1,887. Más relevante aún, tras establecer un modelo de referencia basado en la edad, el BMI, la grasa visceral y la estatura, la incorporación de las representaciones del movimiento siguió mejorando las predicciones en las 18 categorías de sistemas corporales de los hombres y en 17 de ellas en las mujeres. Esto indica que el movimiento aporta información adicional a la composición corporal, pero no significa que todos los indicadores hayan alcanzado una precisión suficiente para su uso clínico.

Esta información tampoco se distribuye de manera uniforme por todo el cuerpo. Al retirar la información de distintas partes del cuerpo, los investigadores encontraron que la dinámica de las piernas tenía mayor importancia para las predicciones relacionadas con el metabolismo y la fragilidad, mientras que la dinámica del tronco contenía pistas sobre el sueño y el estilo de vida. Esto ayuda a explorar qué está interpretando el modelo, pero las asociaciones por sí solas siguen sin permitir determinar cómo un estado de salud concreto causa cambios específicos en el movimiento.

En los ensayos clínicos, un uso potencial sería conservar más detalles en la evaluación funcional: además del tiempo necesario para completar una tarea, examinar si cambian la coordinación articular y la forma de moverse. Newton Tech plantea que este tipo de análisis podría utilizarse para la estratificación de participantes, los criterios de valoración exploratorios y la evaluación de la respuesta al tratamiento. Sin embargo, predecir diferencias de salud existentes y seguir de manera fiable los efectos de un medicamento son dos cuestiones que requieren validación por separado.

También debe tenerse en cuenta la relación entre el estudio y el proveedor del equipo: el artículo declara que tres autores trabajan en Newton VR Ltd., la empresa que desarrolló el sistema de registro, y que otros dos son consultores remunerados de Pheno.AI. El comunicado de prensa de la empresa también afirma expresamente que los usos para cribado y diagnóstico siguen en fase de investigación y requieren validación mediante estudios prospectivos y en poblaciones más diversas. El resultado actual es la identificación de una señal biológica que podría complementar la evaluación de la salud; si puede servir para mejorar las decisiones médicas sigue siendo una pregunta para futuras investigaciones.

References

  1. Medical Xpress / Newton Tech
  2. PubMed / Nature Medicine
  3. Newton Tech press release via BrightSurf