Investigación biomédica · global
La marcha encierra pistas sobre la salud de todo el cuerpo: la IA predice indicadores metabólicos y de fragilidad a partir de movimientos tridimensionales
Un estudio con 3,328 adultos permitió a una IA identificar múltiples características de salud a partir del movimiento de las articulaciones. Los resultados ofrecen una línea de investigación para el cribado no invasivo, pero aún debe verificarse si la capacidad predictiva puede traducirse en beneficios clínicos.
La forma en que se alternan las piernas y el tronco mantiene el equilibrio al caminar podría revelar más información sobre la salud que la velocidad de la marcha. Un nuevo estudio de *Nature Medicine* entrenó un modelo de IA con movimientos esqueléticos tridimensionales para explorar si la forma de mover el cuerpo permite identificar pistas sobre distintos aspectos, como el metabolismo, la fragilidad y el sueño, y abrir el camino a herramientas de evaluación de la salud más accesibles en el futuro.
El artículo original se publicó el 6 de noviembre, y la revista publicó también un resumen de la investigación el 9 de noviembre. El equipo utilizó datos de 3,328 adultos y registró con una única cámara de profundidad los movimientos esqueléticos de los participantes mientras completaban cinco tareas de movimiento. Después, contrastó esos movimientos con mediciones detalladas de salud. Este método requiere equipos específicos y un protocolo de tareas, por lo que todavía no puede deducirse que las grabaciones con un teléfono móvil convencional produzcan los mismos resultados.
El análisis tradicional de la marcha suele comenzar calculando indicadores como la cadencia y la longitud del paso; el modelo de este estudio, en cambio, aprende los patrones de movimiento coordinado de las articulaciones a lo largo del tiempo y convierte los movimientos complejos en características numéricas utilizables para la predicción. El estudio encontró que, de las 3,210 características de salud evaluadas, estas características del movimiento tenían una capacidad predictiva estadísticamente significativa para 1,887. Sin embargo, esta cifra no significa que puedan diagnosticarse otras tantas enfermedades.
En algunos indicadores concretos, los coeficientes de correlación de Pearson entre los valores predichos por el modelo y los valores reales de edad, índice de masa corporal y 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 diseñadas manualmente. El coeficiente de correlación describe el grado en que ambos valores varían de forma concordante; no puede interpretarse como exactitud diagnóstica, y estas cifras por sí solas tampoco permiten determinar si el error de predicción individual es adecuado para el uso clínico.
La información del movimiento tampoco es simplemente otra representación de la edad o de la constitución corporal. En comparación con un modelo de referencia que utilizaba únicamente la edad, el índice de masa corporal, la grasa visceral y la estatura, la incorporación de las características de movimiento aprendidas mejoró las predicciones en 18 sistemas corporales de los hombres y en 17 de esos sistemas de las mujeres. También mejoró la predicción de los diagnósticos clínicos y del uso de medicamentos. Sin embargo, identificar diferencias en los diagnósticos y el uso de medicamentos presentes en los datos no equivale a prever con antelación la aparición futura de enfermedades.
El estudio examinó además la contribución de distintas partes del cuerpo y encontró que la dinámica de las piernas era la más importante para las predicciones relacionadas con el metabolismo y la fragilidad, mientras que la dinámica del tronco contenía información sobre el sueño y el estilo de vida. Esto aporta algunas pistas interpretables sobre el funcionamiento del modelo, pero las asociaciones entre las partes del cuerpo y las características de salud aún no bastan para demostrar relaciones causales.
Para incorporar el modelo a los procesos de cribado, todavía es necesario confirmar su fiabilidad en distintas poblaciones y en entornos asistenciales reales, así como determinar si, tras señalar una anomalía, las pruebas posteriores pueden aportar beneficios para la salud. El estudio ha puesto a disposición el código y los datos fuente de los análisis estadísticos, mientras que el acceso a los datos de los participantes requiere un procedimiento de investigación controlado. Esto facilita la verificación y la reproducción posteriores; en cuanto a si el análisis de la marcha puede mejorar las decisiones médicas, todavía se necesitan pruebas clínicas directas.