“El infinito ballet de la marcha: Descubriendo la grandeza de nuestros pasos con ayuda de la IA”

Autores: Adriana Beltrán-Ostos (1), Wilson Bautista (2)

1. Médica especialista en medicina interna y reumatología, Universidad Militar Nueva Granada. Magíster en epidemiología clínica. Estudiante de doctorado en epidemiología clínica, Pontificia Universidad Javeriana. Grupo de inmunología celular y molecular INMUBO, Universidad El Bosque. Miembro fundador de AIpocrates. Coordinadora del grupo de estudio AI RheumaNet  PANLAR  Group. Reumatóloga Cayre IPS.
2. Médico especialista en medicina interna y reumatología, Universidad Militar Nueva Granada- PhD Espondiloartropatías, Sección Reumatología Hospital Universitario Fundación Santa Fe de Bogotá, Facultad de Medicina Universidad El Bosque, Bogotá.

Alguna vez te has preguntado cómo la tecnología puede revolucionar la forma en que comprendemos el movimiento humano? El análisis de la marcha ha sido, durante años, una disciplina esencial para descifrar la complejidad de nuestro andar. Sin embargo, en la actualidad estamos viviendo un momento extraordinario: la unión de sensores portátiles con la potencia de la inteligencia artificial (IA) está transformando por completo esta área, abriendo posibilidades impensables para el diagnóstico, el seguimiento y la rehabilitación de nuestros pacientes.

Tradicionalmente, el estudio de la marcha se realizaba en laboratorios especializados, con sistemas de captura multicámara y plataformas de fuerza que representaban el estándar de oro. No obstante, la llegada de dispositivos “wearables” —livianos, versátiles y cada vez más asequibles— ha derribado barreras de costo, logística y complejidad técnica. Ahora podemos capturar datos en entornos reales, desde la comodidad del hogar hasta las calles más transitadas, y analizar las variaciones individuales de la marcha con un detalle sin precedentes.

La clave de este salto tecnológico es la inteligencia artificial. Con su capacidad para procesar grandes volúmenes de información y detectar patrones sutiles, la IA nos permite ir más allá de la simple observación: podemos anticipar la progresión de enfermedades, diseñar tratamientos personalizados y, en última instancia, mejorar la calidad de vida de nuestros pacientes. En las siguientes líneas, exploraremos cómo esta fusión entre sensores e IA está redefiniendo la biomecánica del movimiento y revolucionando la forma en que entendemos, medimos y cuidamos la marcha humana.

¡Te invitamos a sumergirte en este apasionante viaje hacia el futuro de la medicina y la biomecánica! Acompáñanos y descubre cómo el análisis de la marcha, apoyado por la inteligencia artificial, abre las puertas a una nueva era de innovación que promete cambiar para siempre la forma en que evaluamos y tratamos las patologías musculoesqueléticas.

Inteligencia artificial y machine learning: el futuro del análisis de la marcha

El procesamiento de los datos recolectados por estos sensores requiere sistemas computacionales avanzados capaces de analizar múltiples señales simultáneamente. En este contexto, la inteligencia artificial (IA) ha ganado protagonismo al permitir el análisis de grandes volúmenes de datos y la identificación de patrones complejos en la marcha.

El uso de aprendizaje automático (Machine Learning, ML) en el análisis de la marcha consiste en crear un modelo (T(x)) que relacione los datos de entrada (f(x)) con la salida (y(x)). Por ejemplo, si medimos cómo caminan varios pacientes (f(x)) y queremos predecir la presencia de algún trastorno (y(x)), necesitamos un método que vincule ambas cosas. Sin embargo, estos datos suelen contener “ruido” (n(t)), lo que hace necesario limpiar o preprocesar la información antes de emplearla.

El conjunto de datos inicial se organiza en un arreglo multidimensional:

• uᵢ representa a los pacientes o las repeticiones de sus pruebas.
• vᵢ contiene las características que medimos (por ejemplo, variables de cinemática, cinética o señales neuromusculares).

El objetivo es que el modelo final “aprenda” a clasificar eventos de la marcha, actividades o posibles alteraciones. Para ello, se usa un proceso iterativo que suele dividir los datos en:

1. Conjunto de entrenamiento (training set)
2. Conjunto de validación (validation set)
3. Conjunto de prueba (test set)

Tras elegir la técnica de ML (por ejemplo, supervisada, no supervisada o aprendizaje por refuerzo), se entrena el modelo con los datos de entrenamiento y se ajusta (valida) hasta que responda adecuadamente. Luego, se evalúa en el conjunto de prueba, que contiene datos nuevos que el modelo no ha visto antes, para verificar qué tan bien funciona en situaciones reales.

Si la exactitud no es la deseada, se reajustan los parámetros y se vuelve a entrenar. Sin embargo, emplear muchos parámetros puede complicar el sistema, por lo cual suele recurrirse a la selección de características: se escogen solo las variables que más aportan para reducir la complejidad y agilizar el análisis.

Las técnicas más utilizadas incluyen:

1. Aprendizaje Supervisado:

En este enfoque, contamos con datos de entrada (“características”) acompañados de etiquetas que indican la categoría o resultado que deseamos predecir. Por ejemplo, podría tratarse de un registro de pacientes con distintos patrones de marcha (características) y un diagnóstico asociado (etiqueta). El objetivo es crear un modelo que relacione de la mejor manera los datos de entrada con su respectiva etiqueta, de modo que en el futuro pueda identificar correctamente un nuevo paciente con un patrón de marcha similar.

Para lograr esto, se emplean varios métodos:

• Máquinas de Soporte Vectorial (SVM): es popular en el análisis de la marcha porque ofrece buenos resultados incluso con conjuntos de datos relativamente pequeños. Además, sus “funciones kernel” permiten abordar problemas tanto lineales como no lineales. No se limita únicamente a clasificaciones de “sí o no”, sino que también puede reconocer múltiples categorías (por ejemplo, tipo de marcha normal, marcha con alteración leve o marcha con alteración severa).
• Redes neuronales (NN): usan algoritmos de propagación hacia delante y hacia atrás (feed-forward y backpropagation) para “aprender” patrones complejos sin necesidad de diseñar manualmente las características. Por ejemplo, en vez de indicar “mide el ángulo de la rodilla” o “mide la velocidad de la cadera”, la red neuronal puede descubrir sola qué elementos son importantes. Su gran ventaja es esta autonomía, aunque a menudo funcionan como una “caja negra” cuya lógica interna es difícil de interpretar.
• Árboles de decisión (DT) y Bosques aleatorios (RF): los árboles de decisión resultan útiles para manejar relaciones no lineales y complejas entre los datos (como la interacción entre varios ángulos articulares). Son más fáciles de interpretar que otras técnicas, pero no siempre garantizan la mejor solución. Por otro lado, el bosque aleatorio combina muchos árboles de decisión y “vota” la categoría más frecuente, ofreciendo generalmente más robustez.
• k-vecinos más cercanos (kNN): basa sus clasificaciones en la similitud de un paciente con otros casos ya conocidos, midiendo su “distancia” dentro del conjunto de datos. Puede ser útil en situaciones de tiempo real, como dispositivos portátiles que monitorean la marcha, dado que no requiere suposiciones estrictas sobre cómo se distribuyen los datos.
• Modelos difusos (Fuzzy): se utilizan en estudios de asimetría de la marcha cuando se quiere manejar información más lingüística (por ejemplo, “ligera desviación”, “desviación moderada” o “desviación severa”). Aunque pueden ser muy flexibles, son menos frecuentes en la práctica por la dificultad de definir las categorías y las funciones de pertenencia adecuadas.

• Aprendizaje no supervisado:

En este método, el algoritmo no cuenta con etiquetas o diagnósticos previos (por ejemplo, “marcha normal” o “marcha con X alteración”). En lugar de ello, el sistema se encarga de encontrar relaciones o similitudes entre los datos por su propia cuenta.

Un ejemplo es la agrupación en clústeres (clustering), donde se forman grupos de pacientes con patrones de marcha parecidos, basándose en la “distancia” entre las características de cada caso. Esta técnica resulta útil cuando no sabemos de antemano cuántos tipos de marcha existen o cómo se relacionan entre sí. Sin embargo, definir de manera clara los objetivos de aprendizaje y manejar grandes conjuntos de datos puede ser complicado.

Para evitar que la gran cantidad de variables dificulte la identificación de grupos, suele combinarse con técnicas de reducción de la dimensionalidad, que ayudan a simplificar el problema conservando la información esencial. Así, el algoritmo puede aprender patrones específicos, como un tipo de marcha asociado a un determinado trastorno, sin necesidad de indicarle las categorías desde el inicio.

Además de la distancia entre los datos, se pueden emplear enfoques como el análisis de perfiles latentes, que también clasifica subgrupos de pacientes según sus similitudes. En términos clínicos, esto podría servir para identificar perfiles de marcha que compartan características clave, incluso si no están etiquetados con un diagnóstico particular desde el principio.

• Aprendizaje por refuerzo (RL):

En dispositivos de rehabilitación como exoesqueletos o sistemas de asistencia para caminar, el aprendizaje por refuerzo permite que el equipo se adapte de forma continua a las necesidades del paciente. Imaginemos un exoesqueleto que ayuda a un paciente a dar pasos: el dispositivo “prueba” distintas formas de asistencia, observa la respuesta del usuario y “aprende” cuál es la estrategia más efectiva. De este modo, puede ajustar la fuerza o el patrón de movimiento de forma automática, ofreciendo una rehabilitación cada vez más personalizada.

Además, la combinación del aprendizaje por refuerzo con redes neuronales profundas (DNN) ayuda a manejar la variabilidad entre distintos pacientes, permitiendo que cada dispositivo se adapte a situaciones individuales y evolucione conforme el paciente progresa en su recuperación. Esto se traduce en un enfoque terapéutico dinámico, capaz de responder de forma óptima a cambios en el entorno o en la condición del paciente.

Aplicaciones de las técnicas de aprendizaje de máquina en el análisis de la marcha

• Detección de la actividad de la marcha

El primer paso al aplicar aprendizaje automático (ML) al análisis de la marcha es entrenar a un modelo para reconocer la “marcha normal” en diferentes actividades. Esto va desde caminar en terreno plano hasta la transición de estar sentado a ponerse de pie o subir y bajar escaleras y rampas. Con ayuda de sensores de movimiento y sistemas de captura de datos, se ha podido estudiar tanto a personas sanas como a pacientes con patologías, facilitando la identificación de patrones de marcha relevantes para su evolución clínica.

Dado que la marcha depende de muchos factores (control muscular, articulaciones, equilibrio, etc.), no siempre resulta sencillo interpretar todo ese conjunto de datos. Aquí es donde los modelos de ML marcan la diferencia: pueden manejar múltiples variables a la vez y han logrado niveles de exactitud superiores al 80% al clasificar distintas actividades. Esto acorta el tiempo de análisis y ayuda a los profesionales de la salud a decidir qué variables son clave para cada tipo de paciente o condición.

Este tipo de herramientas también ha demostrado su valor para sistemas de asistencia a la marcha, como exoesqueletos y dispositivos ortésicos inteligentes, ya que la detección precisa de cada fase de la marcha resulta fundamental para proporcionar la ayuda correcta en el momento oportuno. Sin embargo, todavía se requieren más estudios para que los algoritmos se adapten mejor a superficies irregulares y situaciones de la vida real.

• Detección de eventos de la marcha (GED)

Para analizar en detalle las fases de la marcha, es fundamental identificar dos momentos clave: el contacto del pie con el suelo (heel strike) y la separación del pie del suelo (toe-off). Sin embargo, observar fases más específicas (carga, empuje, balanceo y final del balanceo) ofrece una visión más precisa de cómo camina cada persona y permite valorar de forma dinámica su marcha. Este nivel de exactitud es esencial en la toma de decisiones para rehabilitación robótica, ya que un exoesqueleto o robot de asistencia debe adaptarse a las necesidades del paciente sin causar lesiones.

Además, en procedimientos como la estimulación eléctrica funcional (FES), el control de órtesis en tiempo real o la rehabilitación de la marcha, identificar la fase específica del paciente permite aplicar la estrategia de tratamiento correcta en el momento adecuado. Por ejemplo, las señales de electromiografía (EMG), que registran la activación muscular y nerviosa, pueden complementar datos de fuerza y ángulos articulares para determinar cada etapa de apoyo o desplazamiento.

Diversos estudios han empleado modelos de aprendizaje automático (ML) para clasificar eventos de la marcha. Algunos utilizan ángulos articulares o la fuerza de reacción del suelo con algoritmos supervisados o híbridos, logrando notables niveles de exactitud. Por ejemplo, las redes neuronales pueden reconocer la fase de la marcha en exoesqueletos robóticos para pacientes con accidente cerebrovascular, mientras que el análisis de la variación en el movimiento ayuda a predecir la progresión de la osteoartritis. Asimismo, técnicas de aprendizaje conjunto (ensemble learning) han alcanzado precisiones elevadas en la identificación de patrones de marcha.

Igualmente, se han clasificado fases de la marcha mediante sensores en muslo y rodilla, empleando modelos logísticos y árboles de decisión. Debido a que la monitorización convencional puede ser lenta y depender en gran medida de la experiencia del especialista, métodos automáticos como “one-class SVM” permiten detectar cambios sin supervisión constante. En casos de hemiplejía, el aprendizaje por refuerzo (RL) ha servido para controlar dispositivos adaptativos, ofreciendo terapia dinámica y personalizada. Tanto los métodos supervisados como el RL han demostrado ser útiles al ajustar la intervención según los avances de cada paciente, optimizando así la rehabilitación.

• Detección de trastornos de la marcha

Actualmente, el aprendizaje automático (ML) ofrece la posibilidad de identificar alteraciones de la marcha con alta precisión, comparando los patrones de una persona con los de individuos sanos y detectando pequeñas diferencias. Esto resulta esencial en el diagnóstico y seguimiento de enfermedades como la artrosis de rodilla o la pérdida de equilibrio en adultos mayores, ya que suelen desarrollarse lentamente y pueden pasar inadvertidas sin un monitoreo continuo.

La detección temprana de alteraciones permite implementar estrategias protectoras, como programas de ejercicio o cambios en la dieta. Además, la integración de datos procedentes de diferentes fuentes (sensores de movimiento, estudios de imagen o análisis clínicos) mejora la calidad de las predicciones y facilita la labor de los profesionales de la salud. Entre los algoritmos utilizados, la Máquina de soporte vectorial (SVM) se destaca por su solidez y capacidad para generar resultados confiables en el diagnóstico de trastornos de la marcha.

• Detección de asimetría en la marcha

La asimetría en la marcha aparece cuando existen pequeñas diferencias entre los pasos de ambas extremidades inferiores, lo cual puede indicar un mayor riesgo de caídas, especialmente en adultos mayores. En estos casos, se suelen emplear sensores inerciales (IMUs) o plataformas de fuerza para evaluar el equilibrio y la estabilidad. Además, incluir señales de electromiografía (EMG) —que miden la actividad de músculos y nervios— contribuye a detectar de forma más precisa si la persona presenta desequilibrios que puedan derivar en caídas.

Por otro lado, se han diseñado índices de la marcha para comparar la extremidad dominante con la no dominante, lo que ayuda a clínicos y terapeutas a medir el progreso en la rehabilitación de pacientes que han sufrido lesiones o padecen enfermedades que comprometen la estabilidad al caminar. Aquí, los modelos de aprendizaje automático (ML) combinados con sensores portátiles pueden brindar información sobre la gravedad de la asimetría y el riesgo de caídas.

Aunque muchos de estos estudios se realizan de manera “fuera de línea” (es decir, analizando los datos después de su captura), se están desarrollando nuevas aproximaciones basadas en redes neuronales profundas (DNN) y redes de memoria a largo plazo (LSTM) capaces de procesar las señales en tiempo real. Esto podría ofrecer herramientas más eficaces y rápidas para guiar la rehabilitación, mejorar la detección de problemas de equilibrio y personalizar la terapia en función de las necesidades de cada paciente.

• Estudios neurológicos de la marcha

En esta área se investiga cómo los procesos cognitivos, como la atención y las funciones ejecutivas, influyen en la forma de caminar. Tradicionalmente, se consideraba que la marcha estaba ligada solo a la función motora, pero ahora sabemos que el deterioro de ciertas capacidades cerebrales puede provocar alteraciones en el patrón de la marcha. Por ejemplo, cuando alguien camina en un entorno con muchos estímulos (calles concurridas, lugares desconocidos), necesita concentrarse más y planificar sus pasos, lo que demuestra la interacción entre los procesos cerebrales y la mecánica del cuerpo.

Para analizar esta interacción, se utilizan herramientas como la electroencefalografía (EEG) para “escuchar” la actividad cerebral mientras el individuo camina en condiciones controladas. Sin embargo, vincular estos datos cerebrales con el patrón de la marcha resulta complejo, por lo que los modelos de aprendizaje automático (ML) que se han empleado reportan exactitudes de entre el 70% y el 80%. Esta cifra refleja las dificultades de registrar y combinar al mismo tiempo la información cognitiva y los parámetros de la marcha.

• Usos en Enfermedades Musculoesqueléticas y en Reumatología

En Reumatología, la evaluación precisa y estandarizada de la movilidad articular y espinal resulta esencial, especialmente en enfermedades inflamatorias como la artritis reumatoide y las espondiloartropatías. Tradicionalmente, este proceso se basa en herramientas clinimétricas aplicadas durante la exploración física, pero la variabilidad intra e interobservador limita su reproducibilidad y puede dificultar la toma de decisiones terapéuticas. En la actualidad, los avances tecnológicos, en particular el análisis de la marcha mediante sensores, ofrecen mediciones objetivas y cuantitativas que reducen la subjetividad. Además, la integración de la inteligencia artificial (IA) aumenta la precisión al detectar alteraciones de la movilidad y predecir la progresión de la enfermedad, posibilitando un abordaje clínico más personalizado y confiable para cada paciente

¡Revolucionando el BASMI con Análisis de la Marcha e IA! (Video Imperdible)
El Bath Ankylosing Spondylitis Metrology Index (BASMI) es una herramienta fundamental para evaluar la movilidad espinal en pacientes con espondiloartritis axial. Gracias a los avances en el análisis de la marcha mediante sensores e inteligencia artificial, hoy es posible optimizar su cálculo de manera más precisa y reproducible. Estas tecnologías permiten obtener mediciones detalladas de la columna durante el movimiento, capturando variaciones sutiles en la flexión lumbar, rotación cervical y expansión torácica que podrían pasar desapercibidas con métodos convencionales. De esta forma, no solo se facilita la detección temprana de la progresión de la enfermedad, sino que también se ofrece un seguimiento más objetivo de la funcionalidad del paciente.

A continuación, presentamos un video donde se observa la medición de los parámetros de movilidad de la columna en un paciente con espondiloartropatía. Este estudio, realizado por un equipo de investigadores de los servicios de Reumatología y Rehabilitación del Hospital Militar Central de Bogotá, en colaboración con el Laboratorio de Biomecánica de la Universidad ECCI, comparó los rangos de movilidad registrados por evaluadores clínicos frente a los captados mediante tecnología de laboratorio para estandarizar la toma de medidas. Además, se establecieron modelos de clasificación de la enfermedad, con resultados preliminares prometedores (en proceso de publicación). ¡Descubra en el video cómo estos avances están transformando la evaluación de la movilidad espinal!

Investigadores: autores de esta columna, y los doctores Juan Manuel Bello, Verónica Romero, Yany Magali Chamorro, en el laboratorio liderado por la ingeniera Claudia Natalia Lara.

Conclusión

La unión de sensores e inteligencia artificial está abriendo un nuevo capítulo en la medicina y la biomecánica. Ahora podemos evaluar el movimiento humano con una precisión sin precedentes, transformando diagnósticos, tratamientos y el seguimiento de enfermedades que afectan la biomecánica del movimiento en soluciones más personalizadas y eficientes. Además, esta revolución tecnológica ya se está implementando en entornos reales, cambiando la forma en que estudiamos y tratamos la marcha, y prometiendo avances cada vez más sorprendentes. El futuro nos reta a dar pasos más audaces para continuar escribiendo esta increíble historia.

Lecturas recomendadas

Preeti Khera & Neelesh Kumar (2020): Role of machine learning in gait analysis: a review, Journal of Medical Engineering & Technology, DOI:10.1080/03091902.2020.1822940

Harris E, Khoo I-H and Demircan E (2022) A Survey of Human Gait-Based Artificial Intelligence Applications. Front. Robot. AI 8:749274. doi: 10.3389/frobt.2021.749274

Lim ACY, Natarajan P, Fonseka RD, Maharaj M, Mobbs RJ. The application of artificial intelligence and custom algorithms with inertial wearable devices for gait analysis and detection of gait-altering pathologies in adults: A scoping review of literature. Digit Health. 2022 Jan 27;8:20552076221074128. doi: 10.1177/20552076221074128. PMID: 35111331; PMCID: PMC8801637.

Ben Chaabane, N., Conze, PH., Lempereur, M. et al. Quantitative gait analysis and prediction using artificial intelligence for patients with gait disorders. Sci Rep 13, 23099 (2023). https://doi.org/10.1038/s41598-023-49883-8

Vun DSY, Bowers R, McGarry A. Vision-based motion capture for the gait analysis of neurodegenerative diseases: A review. Gait Posture. 2024 Jul;112:95-107. doi: 10.1016/j.gaitpost.2024.04.029. Epub 2024 May 7. PMID: 38754258.