La enfermedad de Parkinson, un trastorno neurodegenerativo que afecta a millones de personas, presenta síntomas motores significativos como la bradicinesia, que se traduce en un enlentecimiento del movimiento. Este síntoma puede manifestarse como una disminución en la amplitud, velocidad o fuerza al realizar acciones repetitivas. Históricamente, la evaluación de estos síntomas se lleva a cabo en consultas médicas mediante escalas clínicas y observación especializada. Sin embargo, este método tiene una limitación crucial: proporciona solo una instantánea del estado motor del paciente, el cual puede variar por diversas razones, como el estado ON-OFF o factores situacionales.
Ante esta necesidad, un equipo de investigadores del Grupo de Investigación en Instrumentación y Acústica Aplicada de la Universidad Politécnica de Madrid ha desarrollado un enfoque innovador. Propusieron evaluar cómo una persona bate un huevo durante un minuto mientras utiliza un reloj inteligente que registra señales de aceleración y velocidad angular mediante sensores inerciales. Esta actividad no es aleatoria; batir un huevo implica movimientos repetitivos que son representativos de las dificultades motoras comunes en pacientes con Parkinson.
Nueva metodología para evaluar el Parkinson
La elección de batir un huevo se fundamenta en que muchas personas afectadas han identificado este tipo de actividades cotidianas—como cocinar o manipular utensilios—como momentos donde comenzaron a notar alteraciones en sus movimientos antes incluso de recibir un diagnóstico formal. Además, esta tarea es frecuentemente utilizada en terapia ocupacional para mejorar la movilidad y coordinación.
“El objetivo no es reemplazar la valoración clínica tradicional, sino explorar si tareas sencillas y reproducibles pueden ofrecer información objetiva sobre el estado motor”, afirman los investigadores. Este enfoque busca acercar la evaluación al entorno real del paciente mientras mantiene protocolos controlados para asegurar la comparabilidad de los datos.
Resultados prometedores del estudio
En el estudio participaron 22 pacientes con Parkinson y 16 individuos sanos como grupo control. Los participantes realizaron la tarea durante una semana: primero bajo supervisión y luego en su hogar sin supervisión directa. Este diseño permitió comparar el rendimiento del sistema tanto en condiciones controladas como reales.
Los resultados revelaron diferencias notables entre los grupos: los pacientes con Parkinson mostraron menor amplitud de movimiento, frecuencia oscilatoria más lenta y disminución progresiva de energía durante la tarea. Estos patrones coinciden con las características clínicas de la bradicinesia y fueron evidentes tanto en los datos del acelerómetro como en los del giroscopio del reloj inteligente.
Implicaciones futuras y desarrollo continuo
A partir de las señales obtenidas, se extrajeron características temporales y frecuenciales para evaluar distintos modelos de aprendizaje automático. El modelo más efectivo logró una precisión del 91,1% bajo condiciones supervisadas y mantuvo un 87,8% al aplicarse a datos recogidos en casa, lo que indica que batir un huevo ayuda a reducir la brecha entre entornos clínicos y domésticos.
Este hallazgo es crucial ya que uno de los principales desafíos en salud digital es garantizar que los modelos funcionen fuera del laboratorio. “El diseño de la actividad es tan importante como los algoritmos”, concluyen los investigadores. La propuesta no solo tiene relevancia científica; también podría facilitar el seguimiento longitudinal de síntomas motores y disminuir la necesidad de visitas frecuentes al médico.
No obstante, los autores advierten que se trata aún de una línea investigativa emergente que requiere estudios adicionales con cohortes más amplias antes de considerar su aplicación clínica generalizada. Este trabajo ha sido publicado en la revista Technologies, dentro del número especial sobre avances en ingeniería biomédica e inteligencia artificial para la salud neurológica.
Referencia del artículo:
Polvorinos-Fernández, C., Sigcha, L., Valero, M. M., Grande, M., de Arcas, G., & Pavón, I. (2026). Machine Learning Assessment of Parkinson’s Disease Using a Novel Free-Living Egg-Beating Motor Task. Technologies, 14(6), 345. https://doi.org/10.3390/technologies14060345
Si (
No(
