Resumen Técnico: Pruebas de Movimiento Cuantitativo (QMT)

Planteamiento del Problema

El dolor crónico y las afecciones musculoesqueléticas deterioran significativamente la capacidad funcional, pero medir este impacto de manera objetiva en entornos del mundo real sigue siendo un desafío importante. La práctica clínica actual depende en gran medida de informes subjetivos del paciente o de una evaluación visual estática, que no capturan ni lo uno ni lo otro: la calidad dinámica del movimiento necesaria para monitorear la progresión de la enfermedad o la respuesta al tratamiento. Si bien la captura de movimiento (MoCap) óptica sirve como el estándar de oro para la evaluación biomecánica de alta precisión, está restringida a entornos de laboratorio debido a los altos costos, la necesidad de infraestructura dedicada y la incomodidad física de adherir marcadores reflectantes a pacientes con hipersensibilidad sensorial. Además, la carga logística de las visitas al laboratorio dificulta el seguimiento longitudinal sistemático. Aunque los avances recientes en visión por computadora han reducido las barreras, las soluciones existentes requieren múltiples cámaras sincronizadas (lo que limita su uso en el hogar) o dependen de modelos de aprendizaje profundo de extremo a extremo que carecen de interpretabilidad geométrica y generalizabilidad más allá de conjuntos de datos de entrenamiento específicos. Existe una necesidad crítica de un método escalable, accesible e interpretable para extraer biomarcadores cinemáticos 3D a partir de videos monoculares estándar de teléfonos inteligentes.

Metodología

Los autores desarrollaron las Pruebas de Movimiento Cuantitativo (QMT), un flujo de trabajo de visión por computadora diseñado para extraer biomarcadores cinemáticos 3D a partir de videos de un solo video de cámara de smartphone. El marco equilibra la accesibilidad clínica con la precisión biomecánica mediante el uso de una arquitectura de "elevación" (lifting) en lugar de triangulación.

Arquitectura del Pipeline

1. Estimación de Pose: El video monocular estándar es procesado utilizando un modelo VideoPose3D preentrenado para estimar poses esqueléticas 3D de 17 articulaciones (incluyendo pelvis, caderas, rodillas, tobillos, columna y torso superior).
2. Derivación de Métricas: A partir de las trayectorias de las articulaciones 3D, el sistema computa ángulos planos (2D) específicos y distancias espaciales para maximizar la estabilidad geométrica. Las métricas clave incluyen:
   • Flexión lumbar: Ángulo del vector espina-pelvis respecto a un eje vertical.
   • Flexión de rodilla/cadera: Ángulos entre los vectores de las extremidades.
   • Alcance espacial: Distancia vertical entre la muñeca y el tobillo (flexión hacia adelante) o la pelvis y el tobillo (minisquat).
3. Alineación Temporal: Para manejar velocidades de grabación y duraciones variables, las trayectorias se interpolan en un eje de tiempo normalizado. Se emplea la Asignación de Tiempo Dinámico (DTW) contra una plantilla sinusoidal para identificar y alinear motivos de movimiento repetitivos (picos y v troughs), permitiendo la extracción de rangos funcionales (pico menos valle) a través de las repeticiones.
4. Calibración: Para corregir los sesgos sistemáticos inherentes a la estimación de profundidad monocular, se aplica una calibración de validación cruzada de dejar a un sujeto fuera (LOOCV). Se estima un desfase aditivo a partir de los sujetos restantes y se aplica a las mediciones del sujeto excluido para eliminar el sesgo.

Validación y Despliegue Clínico

El pipeline QMT fue evaluado a través de tres conjuntos de datos distintos:

1. Validación de Laboratorio: 13 controles sanos realizaron flexión hacia adelante, marcha en el lugar y minisquats en un laboratorio de marcha controlado equipado con MoCap óptica de estándar de oro.
2. Ensayo PainLESS: Un ensayo controlado aleatorizado prospectivo (N=80 inscritos, N=57 con datos de QMT) que involucró a pacientes con fibromialgia sometidos a una intervención de terapia cognitivo-conductual digital para el insomnio (dCBT-I). QMT se utilizó para evaluar los cambios pre y post-intervención.
3. Estudio BeADS: Un estudio de monitoreo longitudinal en el hogar de 30 días (N=97 inscritos, N=83 analizados) que involucró a pacientes con ciática crónica y controles sanos realizando tareas diarias de flexión hacia adelante.

Resultados Clave

Validación de Laboratorio

• Alta Concordancia: Después de la calibración LOOCV, QMT demostró una fuerte concordancia con la MoCap óptica, con correlaciones que superan r > 0.85 para la mayoría de las métricas.
• Ángulos Planos vs. Euler: Los resultados de QMT para ángulos de superficie plana (2D) (por ejemplo, flexión lumbar plana) mostraron una mayor correlación con MoCap que las derivaciones tradicionales de Euler 3D (por ejemplo, flexión lumbar plana r = 0.97 vs. Euler r = 0.92 durante minisquats).
• Márgenes de Error: Los Errores Absolutos Medios (MAE) para los ángulos planos oscilaron entre 2.7° y 7.5°, desempeñándose de manera comparable a la goniómetría clínica estándar (~5° de error) y significativamente mejor que la estimación visual clínica (9°–12° de error).
• Robustez: La precisión diagnóstica se mantuvo estable incluso al reducir la carga de grabación de 10 ensayos a un solo ensayo.

Utilidad Clínica (Ensayo PainLESS)

• Confiabilidad: QMT demostró una alta confiabilidad test-retest en pacientes con fibromialgia (r = 0.78–0.99).
• Sensibilidad al Tratamiento: El estudio encontró no hubo diferencias estadísticamente significativas en las puntuaciones de cambio cinemático entre los grupos de dCBT-I y control. Los Factores de Bayes proporcionaron evidencia moderada a anecdótica para la hipótesis nula. Los autores señalan que esto puede indicar tanto un verdadero efecto nulo del tratamiento sobre el movimiento como una sensibilidad insuficiente de QMT para detectar cambios cinemáticos sutiles sin un control positivo.

Monitoreo Longitudinal (Estudio BeADS)

• Factibilidad en el Hogar: El pipeline capturó con éxito las fluctuaciones de movimiento en entornos domésticos no restringidos. Aunque el ruido de medición absoluta fue 2–3 veces mayor que en el laboratorio, el sistema rastreó los cambios día a día con un $\Delta$MAE medio de 3.10 cm.
• Diferenciación de Grupos: A pesar del aumento de ruido, la agregación de datos longitudinales logró diferenciar a los controles sanos de los pacientes con ciática. Los controles sanos exhibieron distancias de alcance significativamente mayores y ángulos de flexión lumbar más altos (p < 0.001).
• Límites de Clasificación: La precisión de clasificación de un solo día entre grupos fue moderada (68.5%), resaltando la alta varianza intraindividual inherente al monitoreo en el hogar.

Significancia y Reivindicaciones

El artículo posiciona a QMT como un paso hacia hacer que la evaluación del movimiento sea equitativa y accesible para diversas poblaciones con dolor crónico. Su principal significancia radica en:

1. Escalabilidad: Ofrecer una alternativa de bajo costo a la captura de movimiento óptica que elimina la fricción logística de las visitas al laboratorio, permitiendo ensayos clínicos a gran escala y monitoreo longitudinal.
2. Validación: Establecer un protocolo de código abierto validado que compara la estimación de pose 3D monocular contra la MoCap de estándar de oro, demostrando que los sustitutos planos (2D) pueden mitigar eficazmente las ambigüedades de profundidad monocular para la cinemática axial.
3. Factibilidad Operativa: Demostrar que la captura cinemática remota basada en smartphones es viable en flujos de trabajo clínicos, como lo evidencia su despliegue exitoso tanto en un ensayo controlado aleatorizado como en un estudio de 30 días en el hogar.

Los autores mantienen una postura modesta, reconociendo que si bien QMT proporciona biomarcadores objetivos para el seguimiento de la progresión de la enfermedad, se requiere más investigación para optimizar la confiabilidad en entornos domésticos (por ejemplo, mediante el ajuste fino de dominio específico o interfaces de usuario inteligentes para el feedback de encuadre) y para validar la capacidad de respuesta a intervenciones específicas. El trabajo no pretende reemplazar el juicio clínico, sino proporcionar una herramienta accesible para el perfilado funcional objetivo.