📄 bioengineering

StaBLE: digital metrics capture balance performance across a wide spectrum of balance tasks and abilities

La Evaluación de Nivel de Equilibrio de Stanford (StaBLE) es una herramienta de evaluación digital validada que consta de 18 tareas basadas en video que cuantifica eficazmente un amplio espectro de capacidades de equilibrio, superando las limitaciones de las escalas clínicas existentes al demostrar fuertes correlaciones con las medidas estándar y la capacidad de distinguir el riesgo de caídas en diversas poblaciones.

Autores originales: Heigold, H., Ruth, P. S., Muccini, J., Lee, D., Barta, S., Rodrigues, A., Hastie, T., Steenerson, K. K., Delp, S. L.

Publicado 2026-09-23

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Heigold, H., Ruth, P. S., Muccini, J., Lee, D., Barta, S., Rodrigues, A., Hastie, T., Steenerson, K. K., Delp, S. L.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

El equilibrio es el motor silencioso del movimiento humano, la habilidad invisible que nos permite caminar, alcanzar objetos y girar sin desplomarnos. Es tan fundamental que rara vez lo notamos hasta que falla, momento en el que las consecuencias pueden ser graves, especialmente para los adultos mayores. Cuando se pierde la estabilidad, el resultado suele ser una caída, una de las principales causas de lesiones y muerte en la tercera edad. Si bien los médicos han dependido durante mucho tiempo de preguntas sencillas sobre caídas pasadas o pruebas físicas básicas para evaluar la estabilidad de una persona, estos métodos a menudo pasan por alto los matices de cómo se mueve alguien realmente. Les cuesta distinguir entre una persona que es simplemente estable y una que es excepcionalmente ágil, y a menudo alcanzan un "techo" donde incluso los individuos más hábiles reciben la misma puntuación máxima que aquellos que son simplemente adecuados. Para superar estas limitaciones, los investigadores necesitan una forma de medir el equilibrio que sea tan precisa como accesible, capturando todo el espectio de la estabilidad humana, desde el deteriorado hasta el de élite.

Un equipo de investigadores de la Universidad de Stanford ha desarrollado un nuevo enfoque llamado Evaluación de Nivel de Equilibrio de Stanford, o StaBLE, diseñado para medir el equilibrio con precisión digital utilizando nada más que un teléfono inteligente. En lugar de depender del juicio subjetivo de un clínico o de un sistema de puntuación tosco, este método registra a una persona realizando una serie de tareas físicas desafiantes y utiliza visión computacional para analizar sus movimientos en detalle. El equipo reclutó a 180 participantes con capacidades muy diversas, que iban desde personas con condiciones médicas que afectan su equilibrio hasta bailarinas profesionales y gimnastas. Pidieron a estos participantes que realizaran 18 tareas diferentes, tales como mantenerse sobre una pierna con los ojos cerrados, saltar y caminar hacia atrás, todo ello mientras eran filmados por tres teléfonos inteligentes colocados a su alrededor. El sistema convirtió entonces las grabaciones de video en una puntuación única y continua que refleja qué tan bien completó la persona cada objetivo, desde la velocidad de su movimiento hasta la firmeza de su postura.

Los resultados de esta nueva evaluación muestran que puede capturar un rango de capacidad mucho más amplio que las pruebas clínicas tradicionales. Cuando los investigadores compararon la nueva puntuación digital con los métodos existentes, descubrieron que las pruebas antiguas a menudo no lograban distinguir entre los de alto rendimiento. Por ejemplo, en las evaluaciones estándar, casi todos los atletas de élite del estudio recibieron la puntuación máxima posible, lo que hacía imposible determinar quién era realmente el más equilibrado. En contraste, la puntuación StaBLE distribuyó a estos atletas, revelando diferencias sutiles en su desempeño que las pruebas anteriores pasaron por alto. La nueva puntuación también se correlacionó fuertemente con la edad, mostrando un declive claro en la capacidad de equilibrio a medida que las personas envejecen, y se alineó bien con la confianza que las personas sentían sobre su propio equilibrio. Crucialmente, la puntuación digital fue capaz de separar a las personas con riesgo de caerse de aquellas que no lo estaban, una distinción que algunos tests tradicionales no lograron hacer al observar a personas con antecedentes de caídas.

Para hacer que esta evaluación sea práctica para el uso cotidiano, los investigadores investigaron si podían acortar el tiempo de prueba sin perder precisión. Utilizaron métodos estadísticos para identificar qué tareas específicas proporcionaban la información más valiosa. Descubrieron que un pequeño subconjunto de cinco tareas, incluyendo una prueba de equilibrio dinámico donde una persona se estira en diferentes direcciones mientras se mantiene sobre una pierna, podía predecir la puntuación completa con alta precisión. Esta versión más corta podría completarse en menos de diez minutos, lo que la hace factible para su uso en clínicas o centros comunitarios. El estudio demuestra que, al combinar un conjunto diverso de desafíos físicos con el análisis digital, es posible crear una evaluación del equilibrio que sea tanto objetiva como sensible para detectar mejoras o declives en el rendimiento. Este trabajo sugiere que el futuro de las pruebas de equilibrio puede residir en herramientas accesibles basadas en video que puedan medir el movimiento humano con una claridad que antes solo era posible en laboratorios costosos y especializados.

Resumen Técnico: StaBLE – Captura de Métricas Digitales para el Desempeño del Equilibrio

Planteamiento del Problema
El equilibrio es fundamental para la movilidad y la independencia humana, sin embargo, su evaluación sigue siendo un desafío significativo en entornos clínicos y de investigación. Los métodos actuales sufren una dicotomía: las herramientas de detección clínica (p. ej., Mini-BESTest, Prueba de Equilibrio de 4 Etapas, SPPB) son factibles para un uso generalizado, pero dependen de sistemas de puntuación ordinales y gruesos que exhiben "efectos de techo", lo que limita su sensibilidad para diferenciar a individuos de alto rendimiento o detectar mejoras sutiles. Por el contrario, las medidas cinemáticas basadas en laboratorio ofrecen alta precisión, pero son poco prácticas para una adopción amplia debido al costo, los requisitos de equipo y la necesidad de operadores especializados. Además, el historial retrospectivo de caídas se utiliza a menudo como un indicador del la capacidad de equilibrio, pero esto es susceptible al sesgo de notificación y no logra capturar la naturaleza multidimensional del control del equilibrio. Existe una necesidad crítica de una evaluación del equilibrio cuantitativa, objetiva y accesible que supere las limitaciones de las escalas existentes y que, al mismo tiempo, sea factible para diversas poblaciones.

Metodología
Los autores desarrollaron la Evaluación del Nivel de Equilibrio de Stanford (StaBLE, por sus siglas en inglés), un protocolo integral diseñado para capturar un amplio espectro de capacidades de equilibrio utilizando captura de movimiento digital.

Participantes: El estudio reclutó a 180 participantes (edades entre 18 y 87 años) con capacidades de equilibrio diversas, que iban desde individuos con deficiencias (vestibulopatía, enfermedad de Parkinson, neuropatía periférica) hasta equilibristas de élite (bailarinas profesionales, acróbatas, gimnastas universitarias).
Protocolo: La evaluación consta de 18 tareas que desafían el equilibrio, incluyendo bipedestación estática, movimientos dinámicos (saltos, alcance) y tareas de marcha. Cinco tareas incluyen un componente con los ojos cerrados para desafiar la integración sensorial.
Recolección de Datos: Los datos se capturaron utilizando OpenCap, un sistema de captura de movimiento sin marcadores (markerless) de código abierto que utiliza tres cámaras de teléfonos inteligentes y una computadora portátil. La configuración se estandarizó con alturas de cámara, orientaciones y telas de fondo específicas para minimizar el ruido visual. Un solo experimentador podía administrar el protocolo, el cual tomó aproximadamente entre 25 y 35 minutos para completar los ensayos de movimiento.
Ingeniería de Características: A partir de los datos de video, se extrajeron 76 características digitales para cuantificar el desempeño de las tareas. Estas características midieron objetivos biomecánicos como la velocidad máxima del centro de masa vertical, la flexión plantar máxima, la desviación del balanceo y los tiempos de mantenimiento.
Algoritmo de Puntuación:
1. Normalización: Cada característica se normalizó a una escala de [0, 1] basada en los valores mínimos y máximos observados en todo el conjunto de datos. Los objetivos de maximización (p. ej., velocidad) y minimización (p. ej., balanceo) se escalaron en consecuencia.
2. Agregación: Las características normalizadas se promediaron para crear 18 puntuaciones de tareas. Estas se agregaron posteriormente en una única puntuación StaBLE, donde una puntuación más alta indica un mejor desempeño.
3. Manejo de Fallos: A los participantes que no pudieron realizar una tarea o alcanzar objetivos específicos se les asignó una puntuación de 0 para esa característica.

Resultados Clave

Distribución y Efectos de Techo: La puntuación StaBLE exhibió una distribución de cola izquierda (media: 0.64, rango: 0.08–0.84) en la cohorte. Crucialmente, la puntuación demostró no tener efectos de techo; ningún participante logró una puntuación perfecta de 1.0, incluso entre los equilibristas de élite. En contraste, las escalas existentes mostraron efectos de techo significativos (por ejemplo, 24/26 equilibristas de élite obtuvieron la puntuación máxima en la tarea de Elevación de Talones del Mini-BESTest).
Validez y Correlaciones:
- Edad: Fuerte correlación negativa con la edad ( $\rho = -0.76, p < 0.001$ ).
- Autoeficacia: Correlación positiva con la Escala de Confianza en las Actividades (ABC): ( $\rho = 0.60, p < 0.001$ ).
- Escalas Clínicas: La puntuación StaBLE se correlacionó significativamente con las puntuaciones estimadas del Mini-BESTest ( $\tau = 0.55$ ), la Prueba de Equilibrio de 4 Etapas ( $\tau = 0.55$ ) y la Batería de Desempeño Físico Corta (SPPB) ( $\tau = 0.57$ ).
Diferenciación del Riesgo de Caídas: La distribución subyacente de las puntuaciones StaBLE difirió significativamente entre los participantes identificados como "en riesgo" de caídas (mediante los criterios STEADI del CDC) y aquellos que no estaban en riesgo (prueba de Kolmogorov-Smirnov: $KS = 0.67, p < 0.001$ ). Además, las puntuaciones StaBLE distinguieron entre aquellos con antecedentes de caídas y aquellos sin ellos, una distinción que las escalas existentes (Prueba de Equilibrio de 4 Etapas, SPPB) no lograron hacer estadísticamente significativa en este conjunto de datos.
Selección de Subconjunto de Tareas: Utilizando la selección de subconjuntos hacia adelante (forward subset selection), los autores identificaron que un subconjunto de cinco tareas (Equilibrio en Y, Apoyo Unipodal con Ojos Cerrados, Marcha Hacia Atrás, Marcha con Giro y Apoyo Unipodal Elevación de Talones con Ojos Cerrados) podía explicar el 88% de la varianza de la puntuación StaBLE completa. Esto sugiere el potencial para una evaluación de tiempo reducido (menos de 10 minutos) manteniendo el poder predictivo.

Significancia y Reivindicaciones
El artículo sostiene que StaBLE representa un avance significativo en las métricas digitales de salud para el equilibrio al:

Superar los Efectos de Techo: Al utilizar características cinemáticas continuas en lugar de una puntuación clínica ordinal, StaBLE diferencia el desempeño a lo largo de todo el espectro de habilidad, desde personas con deficiencias hasta atletas de élite, sin alcanzar un techo de desempeño.
Accesibilidad y Escalabilidad: El protocolo aprovecha la tecnología ubicua de los teléfonos inteligentes y la captura de movimiento sin marcadores (OpenCap), permitiendo la recolección de datos de alta calidad en entornos no de laboratorio (p. ej., estudios de danza, centros comunitarios) por parte de un solo operador.
Cuantificación Objetiva: La puntuación proporciona una medida objetiva basada en datos que evita la subjetividad de la observación clínica y las limitaciones del reporte retrospectivo de uno mismo.
Diferenciación de Riesgo: La métrica identifica con éxito diferencias estadísticas en la capacidad de equilibrio entre grupos con y sin riesgo de caídas, así como entre aquellos con y sin antecedentes de caídas, donde las escalas tradicionales mostraron limitaciones.

Los autores mantienen una postura modesta, señalando que la puntuación es una "instantánea" del desempeño en un punto único en el tiempo y requiere mayor validación respecto a la confiabilidad test-retest, la respuesta longitudinal al entrenamiento y la predicción prospectiva de caídas. Enfatizan que, si bien la puntuación identifica déficits de equilibrio, aún no localiza los subsistemas subyacentes específicos (por ejemplo, el equilibrio reactivo, que no fue incluido debido a limitaciones del equipo). El trabajo sirve como una base validada para la futura traslación clínica y el desarrollo de métricas diagnósticas más específicas.

Más como este