Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFM es un modelo fundacional que estima con precisión la cinética de la marcha a través de diversas cohortes neurológicas y del desarrollo utilizando entradas cinemáticas flexibles, demostrando una alta generalizabilidad y robustez sin requerir el reentrenamiento para poblaciones o protocolos de medición específicos.
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
Caminar es un acto mecánico complejo que la mayoría de nosotros realizamos sin pensarlo dos veces, pero para los médicos que tratan afecciones como la parálisis cerebral, el accidente cerebrovascular o la enfermedad de Parkinson, comprender las fuerzas precisas implicadas en cada paso es crucial. Para planificar cirugías o adaptar la rehabilitación, los clínicos necesitan saber no solo cómo se mueve una persona, sino cuánta fuerza están absorbiendo y generando sus articulaciones. Tradicionalmente, medir estas fuerzas internas ha sido una tarea difícil reservada para laboratorios especializados. Requiere equipos costosos, como suelos sensibles a la fuerza y cámaras que rastrean marcadores reflectantes colocados en el cuerpo, junto con un equipo de expertos para procesar los datos. Esta configuración es tan engorrosa que rara vez está disponible en clínicas regulares, centros comunitarios o en el hogar, lo que deja una brecha significativa en la forma en que los médicos monitorean y tratan a los pacientes fuera de un entorno de investigación.
Un equipo de investigadores ha desarrollado un nuevo enfoque que pretende cerrar esta brecha utilizando un tipo de inteligencia artificial llamada modelo fundacional. En lugar de depender de plataformas de fuerza, este sistema, llamado PathoGaitFM, puede estimar las fuerzas que actúan sobre el cuerpo utilizando únicamente los ángulos de las articulaciones mientras se mueven. Los investigadores entrenaron este modelo con una gran cantidad de datos de adultos sanos, enseñándole la física fundamental de la marcha. Luego, probaron si este único modelo compartido podía predecir con precisión las fuerzas de personas con diferentes condiciones neurológicas, incluyendo niños con parálisis cerebral, adultos que han sufrido un accidente cerebrovascular y aquellos con la enfermedad de Parkinson. El objetivo era ver si un modelo universal podía comprender la mecánica de la marcha a través de cuerpos y patrones de movimiento muy diferentes sin necesidad de ser reentrenado para cada grupo específico.
Los resultados muestran que el modelo es notablemente eficaz en esta tarea. Cuando se probó con datos de cuatro grupos diferentes de pacientes, el sistema reconstruyó con éxito los patrones de fuerza de la marcha con un alto grado de precisión, coincidiendo con las mediciones de referencia con una puntuación de correlación de 0,811. Este rendimiento fue ligeramente superior al de otros métodos existentes que habían sido entrenados específicamente para cada grupo individual. Más importante aún, el modelo demostró una fuerte capacidad de generalización. Cuando los investigadores aplicaron el mismo modelo a cinco conjuntos de datos completamente nuevos de diferentes laboratorios y poblaciones —sin realizar ningún ajuste ni reentrenamiento—, la precisión se mantuvo alta, con una puntuación de correlación de 0,898. Esto sugiere que el modelo ha aprendido una comprensión profunda y compartida de cómo funciona la mecánica de la marcha, en lugar de simplemente memorizar los detalles específicos de las personas con las que fue entrenado.
Otro hallazgo clave es la flexibilidad del modelo con respecto a los datos que recibe. En escenarios del mundo real, los sensores pueden fallar o un paciente puede no ser capaz de llevar marcadores en cada articulación. Los investigadores probaron si el modelo aún podía funcionar si faltaban ciertos ángulos articulares. Encontraron que incluso cuando eliminaron información sobre las caderas, rodillas o tobillos, la precisión del modelo disminuyó solo ligeramente, por un pequeño margen de como máximo 0,041 en su puntuación de correlación. Esto indica que el sistema puede adaptarse a la información incompleta, una característica vital para el uso clínico donde no siempre se dispone de datos perfectos. Además, el modelo funcionó bien cuando se alimentó con datos de cámaras de video y sensores de movimiento portátiles, logrando resultados comparables a los obtenidos con los sistemas tradicionales basados en marcadores.
El estudio también comparó este nuevo enfoque con otros métodos establecidos. Los investigadores descubrieron que su modelo fundacional superó a otros tres modelos publicados que habían sido reentrenados específicamente para los mismos grupos de pacientes. Esto sugiere que la estrategia de preentrenamiento en un gran conjunto de datos de marcha saludable y luego utilizar una técnica para completar los datos faltantes es más poderosa que construir modelos separados para cada condición específica. El modelo fue capaz de estimar las fuerzas para la cadera, la rodina y el tobillo, así como la fuerza vertical que empuja desde el suelo, a través de una amplia gama de edades y condiciones. Aunque los errores fueron ligeramente mayores para pacientes con impedimentos de movimiento más graves, las estimaciones se mantuvieron dentro de un rango comparable a la variación natural que se observa cuando una persona camina varias veces en un laboratorio.
Este trabajo apunta hacia un futuro donde el análisis biomecánico detallado ya no esté confinado al laboratorio. Al demostrar que un solo modelo puede estimar con precisión las fuerzas a partir de entradas flexibles a través de diversas poblaciones, los investigadores han proporcionado una base sólida para el uso de tecnología portátil en la atención rutinaria. Los hallazgos sugieren que los médicos podrían pronto utilizar grabaciones de video o sensores portátiles sencillos para obtener información sobre la carga articular y la mecánica del movimiento, haciendo que el análisis de la marcha avanzado sea accesible para las clínicas ambulatorias y la rehabilitación en el hogar. Si bien el modelo no reemplaza la precisión de las plataformas de fuerza para fines de investigación, ofrece una alternativa prometedora para entornos donde dicho equipo es logísticamente imposible de usar, transformando potencialmente la forma en que se monitorean y tratan los trastornos del movimiento en la práctica cotidiana.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.