Resumen Técnico: Uso de Análisis de Aceleración del Centro de Masa Asistido por IA para la Disfunción de la Articulación Sacroilíaca

Declaración del Problema

El cribado clínico de la disfunción de la articulación sacroilíaca (ASI) en corredores depende actualmente de gran medida de observaciones breves de la marcha mediante inspección visual y listas de verificación dirigidas por el clínico. Aunque estos métodos son prácticos, están limitados por la subjetividad observacional, la variabilidad interevaluador y una sensibilidad limitada a características biomecánicas sutiles, particularmente dentro de muestras de marcha cortas. Los modelos biomecánicos tradicionales suelen simplificar la pelvis como un segmento rígido o dependen de análisis de baja dimensionalidad (por ejemplo, ángulos articulares discretos), lo que puede no capturar las complejas estructuras de coordinación multivariante y los patrones de transferencia de carga no lineales característicos de la disfunción de la ASI. Además, aunque las unidades de medición inercial (IMU) portátiles proporcionan datos ricos, la integración de la IA Generativa (GenAI) para interpretar estos datos para la toma de decisiones clínicas específicas de la ASI sigue siendo poco explorada.

Metodología

Este estudio empleó un diseño observacional prospectivo que involucró a un único corredor recreativo experimentado (varón, 39 años, 181 cm, 72 kg) con una disfunción de la ASI unilateral persistente (lado izquierdo), diagnosticada mediante historial clínico y un grupo de pruebas de provocación de dolor (incluyendo una prueba de FABER positiva).

Adquisición de Datos:

• Sensor: Se fijó un Monitor de Actividad Humana (HAM) con un acelerómetro triaxial (frecuencia de muestreo de 100 Hz) a la pelvis posterior del participante (aproximando al vértebra S2) para capturar la aceleración del centro de masa (CoM) de todo el cuerpo.
• Protocolo: El participante se sometió a un programa graduado de retorno a la carrera durante varias semanas. Se recolectaron datos durante 10 ensayos de carrera de 60 segundos en una pista de atletismo.
• Procesamiento: Se extrajeron los datos brutos de aceleración de los primeros y últimos 10 segundos de cada ensayo. Se procesaron manualmente de forma offline las características en el dominio del tiempo, incluyendo la aceleración de la raíz cuadrada media (RMS), la aceleración absoluta máxima, la variabilidad paso a paso (coeficiente de variación) e índices de simetría (Izquierda vs. Derecha).

Integración de IA:

• Herramienta: Se utilizó Microsoft 365 Copilot (GenAI) como un Sistema de Soporte a la Decisión Clínica (CDSS).
• Proceso: Los datos brutos de aceleración del CoM y los prompts biomecánicos específicos (centrados en el control mediolateral, la transferencia de carga y la simetría) se enviaron a Copilot. La IA tuvo la tarea de:
  1. Identificar características biomecánicas multivariantes asociadas con la disfunción de la ASI.
  2. Predecir firmas de movimiento relacionadas con la asimetría y la gestión de la carga.
  3. Sintetizar los hallazgos para apoyar la preparación para el "retorno a la carrera".
• Comparación: Las métricas e interpretaciones derivadas de la IA se compararon contra una lista de verificación de observación clínica completada por un fisioterapeuta y un biomecánico, centrándose en asimetrías visibles (caída pélvica, desplazamiento del tronco) e irregularidades de la marcha.

Contribuciones Clave

• Razonamiento Clínico Aumentado por IA: El estudio demuestra un marco donde la GenAI (Copilot) actúa como un complemento, en lugar de un reemplazo, del juicio clínico. Procesa datos de aceleración cortos y brutos para extraer métricas objetivas que complementan las evaluaciones visuales subjetivas.
• Extracción de Características Multivariantes: La investigación destaca la capacidad de la GenAI para identificar características de aceleración sutiles y no lineales (por ejemplo, variabilidad mediolateral, patrones oscilatorios) que son difíciles de detectar mediante la observación visual basada en listas de verificación.
• Puente entre Datos y Diagnóstico: El documento establece un método para mapear las características de aceleración bruta (RMS, ratios de pico, ratios armónicos) con constructos clínicos específicos de la disfunción de la ASI, tales como la transferencia de carga alterada y la inestabilidad pélvica.

Resultados

• Clasificación por IA: Copilot diferenció con éxito los estados de la marcha correspondientes a la fase temprana de rehabilitación, la recuperación transicional y la preparación para el retorno a la carrera. Identificó un "patrón de control y carga del lado izquierdo" caracterizado por:
  • Eje Mediolateral (ML): Asimetría pronunciada (10.2% de asimetría de RMS) y variabilidad elevada (5.5% de CV), indicando una reducción de la estabilidad pélvica y un cambio en la inclinación del tronco hacia el lado afectado.
  • Eje Vertical (VT): Consistencia reducida y aumento de la variabilidad en la atenuación del impacto, con el lado afectado mostrando picos verticales menores (indicando descarga) en comparación con el lado contralateral.
  • Eje Anteroposterior (AP): Fuerzas de frenado/propulsión asimétricas y una variabilidad moderada de zancada a zancada.
• Correlación Clínica: Las métricas derivadas por la IA se alinearon con las observaciones clínicas de caída pélvica, movimiento lateral del tronco y disminución del equilibrio monopodal.
  • Acuerdo Estadístico: Hubo un acuerdo moderado entre la preocupación clínica y la clasificación de riesgo de Copilot (κ de Cohen ponderado = 0.48).
  • Correlación: La inconsistencia de paso observada clínicamente mostró una fuerte asociación positiva con la variabilidad de la marcha derivada por la IA, mientras que el deterioro pélvico mostró una asociación inversa moderada con los índices de simetría derivados por la IA.
• Simulación de Fatiga: El análisis de la IA reveló que a medida que progresaba la sesión de carrera (simulando fatiga), la descarga del miembro izquierdo aumentaba y la sobrecarga contralateral empeoraba, una tendencia consistente con las observaciones clínicas de provocación de dolor.

Significación y Reivindicaciones

El artículo sostiene que la integración de la GenAI con los datos de aceleración del CoM portátiles proporciona un complemento objetivo y reproducible a la observación tradicional de la marcha dirigida por el clínico para el cribado de la disfuncción de la ASI.

• Aumentación, No Reemplazo: Los autores declaran explícitamente que el estudio no pretende reemplazar a los clínicos ni realizar diagnósticos definitivos. En su lugar, la GenAI sirve como una "segunda lente biomecánica" que fortalece el razonamiento clínico al proporcionar retroalimentación cuantitativa continua sobre la calidad del movimiento y la simetría.
• Escalabilidad: El enfoque ofrece una vía potencial hacia evaluaciones de la marcha remotas, escalables y accesibles en entornos clínicos o domésticos, apoyando una toma de decisiones más consistente en los protocolos de retorno a la carrera.
• Alcance Modesto: Los autores reconocen las limitaciones del diseño de caso único, señalando que los hallazgos no son generalizables sin mayor validación. Enfatizan que los resultados de la IA son más efectivos cuando se integran con el juicio experto y que el estudio sirve como una prueba de concepto para un marco clínico más que como un modelo predictivo validado para poblaciones amplias.