Investigadores de la Universidad Politécnica de Madrid han desarrollado un método innovador para evaluar la enfermedad de Parkinson en casa, utilizando una tarea cotidiana: batir un huevo. Este estudio busca medir de manera objetiva los síntomas motores, como la bradicinesia, a través de un reloj inteligente que registra movimientos durante esta actividad. Los resultados muestran diferencias significativas entre personas con Parkinson y un grupo control, destacando la efectividad del uso de inteligencia artificial para analizar datos en entornos reales. Esta investigación podría facilitar el seguimiento de síntomas y mejorar la calidad de vida de los pacientes, aunque se requieren más estudios antes de su aplicación clínica generalizada.
La enfermedad de Parkinson, un trastorno neurodegenerativo progresivo que afecta a millones de personas, presenta uno de sus síntomas más notorios en la bradicinesia, caracterizada por el enlentecimiento del movimiento. Este síntoma puede manifestarse como una disminución en la amplitud, velocidad o fuerza durante acciones repetitivas.
Tradicionalmente, la evaluación de estos síntomas se realiza en entornos clínicos mediante escalas y observaciones especializadas. Sin embargo, este enfoque presenta limitaciones significativas, ya que ofrece una visión puntual del estado motor del paciente, el cual puede variar debido a diferentes factores como el estado ON-OFF o condiciones situacionales. Por esta razón, ha surgido un interés creciente por desarrollar herramientas tecnológicas que permitan medir de manera objetiva la evolución motora en contextos más cercanos a la vida cotidiana.
Investigadores del Grupo de Investigación en Instrumentación y Acústica Aplicada de la Universidad Politécnica de Madrid han introducido un enfoque innovador: analizar cómo una persona bate un huevo durante un minuto mientras utiliza un reloj inteligente. Este dispositivo registra señales de aceleración y velocidad angular mediante sensores inerciales, las cuales son procesadas posteriormente con técnicas de aprendizaje automático.
La elección de batir un huevo no es arbitraria. Se trata de una actividad cotidiana que implica movimientos repetitivos de flexión y rotación de la muñeca, así como mantener un ritmo constante y energía durante un periodo determinado. Muchas personas diagnosticadas con Parkinson identifican tareas similares —como cocinar o manipular utensilios— como momentos en los que comenzaron a notar alteraciones en sus movimientos antes incluso de recibir un diagnóstico formal.
Además, batir un huevo es comúnmente utilizado en terapia ocupacional para mejorar la movilidad y coordinación de las manos y muñecas. Esta combinación —de actividad diaria y rehabilitación— convierte a esta tarea en una opción interesante para estudiar los síntomas motores de forma natural y reproducible.
“El objetivo no es reemplazar la valoración clínica, sino investigar si tareas cotidianas pueden proporcionar información objetiva sobre el estado motor de los pacientes con Parkinson”, explican los investigadores. “La clave radica en acercar la evaluación al entorno real del paciente mientras se mantiene un protocolo controlado para asegurar la comparabilidad de los datos”.
En el estudio participaron 22 personas con enfermedad de Parkinson y 16 individuos sanos como grupo control. Los participantes con Parkinson pertenecían a la Asociación Parkinson Madrid, que colaboró activamente en el desarrollo del estudio enfocado en mejorar la calidad de vida y sensibilización sobre esta enfermedad.
Cada participante llevó a cabo la tarea durante una semana: primero bajo supervisión y luego en su hogar sin supervisión directa. Al final del estudio, regresaron para otra sesión supervisada. Este diseño permitió comparar el rendimiento del sistema tanto en condiciones controladas como reales.
Los resultados revelaron diferencias notables entre ambos grupos. Las personas con Parkinson mostraron sistemáticamente menor amplitud de movimiento, frecuencia oscilatoria más lenta y una disminución progresiva en la energía del movimiento durante la tarea. Estos patrones coinciden con las manifestaciones clínicas típicas de bradicinesia.
A partir de estas señales, el equipo extrajo características temporales y frecuenciales, evaluando diversos modelos de aprendizaje automático. La máquina que mejor rendimiento mostró alcanzó una precisión del 91,1% bajo condiciones supervisadas; cuando se aplicó a datos obtenidos en casa, la precisión se mantuvo en 87,8%, lo que indica una reducción inferior al 4%.
Este hallazgo es crucial dado que uno de los principales desafíos para la inteligencia artificial aplicada a salud digital es garantizar su eficacia fuera del laboratorio. En este caso particular, el diseño simple pero efectivo de batir un huevo parece ayudar a minimizar las diferencias entre entornos clínicos y domésticos.
“El estudio subraya que el diseño de la actividad es tan importante como los algoritmos utilizados”, afirman los investigadores. “Una tarea cotidiana bien definida puede generar señales ricas en información útil para modelos inteligentes incluso cuando se mide desde casa”.
Aparte del interés científico que suscita esta investigación, también tiene importantes implicaciones sociales y clínicas. Una herramienta así podría facilitar el seguimiento longitudinal de síntomas motores, disminuir desplazamientos innecesarios para evaluaciones específicas e incrementar el conocimiento sobre cómo evoluciona el paciente dentro de su entorno habitual.
No obstante, los autores advierten que se trata aún de una línea investigativa incipiente que requiere estudios adicionales con muestras más amplias antes de considerar su aplicación clínica generalizada.
El trabajo ha sido publicado recientemente en un número especial titulado Advances in Biomedical Engineering and Artificial Intelligence for Neurological Health dentro de la revista Technologies. La investigación fue financiada por el proyecto Biomarcadores digitales para la evaluación del estado motor de pacientes con Enfermedad de Parkinson para su aplicación clínica y terapéutica.
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
| Descripción | Cifra |
|---|---|
| Número de participantes con enfermedad de Parkinson | 22 |
| Número de participantes sanos en el grupo control | 16 |
| Precisión del modelo en condiciones supervisadas | 91.1% |
| Precisión del modelo en datos obtenidos en el domicilio | 87.8% |
| Reducción de precisión al aplicar el modelo a datos reales | Menos del 4% |
La enfermedad de Parkinson es un trastorno neurodegenerativo progresivo que afecta al movimiento y a la calidad de vida de millones de personas. Uno de sus síntomas principales es la bradicinesia, que se manifiesta como un enlentecimiento del movimiento.
Tradicionalmente, la evaluación se realiza en consulta mediante escalas clínicas y observación especializada, lo que ofrece una evaluación puntual del estado motor, pero puede no reflejar variaciones en el día a día del paciente.
Investigadores han propuesto analizar cómo una persona bate un huevo durante un minuto mientras lleva un reloj inteligente que registra señales de aceleración y velocidad angular, utilizando técnicas de aprendizaje automático para procesar estos datos.
Batir un huevo es una tarea cotidiana que requiere movimientos repetitivos y puede ser representativa de las dificultades motoras que enfrentan los pacientes. Además, es utilizada en terapia ocupacional para trabajar la movilidad y coordinación.
Los resultados mostraron diferencias claras entre los grupos: las personas con Parkinson presentaron menor amplitud de movimiento y frecuencia de oscilación más lenta. Se logró una precisión del 91,1% en condiciones supervisadas al aplicar modelos de aprendizaje automático.
El objetivo no es sustituir la valoración clínica, sino explorar si tareas cotidianas pueden aportar información objetiva sobre el estado motor de las personas con Parkinson, acercando la evaluación al entorno real del paciente.
Esta metodología podría facilitar el seguimiento longitudinal de síntomas motores, reducir desplazamientos para evaluaciones y ofrecer información complementaria a los profesionales sobre la evolución del paciente en su entorno habitual.