Un nuevo algoritmo matemático permite analizar cómo enfermedades como el Párkinson modifican la forma de caminar
Dijon, Francia | 26 de septiembre de 2026
Cada paso que da una persona produce una señal única. Durante décadas, los médicos y los investigadores han grabado estos movimientos —el ritmo sutil con el que los tobillos, las rodillas y las caderas se mueven— para intentar detectar las primeras señales de enfermedades neurológicas. Para comparar estas señales, el método matemático más utilizado es el llamado «análisis dinámico del tiempo» (DTW, por sus siglas en inglés), una técnica creada en los años setenta para el reconocimiento de voz que estira y encoge dos secuencias de datos hasta alinearlas. Sin embargo, hasta ahora, los expertos solían descartar gran parte de la información detallada que generaba este proceso.
Un nuevo estudio publicado en la revista Data Mining and Knowledge Discovery y desarrollado por un equipo de la Universidad de Borgoña Europa, en Dijon (Francia), demuestra que esos datos que antes se tiraban contienen claves fundamentales. Los investigadores, liderados por Tresor Y. Koffi junto a Amel Hidouri, Corentin Legrand y Aurélie Bertaux, han creado un sistema llamado DiaSeg. Este método rescata la información detallada del proceso matemático para estudiar cómo se altera la forma de caminar en distintas patologías.
Cómo funciona este avance
Cuando comparamos dos formas de caminar mediante matemáticas, el sistema genera un mapa de alineación. Tradicionalmente, los científicos se quedaban únicamente con el resultado final y descartaban el camino intermitente dibujado en el proceso. El nuevo sistema DiaSeg descompone ese camino en pequeños segmentos diagonales que muestran exactamente en qué momentos los movimientos coinciden y en cuáles se desvían.
Lo valioso de esta herramienta es que no necesita que un experto en biomecánica le enseñe previamente qué buscar; el algoritmo analiza los datos de forma automática. Para comprobar su utilidad, el equipo probó el sistema con datos de 91 personas, abarcando tanto el envejecimiento saludable como seis condiciones clínicas: enfermedad de Párkinson, enfermedad de Huntington, esclerosis lateral amiotrófica, tumores cerebrales y accidentes cerebrovasculares.
Resultados clave para pacientes y familias
Los resultados demostraron que el sistema puede agrupar y diferenciar de manera muy precisa los patrones de movimiento normales de los afectados por enfermedades neurológicas, alcanzando una precisión cercana al 98 % en la distinción entre marcha sana y patológica.
Asimismo, los investigadores descubrieron que las enfermedades no suelen alterar un solo punto aislado del movimiento, sino que modifican de forma global y sutil la duración y la textura de cada paso a lo largo de todo el ciclo de la marcha. Gracias a esta capacidad de desglose, los médicos y fisioterapeutas podrán saber exactamente en qué parte del paso se produce la dificultad, lo que resulta de gran utilidad para el seguimiento y la evaluación de terapias en personas con Párkinson y otras afecciones neurológicas. El código fuente de la investigación ha sido publicado de forma abierta para facilitar su uso en la comunidad científica.
|Aviso de transparencia sobre el uso de IA|
Parte de los textos y algunas imágenes de esta web han sido generados o asistidos por sistemas de inteligencia artificial (IA). Esta información se facilita de conformidad con el artículo 50 del Reglamento (UE) 2024/1689 (Ley de Inteligencia Artificial).
El uso de IA tiene como objetivo facilitar la comprensión de la información para personas con enfermedad de Parkinson y sus familias, sin que ello implique que todo el contenido sea obra exclusiva de la IA.
