Investigadores de la Universidad Politécnica de Madrid proponen evaluar la enfermedad de Parkinson analizando cómo se bate un huevo, utilizando tecnología de sensores y aprendizaje automático para obtener datos sobre el movimiento en casa.
La enfermedad de Parkinson, un trastorno neurodegenerativo progresivo, impacta significativamente en la movilidad y calidad de vida de millones de personas. Uno de sus síntomas más destacados es la bradicinesia, que se traduce en un enlentecimiento del movimiento, afectando la amplitud, velocidad y fuerza al realizar acciones repetitivas.
Tradicionalmente, la evaluación de estos síntomas se realiza en consultorios médicos mediante escalas clínicas y observaciones especializadas. Sin embargo, este enfoque presenta limitaciones significativas al ofrecer solo una evaluación puntual del estado motor, que puede variar por diversos factores como el estado ON-OFF o variables situacionales. Por esta razón, surge un creciente interés por desarrollar herramientas tecnológicas que permitan medir objetivamente la evolución motora en entornos más representativos de la vida diaria.
Investigadores del Grupo de Investigación en Instrumentación y Acústica Aplicada de la Universidad Politécnica de Madrid han introducido una innovadora metodología: analizar cómo una persona bate un huevo durante un minuto usando un reloj inteligente. Este dispositivo registra señales de aceleración y velocidad angular a través de sensores inerciales, las cuales son procesadas con técnicas de aprendizaje automático.
La elección de batir un huevo no es arbitraria; se trata de una actividad común que implica movimientos repetitivos y requiere mantener un ritmo constante. Muchos pacientes identifican tareas cotidianas como cocinar o manipular utensilios como momentos donde comienzan a notar alteraciones en su movilidad, incluso antes del diagnóstico formal.
No solo es parte integral de la vida diaria, sino que también se utiliza frecuentemente en terapia ocupacional para mejorar movilidad y coordinación. Esta doble función convierte a esta actividad en una opción particularmente interesante para estudiar los síntomas motores desde una perspectiva natural y reproducible.
El equipo investigador subraya que el objetivo no es reemplazar las valoraciones clínicas tradicionales, sino explorar si tareas sencillas pueden proporcionar información objetiva sobre el estado motor de los pacientes con Parkinson. La clave radica en acercar la evaluación al entorno cotidiano del paciente mientras se mantiene un protocolo controlado para asegurar la comparabilidad de los datos obtenidos.
En el estudio participaron 22 personas diagnosticadas con Parkinson y 16 individuos sanos como grupo control. Los participantes realizaron la tarea durante una semana: primero bajo supervisión y luego en sus hogares sin supervisión directa. Este diseño permitió comparar el rendimiento del sistema tanto en condiciones controladas como reales.
Los resultados revelaron diferencias significativas entre ambos grupos. Las personas con Parkinson mostraron menor amplitud de movimiento, frecuencia oscilatoria más lenta y disminución progresiva de energía durante la tarea. Estos patrones coinciden con las manifestaciones clínicas típicas asociadas a la bradicinesia.
A partir de las señales recopiladas, el equipo utilizó modelos de aprendizaje automático para evaluar diferentes características temporales y frecuenciales. El modelo más efectivo fue una máquina de vectores soporte, logrando una precisión del 91,1% bajo condiciones supervisadas y manteniendo un 87,8% al aplicar el modelo a datos recogidos en casa.
Este hallazgo es crucial ya que uno de los principales desafíos en inteligencia artificial aplicada a salud digital es garantizar que los modelos funcionen eficazmente fuera del entorno clínico. La escasa reducción del rendimiento indica que batir un huevo puede ayudar a mitigar las diferencias entre evaluaciones clínicas y situaciones cotidianas.
Aparte del interés científico que despierta esta investigación, también tiene importantes implicaciones sociales y clínicas. Herramientas basadas en este enfoque podrían facilitar el seguimiento continuo de síntomas motores, reducir visitas médicas innecesarias para evaluaciones específicas e incrementar la información disponible para profesionales sobre la evolución del paciente en su entorno habitual.
No obstante, los autores advierten que esta línea investigativa está aún en desarrollo y se requieren estudios adicionales con cohortes más amplias antes de considerar su implementación clínica generalizada.
El trabajo ha sido publicado recientemente en el número especial “Advances in Biomedical Engineering and Artificial Intelligence for Neurological Health” dentro de la revista Technologies. Esta 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” (BIOCLITE).
La colaboración entre ingeniería, inteligencia artificial y asociaciones dedicadas a pacientes resulta esencial para avanzar hacia tecnologías más accesibles y centradas en las necesidades humanas. Este estudio demuestra cómo una acción tan simple como batir un huevo puede transformarse en una herramienta valiosa para obtener información objetiva sobre las funciones motoras en personas con Parkinson.
Referencia del artículo:
Polvorinos-Fernández, C., Sigcha, L., Valero, M. M., Grande, M., 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
La evaluación se realiza analizando cómo una persona bate un huevo durante un minuto mientras usa un reloj inteligente que registra señales de aceleración y velocidad angular. Estas señales se procesan utilizando técnicas de aprendizaje automático para obtener información objetiva sobre el estado motor del paciente.
A diferencia de las evaluaciones tradicionales, que son puntuales y pueden no reflejar variaciones en el estado motor del paciente, esta técnica permite medir el rendimiento motor en situaciones más cercanas a la vida real, proporcionando datos más relevantes y continuos sobre la evolución del paciente.
Los resultados mostraron que los pacientes con Parkinson presentaron menor amplitud de movimiento, una frecuencia de oscilación más lenta y una disminución progresiva de la energía del movimiento al batir el huevo, lo cual está alineado con las manifestaciones clínicas de la bradicinesia.
Esta herramienta podría facilitar el seguimiento longitudinal de síntomas motores, reducir la necesidad de desplazamientos frecuentes para evaluaciones clínicas y proporcionar información complementaria a los profesionales sanitarios sobre la evolución del paciente en su entorno habitual.