¿Puede un monitor de muñeca medir la marcha? ElderNet se acerca

Tu reloj inteligente podría llegar a medir más que los pasos y la frecuencia cardíaca. Un estudio de validación de 2026 informa que un modelo autosupervisado, ElderNet, puede estimar la velocidad de la marcha, la cadencia y la longitud de zancada a partir de un acelerómetro de muñeca, sin cinta de correr, visita al laboratorio ni sensor sujeto a la zona lumbar.

Este es un resultado técnico importante porque las muñecas han sido durante mucho tiempo uno de los peores lugares para estimar la marcha. Se balancean, gesticulan, cargan bolsas de compras y, en general, se comportan como muñecas. Sin embargo, el nuevo modelo produjo un error absoluto medio de 8,82 cm/s (0,088 m/s) para la velocidad de la marcha y un coeficiente de correlación intraclase de 0,87 frente a las medidas de referencia en 85 personas con deterioro de la marcha. También superó a los modelos de comparación que usaban sensores de muñeca y de zona lumbar. La salvedad es importante: 0,088 m/s se acerca al cambio de 0,10 m/s que suele considerarse clínicamente significativo para un paciente individual.

Por tanto, ElderNet parece útil para la investigación y el cribado a nivel poblacional. Aún no justifica que una aplicación le diga a una persona que su movilidad ha empeorado de forma significativa tras un pequeño cambio de una semana a otra.

Por qué ha sido difícil estimar la marcha desde la muñeca

Los sensores de marcha funcionan mejor cerca del centro de masa del cuerpo, por lo que los dispositivos colocados en la cadera y la zona lumbar han tenido tradicionalmente ventaja. Un dispositivo de muñeca debe separar el movimiento relacionado con la marcha del balanceo de los brazos y de todos los demás movimientos de las extremidades superiores que ocurren en la vida diaria. Los trabajos comparativos frente a pasarelas electrónicas han documentado las brechas de precisión que persisten entre los sistemas portátiles y las medidas de referencia de la marcha.

Los algoritmos anteriores para la muñeca a menudo dependían de reglas de procesamiento de señales diseñadas manualmente. Esas reglas pueden funcionar en condiciones ordenadas y luego tropezar cuando entra en escena la vida real. ElderNet toma una ruta diferente. En el estudio de 2026 de Brand et al., los investigadores primero preentrenaron un modelo de aprendizaje profundo con datos sin etiquetar de acelerómetros de muñeca en condiciones de vida libre de 819 adultos mayores del Rush Memory and Aging Project. El entrenamiento autosupervisado permite que un modelo aprenda patrones en datos brutos sin requerir costosas etiquetas de captura de movimiento para cada ejemplo de entrenamiento.

Posteriormente, el modelo se enfrentó a una prueba externa de estimación de la marcha en la cohorte Mobilise-D: 85 personas con deterioro de la marcha reclutadas en seis centros europeos. Frente a las medidas de referencia del estudio, el error de ElderNet para la velocidad de la marcha promedió 8,82 cm/s y su ICC fue de 0,87. Superó significativamente a los modelos de comparación de zona lumbar para la velocidad de la marcha (p<0.001), revirtiendo la suposición habitual de que un sensor colocado en el tronco debe superar a un dispositivo de muñeca. Para la cadencia y la longitud de zancada, también superó significativamente a los enfoques competidores basados en la muñeca (p<0.01).

Un mejor algoritmo de muñeca no convierte una muñeca en un laboratorio clínico de marcha

El resultado principal merece precisión. El ICC informado procede de sesiones de evaluación estandarizadas de Mobilise-D, no de una monitorización continua sin restricciones durante meses de vida cotidiana. Por tanto, el estudio muestra que el modelo puede estimar bien la marcha según su protocolo de validación; no establece un rendimiento idéntico cuando las personas usan los dispositivos de manera inconsistente, se mueven por entornos variados o utilizan hardware diferente.

El error medio tampoco supera el umbral necesario para todos los usos clínicos. Un cambio de 0,10 m/s en la velocidad de la marcha se utiliza ampliamente como diferencia mínima clínicamente importante. El error absoluto medio de 0,088 m/s de ElderNet equivale al 88% de ese umbral. Un error medio no garantiza que cada estimación falle por esa cantidad, pero establece un límite práctico: un cambio medido cercano a 0,10 m/s podría reflejar un cambio real, un error de medición o ambos.

Por ahora, esto convierte al modelo en un candidato deficiente para determinar si un paciente individual respondió a la rehabilitación o ha comenzado un deterioro temprano. Puede ser mucho más útil cuando se promedia entre grupos, se utiliza para enriquecer una cohorte de ensayo clínico o se trata como una señal de cribado que motive una evaluación adecuada.

Lo que el resultado sobre discapacidad puede y no puede decirnos

En la cohorte Rush MAP de 819 personas, ElderNet clasificó la discapacidad de movilidad con un área bajo la curva de características operativas del receptor de 0,80. Los autores informan que esto superó las métricas convencionales resumidas de velocidad de la marcha y actividad física en esa cohorte. Un AUC de 0,80 significa que el modelo tuvo una capacidad de discriminación útil, no que diagnosticara la discapacidad con una precisión del 80% ni que sustituyera a un profesional clínico.

El resultado también carece de una comparación directa con parámetros clínicos establecidos, como el Timed Up and Go o la prueba de caminata de 4 metros. Sin esa evidencia de comparación directa, el AUC no puede decirnos si ElderNet mejora la atención estándar. También falta replicación independiente, y Rush MAP estuvo compuesto predominantemente por adultos mayores blancos de una sola área metropolitana de Estados Unidos. Un modelo preentrenado en esa población puede rendir de manera diferente entre grupos raciales, tipos corporales, contextos socioeconómicos, enfermedades y modelos de dispositivos.

Por qué vale la pena medir la marcha fuera de la clínica

El atractivo de la medición pasiva de la marcha se basa en una premisa razonable: una caminata breve en una clínica capta solo unos minutos del movimiento de una persona. Caminar en la vida diaria puede revelar algo diferente. En un estudio prospectivo, Urbanek et al. (2023) encontraron que la cadencia de la marcha en condiciones de vida libre medida mediante acelerómetro de muñeca superó a las evaluaciones estructuradas de movilidad realizadas en clínica para discriminar el riesgo de caídas en adultos mayores. Ese hallazgo se aplica específicamente a la cadencia y a la discriminación del riesgo de caídas; no demuestra que todas las medidas de marcha derivadas de la muñeca superen las pruebas clínicas para todos los desenlaces.

Otros estudios hacen plausible la relevancia para la salud sin validar ElderNet en sí mismo. Un gran estudio observacional Watch Walk–UK Biobank encontró que los patrones de caminata en el mundo real medidos con acelerómetros de muñeca se asociaban con atrofia cerebral regional y carga de lesiones de la sustancia blanca en adultos de mediana edad y mayores. El estudio fue transversal, por lo que no puede establecer si las alteraciones de la marcha contribuyen a cambios cerebrales, son consecuencia de ellos o siguen otra causa.

La marcha y la movilidad funcional también tienen peso pronóstico a largo plazo. En una cohorte de São Paulo seguida durante 10 años, Nascimento et al. (2022) encontraron que el rendimiento de movilidad funcional evaluado en clínica predijo la mortalidad por todas las causas y por causas específicas en adultos mayores. Esto respalda la marcha como un marcador relevante de salud, pero no muestra que una puntuación de ElderNet prediga la mortalidad. Dispositivo diferente, entorno de medición diferente, pregunta diferente.

Las medidas de marcha derivadas de la muñeca también pueden captar variaciones fuera de la fragilidad geriátrica. Un estudio transversal de 2026 sobre dolor lumbar crónico asoció esta afección con parámetros de calidad y cantidad de la marcha recogidos de forma remota mediante acelerómetro de muñeca. Asociación es la palabra clave: el resultado no puede mostrar si el dolor modificó la marcha, si la marcha contribuyó al dolor o si otro factor afectó a ambos.

El estudio que falta es el que sigue a las personas a lo largo del tiempo

ElderNet aún no se ha probado como predictor prospectivo de caídas, demencia, hospitalización o muerte. La justificación para esas aplicaciones une actualmente conjuntos separados de evidencia: ElderNet estima la marcha en un estudio de validación; otras medidas de la marcha se asocian con desenlaces clínicos. La cadena es razonable, pero sigue siendo una cadena de inferencias.

Varios límites de diseño refuerzan esa cautela. La muestra de validación de Mobilise-D, de 85 personas, era demasiado pequeña para determinar de forma fiable el rendimiento según la gravedad de la enfermedad, la composición corporal o el tipo de dispositivo. El diseño de seis centros mejora la amplitud geográfica, pero no resuelve el problema de precisión creado por una muestra pequeña. La cohorte de entrenamiento y clasificación de discapacidad de Rush MAP no puede establecer el rendimiento en poblaciones que apenas incluyó.

La investigación sobre sensores inerciales en el mundo real también muestra que la predicción sigue siendo difícil incluso con otras ubicaciones de sensores y modelos específicos de enfermedades. Por ejemplo, Ullrich et al. (2023) examinaron la predicción del riesgo de caídas mediante datos de marcha de sensores inerciales del mundo real en la enfermedad de Parkinson. Ese trabajo respalda la idea más amplia de que la marcha cotidiana contiene información clínicamente relevante; no valida un modelo de muñeca en la población general de adultos mayores.

Qué significa esto si usas un reloj inteligente

Ningún reloj inteligente de consumo ofrece actualmente ElderNet como una función clínica validada. El estudio describe un método de investigación, no un producto autorizado por los organismos reguladores ni un flujo de trabajo clínico probado. No aporta evidencia de que las puntuaciones de marcha de los dispositivos de consumo actuales puedan diagnosticar discapacidad, predecir demencia u orientar el tratamiento.

La conclusión creíble es más acotada y más interesante: un acelerómetro de muñeca ahora puede producir estimaciones de la marcha que compiten con los modelos de sensores de zona lumbar y que, en este estudio, los superaron en adultos mayores con deterioro de la marcha. El aprendizaje autosupervisado puede facilitar la ampliación de este enfoque porque reduce la dependencia de costosos registros de marcha etiquetados.

Veredicto: ElderNet es un avance real en la medición de la marcha basada en la muñeca, con alta confianza en su resultado de validación técnica. Su mejor papel a corto plazo es la investigación, el seguimiento de ensayos y la estratificación del riesgo a nivel poblacional. Las decisiones clínicas individuales necesitan mayor precisión, una validación más amplia, comparaciones directas con evaluaciones estándar y estudios prospectivos de desenlaces.