Biblos-e Archivo. Repositorio Institucional de la UAM
Publicación
Tesis doctoral (DoctoralThesis)
Gait kinematic and kinetic profiling of patients with neurological disorders
Tesis Doctoral inédita leída en la Universidad Autónoma de Madrid, Facultad de Medicina, Departamento de Anatomía, Histología y Neurociencia.
Fecha de Lectura: 31-10-2025, Esta Tesis tiene embargado el acceso al texto completo hasta el 01-05-2027, La marcha de puntilla durante la infancia temprana se define por la ausencia de contacto del talón con el suelo y, cuando persiste más allá de la infancia, puede indicar afecciones musculoesqueléticas o neurológicas subyacentes, como parálisis cerebral (PC) o paraplejia espástica familiar (PEF). Cuando se descartan estas y otras patologías, se diagnostica caminar de puntillas idiopático (MPI), pero las características clínicas comunes a menudo conducen a diagnósticos erróneos y tratamientos inadecuados. Esta tesis combina el análisis instrumentado de la marcha (AIM), métricas de complejidad de la física estadística (entropía de Shannon, entropía de permutación e irreversibilidad BDS) y el aprendizaje automático para cuantificar y diferenciar los patrones de marcha en 20 niños con PEF y 23 con MPI de Madrid, y 300 con PC más 58 con MPI de Dublín, con 31 y 96 controles sanos, respectivamente. Se recopilaron datos espaciotemporales, cinemáticos (abducción-aducción, flexión-extensión, rotación interna-externa), de fuerza de reacción del suelo (sagital, mediolateral, anteroposterior) y cinéticos (momentos y potencias de la pelvis, la cadera, la rodilla, el tobillo y el pie en flexión-extensión) para ambas extremidades.
Este trabajo se estructuró en torno a cuatro objetivos. En primer lugar, desarrollamos un paquete en R para automatizar la extracción, la transformación y la visualización con control de calidad de los datos cinéticos de la marcha a partir de un software comercial de análisis del movimiento, produciendo archivos de series temporales y gráficos con anotaciones clínicas. En segundo lugar, evaluamos la capacidad de un modelo de aprendizaje profundo (ResNet) para detectar sesgos específicos del laboratorio en los datos de la marcha sana; ResNet alcanzó una alta precisión en todas las variables cinemáticas y cinéticas, revelando diferencias sistemáticas entre laboratorios que excluían la agrupación de cohortes. En tercer lugar, calculamos métricas de entropía e irreversibilidad en series temporales de pacientes y controles, descubriendo perfiles de complejidad específicos de cada afección: las personas que caminan de puntillas mostraban una dinámica de marcha más errática, la velocidad al caminar amplificaba estas diferencias y los efectos de la edad variaban según la afección, empeorando la complejidad en la PC y la PEF, pero normalizando las métricas de MPI hacia niveles saludables. En cuarto lugar, comparamos la clasificación mediante modelos Random Forest (RF) utilizando métricas de complejidad, con el modelo ResNet en series temporales sin procesar. Aunque ResNet superó en general a RF, la combinación de todas las métricas de complejidad permitió a RF recuperar una capacidad de clasificación sustancial y puso de relieve que las características clave de la marcha están codificadas en segmentos de ciclo específicos. El análisis de ResNet de las señales individuales identificó la cinemática de flexión-extensión de la cadera, la rodilla y el tobillo como la más discriminatoria entre la marcha normal y la anormal, y la flexión de la rodilla como crítica para distinguir los grupos con discapacidad.
En conjunto, estos hallazgos demuestran que MPI, PC y PEF muestran adaptaciones cinemáticas y cinéticas distintas, y que la integración de métricas de física estadística con el aprendizaje profundo mejora la discriminación temprana de las etiologías de la marcha de puntillas. Este trabajo avanza en el procesamiento de datos de IGA, ilustra el valor de las medidas de complejidad en el análisis de la marcha y compara su rendimiento con los clasificadores de series temporales más avanzados, This research was funded by Escuela Universitaria de Fisioterapia ONCE-UAM and TACTIC project—FORTALECE ISCIII grant no. FORT23/00034, Grant CNS2023-144775 funded by MICIU/AEI/10.13039/501100011033 by “European Union NextGenerationEU/PRTR”. This project has also received funding from the European Research Council (ERC) under the European Union’s Horizon 2020 research and innovation programme (Grant Agreement No. 851255). This work has been partially supported by the María de Maeztu project CEX2021-001164-M funded by the MCIN/AEI/10.13039/501100011033 and FEDER, EU. This research has been supported by a grant for an international stay from the Universidad Autónoma de Madrid travel grants Program for participation in International Research Conferences, Programa de Doctorado en Neurociencia