El dispositivo de IA portátil detecta la fragilidad de forma continua sin ninguna interacción del usuario

El síndrome de fragilidad aumenta drásticamente la mortalidad y el riesgo de caídas en adultos mayores; sin embargo, el diagnóstico actual sigue siendo en gran medida reactivo, y generalmente se activa solo tras una hospitalización o una caída. El estándar clínico de referencia, el Fenotipo de Fragilidad de Fried, se basa en parte en el autoinforme subjetivo del paciente y requiere personal capacitado y equipamiento especializado, lo que limita su evaluación al entorno clínico. La monitorización continua mediante dispositivos portátiles ofrece una vía hacia la detección proactiva de fragilidad en el mundo real, pero los grandes conjuntos de datos generados y la demanda energética de la transmisión de bioseñales en bruto han hecho que esto fuera poco práctico históricamente.

Para superar estas barreras, el equipo de investigación desarrolló el Biosymbiotic Edge AI Device (BEAD), que integra la inferencia de inteligencia artificial directamente en un dispositivo portátil conforme e impreso en 3D que se lleva en la pierna. El dispositivo utiliza una unidad de medición inercial (IMU) para capturar datos de la marcha de forma continua, aísla los pasos individuales en el propio dispositivo y ejecuta un clasificador de ML para etiquetar cada paso como sano o pre-frágil en tiempo real. La captación de energía inalámbrica de campo lejano permite la recarga sin intervención manual a distancia —durante el sueño o en un escritorio—, de modo que quien lo lleva nunca necesita retirarlo ni gestionarlo. El cuerpo de malla de TPU ligero (altura máxima de 6 mm, 15 g con batería) es seguro para la piel, transpirable y se adapta a medida, lo que minimiza las molestias y el deslizamiento durante el uso prolongado.

En la primera cohorte in vivo (N=16; 5 sanos, 7 pre-frágiles que completaron evaluaciones de marcha), el BEAD fue evaluado simultáneamente en comparación con un sistema clínico comercial de referencia (BioSensics LEGSys). En todos los parámetros de marcha evaluados —tiempo de paso y zancada, variabilidad y velocidad en la fase media del balanceo— no se encontraron diferencias estadísticamente significativas entre ambos sistemas. Los sujetos pre-frágiles mostraron los incrementos esperados en la variabilidad de la zancada y las reducciones en la velocidad en la fase media del balanceo, consistentes con la literatura existente. Los resultados de las pruebas de levantarse de la silla y del Timed Up-and-Go demostraron igualmente una fidelidad de grado clínico. Una segunda cohorte (N=14) validó la estabilidad del modelo y el rendimiento de la inferencia en el dispositivo, mientras que los experimentos de uso continuo durante diez días confirmaron la operación longitudinal autónoma sin ninguna intervención por parte del usuario.

El proceso de inferencia en el dispositivo comprimió la salida de datos en casi un 99% —transmitiendo solo 8 bytes por clasificación de paso con marca de tiempo frente a 436 bytes de datos IMU en bruto por paso— y redujo el consumo medio de energía en un 21% en comparación con la transmisión de datos en bruto. El modelo de ML alcanzó una precisión superior al 90% en la clasificación de pasos sanos frente a pre-frágiles y devolvió resultados en menos de 330 milisegundos desde la señal en bruto hasta la salida de la inferencia. Estas eficiencias se traducen en semanas de operación continua con una pequeña batería LiPo de 30 mAh, posibilitado por el sistema de carga inalámbrica de campo lejano.

Las implicaciones son considerables tanto para la atención geriátrica como para la telesalud. Al trasladar la evaluación de fragilidad de la clínica al entorno domiciliario —captando la marcha habitual en superficies del mundo real durante períodos prolongados—, el BEAD aborda una limitación fundamental de las pruebas clínicas de marcha de corta duración, que pueden no reflejar el estado ambulatorio real del paciente. Las tendencias longitudinales de fragilidad pueden transmitirse con un ancho de banda mínimo e integrarse en los flujos de trabajo de telesalud, lo que podría permitir una intervención más temprana durante la ventana pre-frágil, cuando los resultados son más modificables. Las advertencias clave incluyen las cohortes de ensayo relativamente pequeñas y específicas, el alcance de clasificación binaria (solo sano frente a pre-frágil) y la necesidad de estudios longitudinales más amplios y diversos para confirmar la generalizabilidad clínica.