Caracterización de la marcha tras lesión medular mediante UMAP

Autores/as

DOI:

https://doi.org/10.17979/ja-cea.2026.47.13773

Palabras clave:

Lesión medular, Marcha, Neurorrehabilitación, Datos multimodales, Reducción de dimensionalidad, Aprendizaje automático

Resumen

La recuperación de la marcha en pacientes con lesión medular incompleta presenta una elevada variabilidad interindividual, difícil de caracterizar mediante métricas clínicas convencionales. La integración de variables clínicas, biomecánicas y neurofisiológicas permite obtener una caracterización objetiva y multidimensional de la recuperación motora, capturando tanto el rendimiento funcional como los mecanismos subyacentes de control motor. Sin embargo, esta visión global genera espacios de alta dimensionalidad que requieren herramientas computacionales específicas para su exploración. En este trabajo se propone una reducción de dimensionalidad no supervisada mediante Uniform Manifold Approximation and Projection (UMAP), aplicada a datos multimodales longitudinales de cuatro pacientes con un nivel similar de independencia funcional. Los resultados muestran agrupaciones diferenciadas por sujeto en el espacio bidimensional, sin un patrón longitudinal común, lo que refleja la heterogeneidad del proceso de recuperación. Este trabajo constituye una primera aproximación exploratoria con vistas a desarrollar modelos de aprendizaje automático para la clasificación y predicción individualizada de la recuperación funcional de la marcha.

Referencias

Becht, E. et al. (2019) «Dimensionality reduction for visualizing single-cell data using UMAP», Nature Biotechnology, 37(1), pp. 38-44. Disponible en: https://doi.org/10.1038/nbt.4314.

Cai, T.T. y Ma, R. (2021) «Theoretical Foundations of t-SNE for Visualizing High-Dimensional Clustered Data». arXiv. Disponible en: https://doi.org/10.48550/ARXIV.2105.07536.

Cherubini, A. et al. (2024) «Multi-Level Characterization of the Recovery Process of a Stroke Survivor After 2 Months of Robotic Therapy with the Walkbot Robot», 2024 10th IEEE RAS/EMBS International Conference for Biomedical Robotics and Biomechatronics (BioRob). 2024 10th IEEE RAS/EMBS International Conference for Biomedical Robotics and Biomechatronics (BioRob), Heidelberg, Germany: IEEE, pp. 913-918. Disponible en: https://doi.org/10.1109/BioRob60516.2024.10719925.

Cunningham, J.P. y Ghahramani, Z. (sin fecha) «Linear Dimensionality Reduction: Survey, Insights, and Generalizations».

Ditunno, J.F. et al. (2007) «Validity of the walking scale for spinal cord injury and other domains of function in a multicenter clinical trial», Neurorehabilitation and Neural Repair, 21(6), pp. 539-550. Disponible en: https://doi.org/10.1177/1545968307301880.

Ditunno, J.F. et al. (2013) «The Walking Index for Spinal Cord Injury (WISCI/WISCI II): nature, metric properties, use and misuse», Spinal Cord, 51(5), pp. 346-355. Disponible en: https://doi.org/10.1038/sc.2013.9.

Groppa, S. et al. (2012) «A practical guide to diagnostic transcranial magnetic stimulation: Report of an IFCN committee», Clinical Neurophysiology, 123(5), pp. 858-882. Disponible en: https://doi.org/10.1016/j.clinph.2012.01.010.

Hermens, H.J. et al. (2000) «Development of recommendations for SEMG sensors and sensor placement procedures», Journal of Electromyography and Kinesiology: Official Journal of the International Society of Electrophysiological Kinesiology, 10(5), pp. 361-374. Disponible en: https://doi.org/10.1016/s1050-6411(00)00027-4.

Jamieson, A. et al. (2023) «Unsupervised Cluster Analysis of Walking Activity Data for Healthy Individuals and Individuals with Lower Limb Amputation», Sensors, 23(19), p. 8164. Disponible en: https://doi.org/10.3390/s23198164.

Kesar, T. (2023) «The Effects of Stroke and Stroke Gait Rehabilitation on Behavioral and Neurophysiological Outcomes:: Challenges and Opportunities for Future Research», Delaware Journal of Public Health, 9(3), pp. 76-81. Disponible en: https://doi.org/10.32481/djph.2023.08.013.

Lee, K.E. y Jeoung, B. (2025) «An analysis of the effectiveness of rehabilitation protocols for patients with spinal cord injury: A systematic review», Journal of Public Health, 33(7), pp. 1461-1470. Disponible en: https://doi.org/10.1007/s10389-023-02115-9.

López Gómez, S. et al. (2025) Longitudinal characterization of the electromyographic evolution of gait in stroke survivors during robotic therapy. Escola d’Enginyeria de Barcelona Est. Disponible en: https://hdl.handle.net/2117/449487.

Lu, Y. et al. (2024) «Global incidence and characteristics of spinal cord injury since 2000-2021: a systematic review and meta-analysis», BMC medicine, 22(1), p. 285. Disponible en: https://doi.org/10.1186/s12916-024-03514-9.

McInnes, L., Healy, J. y Melville, J. (2020) «UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction». arXiv. Disponible en: https://doi.org/10.48550/arXiv.1802.03426.

van Middendorp, J.J. et al. (2011) «A clinical prediction rule for ambulation outcomes after traumatic spinal cord injury: a longitudinal cohort study», Lancet, 377(9770), pp. 1004-1010. Disponible en: https://doi.org/10.1016/S0140-6736(10)62276-3.

Panier, M. et al. (2026) «Classification of Walking Function After Spinal Cord Injury Using Longitudinal Multimodal Clinical, Strength, and Neurophysiological Data». 2026 IEEE RAS/EMBS International Conference on Biomedical Robotics and Biomechatronics (BioRob).

Spinal cord injury (sin fecha). Disponible en: https://www.who.int/news-room/fact-sheets/detail/spinal-cord-injury (Accedido: 28 de abril de 2026).

Descargas

Publicado

01-09-2026

Número

Sección

Bioingeniería