La Enfermedad de Parkinson (EP) es una enfermedad neurológica degenerativa crónica y progresiva, considerada la segunda patología neurodegenerativa más común en el mundo. Se caracteriza principalmente por síntomas motores, como la bradicinesia, el temblor en reposo y las alteraciones de la marcha, junto con síntomas no motores, entre los que destacan los déficits cognitivos y las manifestaciones neuropsiquiátricas. En la actualidad no existe una cura, y las terapias disponibles se centran en el control de los síntomas para mejorar la calidad de vida de las personas con EP.
El diagnóstico de la EP es uno de los grandes desafíos clínicos asociados a esta enfermedad. La ausencia de pruebas objetivas y concluyentes obliga a que este proceso dependa en gran medida de la experiencia clínica y de la observación directa por parte del especialista, lo que complica la detección precoz y el seguimiento continuo de la enfermedad. Estas limitaciones han impulsado la búsqueda de soluciones tecnológicas que aporten medidas cuantitativas y reproducibles, capaces de complementar las evaluaciones clínicas tradicionales.
En este escenario, los dispositivos vestibles se han consolidado como una alternativa de gran potencial. Estos sistemas permiten registrar de manera no invasiva y prolongada señales biomecánicas del movimiento humano, incluso en entornos no supervisados, generando información útil durante situaciones de la vida diaria. La explotación de dichos registros mediante técnicas de IA ha generado nuevas posibilidades para el desarrollo de biomarcadores digitales que respalden la diagnosis de la EP, avanzando hacia un modelo de monitorización continua, objetiva y centrada en las personas con EP.
Esta tesis doctoral se centra en el diseño, implementación y validación de una metodología orientada a la diagnosis de síntomas motores de la EP mediante el uso de dispositivos vestibles en contextos no supervisados. La metodología propuesta combina la realización de ejercicios seleccionados de guías clínicas estandarizadas, con la incorporación de actividades cotidianas con potencial para discriminar entre personas con EP y sujetos sanos.
Para validar esta propuesta metodológica se diseñó una campaña experimental que incluyó tanto sesiones supervisadas en clínica como un periodo de monitorización remota en entornos no supervisados. En estas sesiones participaron personas con EP y sujetos sanos, generando una base de datos que integra registros de señales inerciales (acelerómetro y giroscopio) en ambos contextos. Dichos registros fueron sometidos a un proceso sistemático de tratamiento y análisis mediante algoritmos de aprendizaje automático, concluyendo en el diseño de biomarcadores digitales específicos, lo que permitió evaluar la viabilidad y el rendimiento de la metodología planteada.
Las principales contribuciones de esta tesis doctoral incluyen una revisión sistemática del estado del arte sobre los biomarcadores digitales de los síntomas motores de la EP, el diseño de un protocolo experimental validado junto a clínicos y terapeutas, la generación de una base de datos que integra registros de personas con EP y sujetos sanos en condiciones supervisadas y no supervisadas; el desarrollo de un procedimiento de verificación de la respuesta en frecuencia y linealidad de acelerómetros, que garantiza homogeneidad de los datos; la validación de modelos de aprendizaje automático aplicados a ejercicios clínicos estandarizados en entornos no supervisados, con la propuesta de un conjunto de biomarcadores digitales asociados a los distintos ejercicios; y la propuesta y validación de la actividad de batido de huevo como prueba cotidiana y clínica complementaria para la diagnosis de la EP, con su correspondiente biomarcador digital.
ABSTRACT
Parkinsons disease (PD) is a chronic and progressive neurodegenerative disorder and represents the second most common neurodegenerative condition worldwide. It is characterized primarily by motor symptoms such as bradykinesia, resting tremors and gait disturbances, alongside non-motor manifestations including cognitive impairment and neuropsychiatric symptoms. Although there is currently no cure, available therapies aim to alleviate symptoms and improve the quality of life of affected individuals.
The diagnosis of PD remains one of the major clinical challenges. The absence of conclusive, objective diagnostic tests necessitates reliance on clinical expertise and direct observation, limiting early detection and continuous monitoring. These constraints have led to a growing interest in technological approaches capable of providing quantitative, reproducible measures to complement traditional clinical evaluations.
In this context, wearable sensing technologies have emerged as promising tools for objective monitoring. These systems can acquire biomechanical motion signals non-invasively and over extended periods, even in unsupervised environments, thereby capturing data reflecting real-world daily activities. Applying artificial intelligence techniques to this data enables the development of digital biomarkers, thereby advancing continuous, objective, and patient-centered monitoring paradigms for PD.
This study presents a methodological framework for evaluating and diagnosing PD motor symptoms using wearable devices in unsupervised settings, together with its implementation and validation. The proposed framework integrates exercises selected from clinical practice guidelines with daily-life activities identified as discriminative between individuals with PD and healthy controls.
An experimental study comprising both supervised clinical sessions and a remote monitoring phase under unsupervised conditions was conducted. Participants included individuals with PD and healthy subjects, yielding the generation of a comprehensive database of inertial signals (from accelerometers and gyroscopes) in both contexts. Machine learning algorithms were applied to identify specific digital biomarkers, enabling evaluation of the approachs feasibility and diagnostic performance.
The principal contributions include a review of digital biomarkers for PD motor symptoms; the design of an experimental protocol developed in collaboration with clinicians and therapists; the creation of a database integrating data from PD individuals and healthy controls under supervised and unsupervised conditions; the development of a verification procedure for accelerometer frequency response and linearity to ensure data consistency; the validation of machine learning models applied to standardized clinical exercises in unsupervised settings, with the proposal of corresponding digital biomarkers; finally, the introduction and validation of the egg-beating task as a novel daily-life and clinical assessment for PD diagnosis, supported by its associated digital biomarker.
La Enfermedad de Parkinson (EP) es una enfermedad neurológica degenerativa crónica y progresiva, considerada la segunda patología neurodegenerativa más común en el mundo. Se caracteriza principalmente por síntomas motores, como la bradicinesia, el temblor en reposo y las alteraciones de la marcha, junto con síntomas no motores, entre los que destacan los déficits cognitivos y las manifestaciones neuropsiquiátricas. En la actualidad no existe una cura, y las terapias disponibles se centran en el control de los síntomas para mejorar la calidad de vida de las personas con EP.
El diagnóstico de la EP es uno de los grandes desafíos clínicos asociados a esta enfermedad. La ausencia de pruebas objetivas y concluyentes obliga a que este proceso dependa en gran medida de la experiencia clínica y de la observación directa por parte del especialista, lo que complica la detección precoz y el seguimiento continuo de la enfermedad. Estas limitaciones han impulsado la búsqueda de soluciones tecnológicas que aporten medidas cuantitativas y reproducibles, capaces de complementar las evaluaciones clínicas tradicionales.
En este escenario, los dispositivos vestibles se han consolidado como una alternativa de gran potencial. Estos sistemas permiten registrar de manera no invasiva y prolongada señales biomecánicas del movimiento humano, incluso en entornos no supervisados, generando información útil durante situaciones de la vida diaria. La explotación de dichos registros mediante técnicas de IA ha generado nuevas posibilidades para el desarrollo de biomarcadores digitales que respalden la diagnosis de la EP, avanzando hacia un modelo de monitorización continua, objetiva y centrada en las personas con EP.
Esta tesis doctoral se centra en el diseño, implementación y validación de una metodología orientada a la diagnosis de síntomas motores de la EP mediante el uso de dispositivos vestibles en contextos no supervisados. La metodología propuesta combina la realización de ejercicios seleccionados de guías clínicas estandarizadas, con la incorporación de actividades cotidianas con potencial para discriminar entre personas con EP y sujetos sanos.
Para validar esta propuesta metodológica se diseñó una campaña experimental que incluyó tanto sesiones supervisadas en clínica como un periodo de monitorización remota en entornos no supervisados. En estas sesiones participaron personas con EP y sujetos sanos, generando una base de datos que integra registros de señales inerciales (acelerómetro y giroscopio) en ambos contextos. Dichos registros fueron sometidos a un proceso sistemático de tratamiento y análisis mediante algoritmos de aprendizaje automático, concluyendo en el diseño de biomarcadores digitales específicos, lo que permitió evaluar la viabilidad y el rendimiento de la metodología planteada.
Las principales contribuciones de esta tesis doctoral incluyen una revisión sistemática del estado del arte sobre los biomarcadores digitales de los síntomas motores de la EP, el diseño de un protocolo experimental validado junto a clínicos y terapeutas, la generación de una base de datos que integra registros de personas con EP y sujetos sanos en condiciones supervisadas y no supervisadas; el desarrollo de un procedimiento de verificación de la respuesta en frecuencia y linealidad de acelerómetros, que garantiza homogeneidad de los datos; la validación de modelos de aprendizaje automático aplicados a ejercicios clínicos estandarizados en entornos no supervisados, con la propuesta de un conjunto de biomarcadores digitales asociados a los distintos ejercicios; y la propuesta y validación de la actividad de batido de huevo como prueba cotidiana y clínica complementaria para la diagnosis de la EP, con su correspondiente biomarcador digital.
ABSTRACT
Parkinsons disease (PD) is a chronic and progressive neurodegenerative disorder and represents the second most common neurodegenerative condition worldwide. It is characterized primarily by motor symptoms such as bradykinesia, resting tremors and gait disturbances, alongside non-motor manifestations including cognitive impairment and neuropsychiatric symptoms. Although there is currently no cure, available therapies aim to alleviate symptoms and improve the quality of life of affected individuals.
The diagnosis of PD remains one of the major clinical challenges. The absence of conclusive, objective diagnostic tests necessitates reliance on clinical expertise and direct observation, limiting early detection and continuous monitoring. These constraints have led to a growing interest in technological approaches capable of providing quantitative, reproducible measures to complement traditional clinical evaluations.
In this context, wearable sensing technologies have emerged as promising tools for objective monitoring. These systems can acquire biomechanical motion signals non-invasively and over extended periods, even in unsupervised environments, thereby capturing data reflecting real-world daily activities. Applying artificial intelligence techniques to this data enables the development of digital biomarkers, thereby advancing continuous, objective, and patient-centered monitoring paradigms for PD.
This study presents a methodological framework for evaluating and diagnosing PD motor symptoms using wearable devices in unsupervised settings, together with its implementation and validation. The proposed framework integrates exercises selected from clinical practice guidelines with daily-life activities identified as discriminative between individuals with PD and healthy controls.
An experimental study comprising both supervised clinical sessions and a remote monitoring phase under unsupervised conditions was conducted. Participants included individuals with PD and healthy subjects, yielding the generation of a comprehensive database of inertial signals (from accelerometers and gyroscopes) in both contexts. Machine learning algorithms were applied to identify specific digital biomarkers, enabling evaluation of the approachs feasibility and diagnostic performance.
The principal contributions include a review of digital biomarkers for PD motor symptoms; the design of an experimental protocol developed in collaboration with clinicians and therapists; the creation of a database integrating data from PD individuals and healthy controls under supervised and unsupervised conditions; the development of a verification procedure for accelerometer frequency response and linearity to ensure data consistency; the validation of machine learning models applied to standardized clinical exercises in unsupervised settings, with the proposal of corresponding digital biomarkers; finally, the introduction and validation of the egg-beating task as a novel daily-life and clinical assessment for PD diagnosis, supported by its associated digital biomarker. Read More
Related posts:
Desarrollo de una app para la recogida automática de información para la ayuda al diagnóstico de enfermos de Parkinson
Evaluating Motor Symptoms in Parkinson’s Disease Through Wearable Sensors: A Systematic Review of Digital Biomarkers
Interview: Erik Mayer, transformation chief clinical information officer, Imperial College
Temporal modeling and AT profiles in the early phase of Alzheimer’s disease
Developing Ontology-Driven Knowledge Graphs to Link Genomic Variants and Clinical Phenotypes in the Prenatal Context
Enfoque multidisciplinar de la esquizofrenia: mecanismos patogénicos, diagnóstico y estrategias terapéuticas