Resumen: Este artículo presenta un marco novedoso para la estimación en tiempo real de parámetros biomecánicos durante la rehabilitación ortopédica, basado en una arquitectura de redes neuronales gráficas espaciotemporales ST-GNN. Integrando datos de cámaras de profundidad con señales de unidades de medida inercial IMU, el sistema estima con alta precisión ángulos articulares, niveles de activación muscular y fuerzas de reacción del suelo, parámetros esenciales para programas de rehabilitación personalizados. El modelo opera en tiempo real con latencia inferior a 50 ms y reduce significativamente la dependencia de sistemas de captura con marcadores, minimizando la calibración requerida y facilitando la adopción clínica.

Introducción: La rehabilitación ortopédica busca restaurar la función y reducir el dolor tras lesiones o intervenciones como sustitución total de rodilla y reconstrucción de ligamento cruzado anterior. Los métodos actuales de valoración son a menudo subjetivos, costosos o no proporcionan retroalimentación continua. Ante esta necesidad, proponemos un sistema que permite monitorización continua y ajustes adaptativos de los protocolos de rehabilitación, con especial atención a la región femoral y funciones relacionadas con la rodilla.

Antecedentes y aportación: Las técnicas existentes incluyen captura de movimiento con marcadores, visión por ordenador, sistemas basados en IMU y enfoques híbridos. Cada método tiene ventajas y limitaciones: precisión frente a complejidad, robustez ambiental y deriva de sensores. Nuestra propuesta se distingue por procesar directamente datos multisensoriales mediante una ST-GNN que aprende las relaciones espaciotemporales entre sensores y parámetros biomecánicos, equilibrando precisión, eficiencia computacional y robustez frente a ruido y cambios en el comportamiento del paciente.

Metodología: arquitectura y sensores: El sistema combina una cámara de profundidad para seguimiento esquelético 3D y un set de IMU portátiles colocados estratégicamente en la extremidad inferior. Los nodos del grafo representan sensores y articulaciones, mientras las aristas codifican proximidad espacial y relaciones temporales. Los pesos de arista reflejan correlaciones y distancias inversas, permitiendo que la red priorice información pertinente en cada instante.

Diseño de la ST-GNN: La red incorpora capas de convolución gráfica para propagar información entre nodos y capas de atención gráfica que ponderan dinámicamente la influencia de cada conexión. Este mecanismo de atención hace que el modelo sea tolerante a sensores ruidosos y capaz de adaptarse a diferencias anatómicas entre pacientes. El flujo de datos normaliza y sincroniza las señales de profundidad y las lecturas IMU antes de alimentarlas a la red, optimizando la latencia y la estabilidad.

Formulación intuitiva: En cada instante temporal la entrada es un conjunto de vectores que representan lecturas de cada nodo. La etapa de convolución propaga e integra información local siguiendo la estructura de adyacencia dinámica, y la etapa de atención asigna coeficientes que aumentan o reducen la influencia de vecinos según su relevancia para la estimación de un parámetro biomecánico concreto. El resultado final son estimaciones continuas de ángulos articulares, activación muscular y fuerzas de reacción.

Protocolo experimental: Se recopiló un dataset con participantes en rehabilitación postoperatoria que realizaron ciclos de marcha y tareas funcionales como sentadillas, zancadas y step-ups. Los datos se registraron simultáneamente con el sistema propuesto y con un sistema Vicon de referencia para generar la verdad terreno. Las métricas de evaluación incluyeron RMSE para ángulos articulares, coeficiente de Pearson para activación muscular evaluada por sEMG, MAE para fuerzas de reacción y latencia por cuadro.

Resultados: El sistema ST-GNN alcanzó errores de ángulo promedio próximos a 3.2 grados, correlaciones de activación muscular elevadas (r aproximado 0.87) y errores de fuerza inferiores a 15 N en promedio, manteniendo latencias por debajo de 50 ms. Estos resultados superan a implementaciones basadas únicamente en filtros de Kalman sobre IMU y a soluciones comerciales markerless en las pruebas realizadas, destacando la ventaja de fusionar profundidad e IMU con un grafo espaciotemporal adaptable.

Discusión: La capacidad del modelo para ajustar sus conexiones en función del patrón de movimiento y la calidad de cada sensor reduce la necesidad de calibraciones extensas y mejora la robustez en entornos clínicos reales. Esto facilita su integración en programas de rehabilitación personalizados y en dispositivos de asistencia robótica donde la retroalimentación continua y precisa es crítica para seguridad y eficacia terapéutica.

Aplicaciones prácticas y escalabilidad: Más allá del entorno clínico, este enfoque es susceptible de integrarse en aplicaciones a pie de cama, plataformas de telemedicina y soluciones de asistencia con exoesqueletos. Las empresas interesadas en desplegar soluciones a medida encontrarán en nuestra propuesta una base sólida para desarrollar productos adaptados a sus necesidades, integrando capacidades de análisis en tiempo real, agentes IA y dashboards con Power BI para monitorización y toma de decisiones.

Sobre Q2BSTUDIO: Q2BSTUDIO es una empresa de desarrollo de software especializada en aplicaciones a medida y software a medida, con experiencia en inteligencia artificial, ciberseguridad y servicios cloud aws y azure. Ofrecemos servicios de inteligencia de negocio, soluciones de ia para empresas y desarrollo de agentes IA para automatizar procesos y optimizar flujos clínicos y operativos. Si desea conocer nuestras soluciones de desarrollo de aplicaciones a medida visite software a medida y para consultar nuestras capacidades en inteligencia artificial acceda a inteligencia artificial. Contamos además con servicios de ciberseguridad y pentesting, integración con plataformas cloud y experiencia en implementación de dashboards con Power BI para maximizar el valor de sus datos.

Conclusiones y trabajo futuro: La ST-GNN presentada demuestra un avance prometedor para la estimación en tiempo real de parámetros biomecánicos aplicables a rehabilitación ortopédica personalizada. Futuras líneas incluyen la incorporación de modelos musculoesqueléticos específicos por paciente para elevar la precisión, la validación en entornos clínicos diversos y el desarrollo de algoritmos de control cerrado para rehabilitación asistida por robots. La convergencia de sensores multisensoriales, aprendizaje profundo y servicios cloud permitirá soluciones escalables y seguras que mejoren la recuperación y la calidad de vida de los pacientes.

Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.