Diagnóstico y seguimiento a pacientes con enfermedad de Parkinson con el empleo de Smartphone
Palabras clave:
Parkinson, inteligencia artificial, aprendizaje automático, bradikinesia, temblor en reposo, rigidez muscular, inestabilidad postural, vozResumen
Introducción: en la actualidad, son muchos los esfuerzos que se realizan para lograr la exactitud en el diagnóstico médico y el posterior seguimiento a los pacientes. La enfermedad de Parkinson es una de las que ha sido objeto de investigaciones para estos fines, especialmente, en el área de la inteligencia artificial y, más específicamente, en el aprendizaje automático son varios los resultados que se muestran para corroborarlo.
Objetivo: encontrar evidencias a favor del uso de teléfonos inteligentes para la extracción de datos y las principales métricas y algoritmos empleados para la clasificación de pacientes con esta enfermedad.
Métodos: para el desarrollo de la búsqueda se siguió el criterio de la lista de verificación PRISMA (2020). Se tuvo en cuenta el período comprendido en los últimos 6 años, artículos escritos en idioma español o inglés; se seleccionaron estudios de fuentes como Scopus, PubMed, SciELO, IEEE, Google Académico y ACM. La última consulta se realizó en enero de 2025. Para evitar sesgo de revisión, se aceptaron artículos ya publicados y de los que se pudiera contar con su visualización. Para sintetizar los resultados se emplearon herramientas como Mendeley, Excell y la estadística descriptiva.
Conclusiones: existen evidencias hacia el empleo de los teléfonos inteligentes (Smartphones) para la clasificación de pacientes con Parkinson, dentro de las métricas más empleadas se encuentra la marcha, el temblor, la bradicinesia y, en los últimos años, se incorpora la voz como medida de evaluación temprana de esta enfermedad.
Descargas
Citas
Aich, S. (2020). A supervised machine learning approach to detect the on/off state in Parkinson’s disease using wearable based gait signals.
Aich, S. (2020). Design of a machine learning-assisted wearable accelerometer based a utomated system for studying the effect of dopa minergic medicine on.
Alshammri, R., Alharbi, G., Alharbi, E., & Almubark, I. (2023). Machine Learning approaches to identify Parkinson´s disease using voice signal features. Frontiers in Artificial Intelligence, 8.
Borzì, L., Varrecchia, M., Olmo, G., Artusi, C. A., Fabbri, M., Rizzone, M. G., . . . Lopiano, L. (2019). Home monitoring of motor fluctuations in Parkinson’s disease patients.
Erb, M. (2020). mHealth and wearable technology should replace motor diaries to track motor fluctuations in Parkinson’s disease. .
Espay, A. J. (2019). A roadmap for implementation of patient-centered digital outcome measures in Parkinson’s disease obtained using mobile health technologies.
Evers, L. (2020). Real-life gait performance as a digital biomarker for motor fluctuations: the Parkinson@Home validation study.
Feng Tian, X. F. (2019). What Can Gestures Tell?Dete cting Motor Impairment in Early Parkinson’s.
Feng, T., X. F., Junjun, F., Yicheng, Z., Gao, J., Wang, D., & Xiaojun Bi. (2019). What Can Gestures Tell? Detecting Motor Impairment in Early Parkinson’s from Common Touch Gestural Interactions.
Florian Lipsmeier, K. I.-E.-Y.-G.-P. (2019). Evaluation of Smartphone-Based Testing to Generate Exploratory Outcome Measures in a Phase 1 Parkinson’s Disease Clinical Trial.
García, B. (2019). Applied Machine Learning Techniques to Diagnose Voice-Affecting Conditions and Disorders: Systematic Literature Review.
Ghoraani, B., Hssayeni, M. D., Bruack, M. M., & Jimenez-Shahed, J. (2020). Multilevel features for sensor-based assessment of motor fluctuation in Parkinson’s disease subjects.
Gil-Martín, M., Montero, J. M., & San-Segundo, R. (2019). Parkinson’s Disease Detection from Drawing Movements Using Convolutional Neural Networks.
HANBIN ZHANG, C. X. (2019). PDMove: Towards Passive Medication Adherence Monitoring of Parkinson’s Disease Using Smartphone-based Gait Assessment.
HE LI, K. O. (2019). Deep Reinforcement Scheduling for Mobile Crowdsensing in Fog Computing.
Hssayeni, M. D., Jimenez-Shahed, J., Burack, M. A., & Ghoraani, B. (2019). Wearable sensors for estimation of parkinsonian tremor severity during free body movements.
Islam, M., H. M., Hussein, M., & Miah, M. S. (2024). A review of machine learning and deep learning algorithms for Parkinson’s disease detection using handwriting and voice datasets. Elsevier, 33.
Jeon, H. (2019). High-accuracy automatic classification of Parkinsonian tremor severity using machine learning method.
Lee, A. (2020). Can google glassTM technology improve freezing of gait in parkinsonism? A pilot study. .
Lo, C., fg, thu, y, yuh, yui, & iop. (2019). Predicting motor, cognitive & functional impairment in Parkinson’s.
Mahadevan, N. (2020). Development of digital biomarkers for resting tremor and bradykinesia using a wrist-worn wearable device. .
Marcante, A. (2020). Foot pressure wearable sensors for freezing of gait detection in Parkinson’s disease.
Murtadha D. Hssayeni, J. J.-S. (s.f.). Hybrid Feature Extraction for Detection of Degree of Motor Fluctuation Severity in Parkinson’s.
Nair, P., Trisno, R., Baghini, M. S., Pendharkar, G., & Chung, H. (2020). Predicting early stage drug induced parkinsonism using unsupervised and supervised machine learning.
Oyama, G. (2019). Analytical and clinical validity of wearable, multi sensor technology for assessment of motor function in patients with Parkinson’s disease in Japan.
Pfister, F. (2020). High-resolution motor state detection in Parkinson’s disease using convolutional neural networks.
Ray, S. (2019). A Predictive Diagnosis for Parkinson’s Disease Though Machine Learning.
Reches, T. (2020). Using wearable sensors and machine learning to automatically detect freezing of gait during a FOG-Provoking test.
Rehman, R. (2020). Accelerometry-based digital gait characteristics for classification of Parkinson’s disease: what counts?
Rodríguez-Molinero, A., gonzales, B., alvarez, C., Rap, F., Fru, t., rip, Y., & hjop, P. (2019). Estimating dyskinesia severity in Parkinson’s disease by using a waist-worn sensor: concurrent validity study.
Sajal, M. (2020). Telemonitoring Parkinson’s disease using machine learning by combining tremor and voice analysis.
Sherina T.M, M. S. (s.f.). A Survey on Machine Learning Techniques for Parkinson’s Disease Diagnosis and Classification.
Singh, S., & Xu, W. (2020). Robust detection of Parkinson’s disease using harvested smartphone voice data: a telemedicine approach.
Steinmetzer, T., Maasch, M., Bönninger, I., & Travieso, C. M. (2019). Analysis and Classification of Motor Dysfunctions in Arm Swing in Parkinson’s Disease.
Tiang, F. (2019). What Can Gestures Tell? Detecting Motor impairment in Early Parkinson’s from Common Touch Gestural Interactions.
Van Brummelen, E. (2020). Quantification of tremor using consumer product accelerometry is feasible in patients with essential tremor and Parkinson’s disease: a comparative study.
Vessio, G. (2019). Dynamic Handwriting Analysis for Neurodegenerative Disease Assessment: A Literary Review.
Vivar, G. (2019). Contrast and homogeneity feature analysis for classifying tremor.
A. H. Butt, E. R. (2018). Objective and automatic classifcation.
B.KALAISELVI, S. R. (2018). Accelorometer based Classification of Parkinson’s disease by measuring the harmonics using MATLAB.
C. Lainscsek, P. R. (2012). Finger tapping movements of Parkinson’s disease patients automatically rated using nonlinear delay differential equations.
Chae Young Lee, S. J.-K.-I. (2016). A Validation Study of a Smartphone-Based Finger Tapping Application for Quantitative Assessment of Bradykinesia in Parkinson’s Disease.
Clayton R. Pereira, S. A. (2017). Deep Learning-aided Parkinson’s Disease Diagnosis.
Dustin A. Heldman, U. E. (2017). Automated Motion Sensor Quantification of Gait and Lower Extremity Bradykinesia.
Feng Tian, X. F. (2019). What Can Gestures Tell?Dete cting Motor Impairment in Early Parkinson’s.
Feng Tian1, 2. X. (2019). What Can Gestures Tell? Detecting Motor Impairment in Early Parkinson’s from Common Touch Gestural Interactions.
Florian Lipsmeier, K. I.-E.-Y.-G.-P. (2019). Evaluation of Smartphone-Based Testing to Generate Exploratory Outcome Measures in a Phase 1 Parkinson’s Disease Clinical Trial.
HANBIN ZHANG, C. X. (2019). PDMove: Towards Passive Medication Adherence Monitoring of Parkinson’s Disease Using Smartphone-based Gait Assessment.
HE LI, K. O. (2019). Deep Reinforcement Scheduling for Mobile Crowdsensing in Fog Computing.
Luigi Borzì, M. V. (2019). Home monitoring of motor fluctuations in Parkinson’s disease patients.
Manuel Gil-Martín, J. M.-S. (2019). Parkinson’s Disease Detection from Drawing Movements Using Convolutional Neural Networks.
Maryam Mahsal Khan, A. M. (2018). Evolutionary Wavelet Neural Network.
Murtadha D. Hssayeni, J. J.-S. (2019). Hybrid Feature Extraction for Detection of Degree of Motor Fluctuation Severity in Parkinson’s.
Panagiotis Kassavetis, M. T. (2015). Developing a Tool for Remote Digital Assessment of Parkinson’s.
Rachel Saunders-Pullman, C. D. (2008). Validity of Spiral Analysis in Early Parkinson’s Disease.
Ray, S. (2019). A Predictive Diagnosis for Parkinson’s Disease Though Machine Learning.
Robert I. Griffiths, K. K. (2012). Automated Assessment of Bradykinesia and Dyskinesia in Parkinson’s Disease.
Sherina T.M, M. S. (2019). A Survey on Machine Learning Techniques for Parkinson’s Disease Diagnosis and Classification.
Vessio, G. (2019). Dynamic Handwriting Analysis for Neurodegenerative Disease Assessment: A Literary Review.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista Cubana de Neurología y Neurocirugía
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Acorde con el documento de licencias de derecho del autor de Revista Cubana de Neurología y Neurocirugía, los artículos pueden reproducirse sin permiso formal o pago de honorarios por permisos.
Esta es una publicación con Acceso Abierto (Open Access) bajo las condiciones de la Licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional, excepto que se haga alguna indicación adicional.
El usuario sin pedir permiso previo al editor o al autor, es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- No Comercial — Usted no puede hacer uso del material con propósitos comerciales.
Esto está de acuerdo con la definición de BOAI de acceso abierto. Además, al autor no se le imponen los cargos o costos por el procesamiento editorial del artículo aceptado para su publicación.
