Sergio Martínez Cid defiende su tesis doctoral sobre inteligencia artificial para la fisioterapia neurológica
Sergio Martínez Cid, investigador del grupo AIR de la Escuela Superior de Informática de la Universidad de Castilla-La Mancha, ha defendido hoy su tesis doctoral, Artificial Intelligence to support physiotherapy for patients affected by neurological diseases, y ha obtenido la máxima calificación.
La tesis con mención internacional ha sido dirigida por el Dr. David Vallejo Fernández y el Dr. Santiago Sánchez Sobrino, y ha sido desarrollada durante el transcurso de una Beca de Formación de Personal Investigador (FPI), del plan propio de la UCLM, en la modalidad de doctorado industrial con la colaboración de la Spin-Off Furious Koalas. El tribunal lo presidió la Dra. María del Carmen Lacave Rodero (Universidad de Castilla-La Mancha). Actuaron como secretario el Dr. José Antonio García Naya (Universidade da Coruña) y como vocal el Dr. Jorge C. S. Cardoso (Universidade de Coimbra, Portugal).
Resumen de la Tesis
Las enfermedades neurológicas, como el ictus y la enfermedad de Parkinson, se encuentran entre las principales causas de discapacidad a largo plazo en todo el mundo, y se espera que su prevalencia siga aumentando. La recuperación de la función motora depende de una rehabilitación física repetitiva, prolongada y específica para cada paciente, un proceso en el que el terapeuta es fundamental pero difícil de proporcionar a la escala que requiere el sistema sanitario. Los terapeutas cualificados son escasos y la supervisión experta es costosa, presiones que han impulsado la rehabilitación hacia modalidades de atención a distancia. Esto extiende la terapia más allá de la clínica, pero elimina la supervisión directa de la que depende su eficacia, creando la necesidad de un apoyo que personalice cada rutina, mida el rendimiento, se mantenga accesible y gane la confianza del clínico.
Esta tesis doctoral estudia cómo la inteligencia artificial (IA) puede apoyar la rehabilitación física en enfermedades neurológicas mediante un enfoque explicable y verificable por el terapeuta. Su propuesta central es un sistema explicable de apoyo a la toma de decisiones (DSS) que, sustentado en una base de reglas difusas que codifica el conocimiento del terapeuta, sugiere y ajusta automáticamente rutinas personalizadas a partir de los datos registrados durante el ejercicio. Estos ajustes se basan en métricas de ejecución, como la fatiga y los movimientos compensatorios, estimadas mediante una cámara de bajo coste en lugar de hardware clínico especializado, y se ofrecen en una plataforma accesible y domiciliaria. Cada recomendación incluye una justificación comprensible para una persona, de modo que el sistema apoya las decisiones del terapeuta en lugar de reemplazarlas, y el trabajo explora además qué pueden aportar a este enfoque los grandes modelos de lenguaje (LLM).
El trabajo se presenta como un compendio de publicaciones desarrollado a lo largo de una única línea de investigación y articulado en torno a cuatro preguntas de investigación. Tres artículos representativos lo estructuran: el DSS explicable que personaliza las rutinas, un modelo adaptativo que estima la fatiga durante la terapia, y un estudio de mapeo sistemático que caracteriza la madurez, la cobertura y las lagunas abiertas del campo. Además de estos, el compendio añade la plataforma modular y de código abierto Physio Galenus que consolida este sistema en un software desplegable y una exploración de los LLM para tareas de apoyo sanitario, desarrollado con terapeutas y pacientes en un enfoque de cocreación.
Las propuestas se validaron en el Hospital Nacional de Parapléjicos de Toledo, con pacientes con lesión medular que representan a la población neurológica más amplia. Las estimaciones de fatiga concordaron con la percibida por el paciente, con un margen aproximado del 15%, los pacientes que evaluaron el sistema valoraron muy positivamente su facilidad de uso, y los terapeutas respaldaron el ajuste automático de rutinas bajo su supervisión. La evidencia confirma la hipótesis de trabajo: un apoyo explicable y verificable basado en IA para la fisioterapia neurológica es viable y bien recibido por los profesionales que lo utilizarían. La integración de los LLM ha tomado forma en un prototipo funcional que los acopla al sistema, y completarlo y validarlo, junto con la validación clínica del enfoque, sigue siendo la línea natural de trabajo futuro.
