Programa del congreso

El temblor esencial (TE) es el trastorno del movimiento más prevalente en adultos, afectando hasta al 5% de la población mayor de 65 años. La predicción precisa y a nivel individual de la dinámica del TE resulta fundamental para optimizar terapias como la estimulación subumbral, donde la sincronización del estímulo con la activación muscular es crítica para lograr una reducción eficaz del temblor. Aunque se han propuesto modelos predictivos basados en aprendizaje automático, la predicción en tiempo real de la activación muscular continúa siendo un reto debido a la naturaleza de bucle cerrado del control neuromuscular, el ruido de los sensores, los retrasos en la transmisión de señales y la escasez de datos clínicos. En este estudio, desarrollamos y evaluamos un gemelo digital para entrenar redes neuronales en la predicción en tiempo real de la activación muscular en TE. Mostramos cómo el gemelo digital —un modelo neuromusculoesquelético computacional de TE— permite entrenar adecuadamente redes neuronales profundas recurrentes (RNN) y generar simulaciones sintéticas parametrizadas del temblor. Los resultados de la predicción de la activación muscular a partir del movimiento flexo-extensión de la muñeca muestran que la RNN tiene un error cuadrático medio de 0.0101 (R² = 81 %) con redes basadas en Long Short-Term Memory y de 0.0086 (R² = 83 %) con Gated Recurrent Unit. Aunque el presente trabajo se limita a datos sintéticos, su comparativa estadística con datos experimentales evidencia el potencial de este enfoque para crear terapias optimizadas y el diseño de estrategias personalizadas, p. ej., usando estimulación eléctrica periférica.