IA y accidentes cerebrovascular

5 de Noviembre, 2026 · Inteligencia Artificial · Gabriela Tapia

Análisis de video para rehabilitación de accidentes cerebrovasculares

Después de un accidente cerebrovascular, la rehabilitación lo es todo. Los pacientes repiten movimientos —levantar un vaso, cepillarse los dientes, abrir una puerta— cientos de veces, durante meses.

Y medir ese progreso hoy es sorprendentemente difícil.

Los terapeutas necesitan saber dos cosas: cuánta rehabilitación está haciendo el paciente (la "dosis") y cuán afectado está su movimiento (el nivel de deterioro). Hoy eso se mide con sensores que el paciente debe llevar puestos, o con observación manual: caro, incómodo, subjetivo.

Entonces alguien se hizo la pregunta obvia: ¿y si bastara con un video?

Lo que probaron

Un equipo del Center for Data Science de NYU —el estudiante de doctorado Victor Li, con el profesor Carlos Fernandez-Granda y el laboratorio del Dr. Dylan Schambra en NYU Grossman— evaluó 15 modelos de visión-lenguaje (VLM) de código abierto, de seis familias distintas.

Los pusieron a analizar videos de 20 personas sanas y 51 sobrevivientes de ACV, haciendo actividades cotidianas y movimientos repetitivos de rehabilitación.

La pregunta: ¿pueden estos modelos —sin entrenamiento específico— extraer información clínica útil?

Lo que SÍ lograron

  • Reconocer actividades de rehabilitación de alto nivel con muy pocos fotogramas.
  • Detectar movimiento y agarre con precisión moderada.
  • Con prompts bien diseñados y post-procesamiento, estimar la dosis de rehabilitación dentro del 30% del conteo real en tareas muy estructuradas (pacientes sanos o levemente afectados).

Es decir: sin entrenarlos para esto, lograron una parte importante del trabajo.

Lo que NO lograron

Y aquí está la parte que casi nunca aparece en los titulares:

  • En actividades generales, sus estimaciones fueron comparables a un modelo que no usa información visual en absoluto.
  • No pudieron predecir los puntajes de deterioro del test Fugl-Meyer (el estándar clínico de 33 ítems).
  • La conclusión de los investigadores: los VLM de código abierto actuales todavía no entienden el movimiento humano con la precisión suficiente para una cuantificación clínica confiable.

Por qué esto importa (y no es una mala noticia)

En tiempos donde cada semana aparece un modelo que "lo cambia todo", este paper es un recordatorio útil:

Reconocer una actividad no es lo mismo que analizar el movimiento que la compone.

Un modelo puede decir "esta persona está bebiendo agua" y, al mismo tiempo, ser incapaz de medir con precisión cómo se mueve su mano. Y en medicina, esa diferencia es la que separa una herramienta útil de una peligrosa.

Los propios investigadores lo dicen con claridad: la IA sería una augmentación para los terapeutas, no un reemplazo.

"Lo vemos como una augmentación que realmente puede ayudar a los doctores a ayudar mejor a sus pacientes."

La lección

Los VLM son impresionantes. Generalizan sin entrenamiento específico, entienden contexto, describen escenas.

Pero ver no es lo mismo que medir.

Y cuando la decisión importa —la salud de un paciente, la seguridad de una faena, la calidad de un producto— la diferencia entre "parece que" y "es" es todo.

Eso no hace a la IA menos útil. La hace más interesante: sabemos exactamente dónde está la frontera.


Volver al Blog