Enzo Romero Muñiz
Integrante de la REINDIS (PERÚ)
Código: REINDIS-PA-2025-I-0031
Las investigaciones tituladas “An Affordable AI-Driven and 3D-Printed Personalized Myoelectric Prosthesis: Design, Development, and Assessment” y “Assessment of Artificial Intelligence-Based Control Algorithms to Be Implemented in an Affordable Transradial Myoelectric Prosthesis”, publicadas entre 2025 y 2026, abordan el diseño, desarrollo, evaluación y optimización de prótesis mioeléctricas personalizadas, particularmente mediante el uso de tecnologías de fabricación digital, impresión 3D e inteligencia artificial. Ambas investigaciones buscan contribuir al desarrollo de soluciones de rehabilitación y tecnologías de asistencia que sean más accesibles, funcionales y de menor costo, especialmente para personas que enfrentan barreras económicas o de acceso a este tipo de dispositivos en contextos de recursos limitados. A continuación, se presentan sus principales características y aportes.
An Affordable AI-Driven and 3D-Printed Personalized Myoelectric Prosthesis: Design, Development, and Assessment
Esta investigación tuvo como objetivo diseñar, desarrollar y validar una prótesis mioeléctrica transradial personalizada que integra manufactura aditiva e inteligencia artificial, con el propósito de ofrecer una alternativa accesible para personas con amputación de miembro superior, especialmente en contextos de países en desarrollo.
Este importante estudio fue desarrollado de manera conjunta por Enzo Romero, integrante de la Red de Investigadores en Discapacidad-REINDIS (PERÚ) en colaboración con José G. García, Magno Parra, Sebastián Caballa, Alejandro M. Saldarriaga, Edson F. Luque, Dante J. Rodriguez, Victoria E. Abarca y Dante A. Elias, investigadores de la Pontificia Universidad Católica del Perú (PUCP) y la Universidad La Salle. Los resultados fueron publicados en la revista IEEE Access (Q1) en agosto de 2025.
Para el desarrollo de este estudio, se integraron tecnologías de escaneo tridimensional, modelado paramétrico e impresión 3D para fabricar una prótesis personalizada. El dispositivo incorpora un sistema de control basado en inteligencia artificial que procesa señales electromiográficas superficiales (sEMG) mediante técnicas de aprendizaje automático para identificar, en tiempo real, la intención de movimiento del usuario. La evaluación se realizó con nueve personas con amputación transradial mediante el protocolo Brief Activity Measure for Upper Limb Amputees (BAM-ULA).
Los resultados mostraron un puntaje promedio de 7,4 sobre 10 y un 100 % de éxito en tareas de motricidad gruesa. Asimismo, la prótesis alcanzó un costo aproximado de 780 dólares, evidenciando la viabilidad de integrar manufactura aditiva e inteligencia artificial para desarrollar dispositivos personalizados de menor costo. El estudio también resalta el potencial de la fabricación digital para ampliar el acceso a tecnologías de asistencia en entornos con recursos limitados.
Puedes visualizar la investigación aquí.
Assessment of Artificial Intelligence-Based Control Algorithms to Be Implemented in an Affordable Transradial Myoelectric Prosthesis
La investigación, desarrollada por José G. García, Edson F. Luque, Enzo Romero, Magno Parra, Davis Suárez, Victoria E. Abarca y Dante A. Elías, tuvo como objetivo evaluar algoritmos de inteligencia artificial capaces de reconocer gestos a partir de señales electromiográficas, con la finalidad de optimizar el control de una prótesis mioeléctrica transradial de bajo costo y contribuir al desarrollo de soluciones personalizadas para personas con amputación de miembro superior.
El estudio se basó en una base de datos de señales electromiográficas superficiales obtenidas de 20 personas peruanas con amputación transradial de origen traumático o congénito. Cada participante realizó 240 repeticiones de gestos en distintas posturas, lo que permitió entrenar y comparar diversos modelos de aprendizaje automático, como redes neuronales, Random Forest, XGBoost y árboles de decisión, para reconocer la intención de movimiento de las personas usuarias.
Los resultados mostraron que Random Forest y XGBoost, integrados en una arquitectura de clasificación por etapas (stack model), alcanzaron una precisión de hasta el 97,4 %, superior a la obtenida por los demás modelos evaluados. Asimismo, se observó un mejor desempeño en participantes con amputaciones distales y de origen congénito. El estudio también demostró que estos algoritmos pueden ejecutarse en tiempo real mediante una Raspberry Pi Zero 2 W, lo que respalda su aplicación en prótesis mioeléctricas de bajo costo con sistemas de control más precisos y adaptados a las características de cada persona.
Los resultados fueron publicados en marzo de 2026 en Scientific Reports, revista científica ubicada en el cuartil Q1. Puedes visualizar la investigación aquí.
