¿Puede la IA predecir brotes de esclerosis múltiple a partir de cambios en los patrones de velocidad de escritura en el smartphone ?

La esclerosis múltiple interrumpe las señales nerviosas, afectando sutilmente el control motor fino. La IA que analiza la dinámica de escritura (velocidad, ritmo, errores) podría detectar el empeoramiento de la inflamación antes de que aparezcan signos clínicos. Los datos longitudinales del uso cotidiano del teléfono podrían señalar recaídas sin necesidad de visitas a la clínica. Las preocupaciones sobre privacidad y la variabilidad del comportamiento del usuario complican la validación. El enfoque combina la detección pasiva con el análisis predictivo.

Background

Multiple sclerosis disrupts nerve signals, subtly affecting fine motor control. AI analyzing typing dynamics (speed, rhythm, errors) might detect worsening inflammation before clinical signs appear. Longitudinal data from everyday phone use could flag relapses without clinic visits. Privacy concerns and user behavior variability complicate validation. The approach merges passive sensing with predictive analytics. AI can already extract keystroke-timing features from smartphone sensors and detect changes in typing cadence at clinically meaningful levels, but translating those signals into reliable multiple sclerosis (MS) flare-up forecasts remains experimental. Small-scale studies (N≈80–200 relapsing-remitting MS patients) have shown that typing-speed variability rises days to weeks before symptom exacerbation, yielding modest predictive performance (AUC≈0.72–0.78) when combined with passive activity and sleep data. The main bottleneck is generalisability across diverse keyboards, languages and patient cohorts, plus ethical and regulatory hurdles for medical-grade apps. Larger, prospective trials with continuous, real-world typing capture are now underway to validate clinical utility.