Desarrollo de un sistema de visión artificial para la detección de microexpresiones faciales asociadas al dolor

Resumen

El dolor se evalúa con frecuencia mediante escalas subjetivas, lo que reduce la precisión y aumenta la variabilidad clínica. En este estudio se desarrolló y evaluó un sistema de visión artificial para detectar microexpresiones faciales asociadas al dolor en pacientes de 20 a 68 años utilizando el dataset Pain Expressions Multimodal Framework (PEMF). El flujo incluyó detección y recorte facial, normalización espacial y temporal de los frames y extracción de rasgos espaciotemporales con una red MoViNet preentrenada, complementada con descriptores geométricos basados en Unidades de Acción. Se compararon dos enfoques: (i) modelo híbrido MoViNet + clasificadores supervisados (MLP y XGBoost) y (ii) modelo end‑to‑end I3D entrenado directamente sobre secuencias de video. El desempeño se midió como clasificación binaria dolor/no dolor con F1‑macro y balanced accuracy, por el desbalance del conjunto de prueba (223 clips). Los resultados globales mostraron mejor rendimiento para los modelos híbridos (MoViNet+XGBoost: accuracy 0.97, F1‑macro 0.96, balanced accuracy 0.9486; MoViNet+MLP: accuracy 0.96, F1‑macro 0.94) frente a I3D (accuracy 0.93, F1‑macro 0.91), además de menor riesgo de omitir casos con dolor. Se concluye que el enfoque híbrido ofrece un soporte objetivo, interpretable y ajustable para la valoración clínica del dolor, con potencial de integración en una interfaz web casi en tiempo real en entornos hospitalarios y de telemedicina.