Este estudio presenta BagStacking, un innovador marco de aprendizaje en conjunto diseñado para mejorar la detección de la congelación de la marcha (FOG) en la enfermedad de Parkinson (PD) utilizando datos de acelerómetros. Al combinar sinérgicamente la reducción de varianza del bagging con los sofisticados mecanismos de mezcla del stacking, BagStacking logra un rendimiento predictivo superior. Evaluado en un conjunto de datos completo de PD proporcionado por la Fundación Michael J. Fox, BagStacking alcanzó una precisión media promedio (MAP) de 0.306, superando a LightGBM independiente y a los métodos de stacking tradicionales. Además, BagStacking demostró métricas superiores de área bajo la curva (AUC) en las principales clases de eventos de FOG. Específicamente, logró AUCs de 0.88 para la duda al comenzar, 0.90 para girar y 0.84 para eventos de caminar, superando las líneas base de ensamblaje multiestrategia, stacking regular y LightGBM. Adicionalmente, BagStacking mostró un tiempo de ejecución reducido en comparación con otros enfoques de ensamblaje, lo que lo hace adecuado para el monitoreo clínico en tiempo real. Estos resultados subrayan la efectividad de BagStacking para abordar la variabilidad inherente en la detección de FOG, contribuyendo así a mejorar la atención al paciente en PD.