Sensores e IA: innovación en pruebas de estabilidad para pacientes

MadridInvestigadores de la Facultad de Ingeniería y Ciencias de la Computación de la Universidad Atlantic de Florida han desarrollado un nuevo método para medir el equilibrio. Este sistema utiliza sensores que las personas pueden llevar puestos y programas informáticos avanzados. La innovación promete mejorar el seguimiento de los problemas de equilibrio, especialmente en el cuidado a domicilio o en residencias para mayores.

Las pruebas de equilibrio tradicionales presentan algunas desventajas. A menudo requieren equipos costosos y especializados. Los resultados pueden variar según la pericia del profesional de salud. Además, no se pueden realizar de manera remota. Por lo tanto, necesitamos herramientas más eficaces y completas.

El nuevo método utiliza sensores portátiles adheridos al cuerpo. En el estudio, los sensores fueron colocados en los tobillos, la parte baja de la espalda, el pecho, la muñeca y el brazo de los participantes. Los investigadores emplearon la Prueba Clínica Modificada de Interacción Sensorial en Equilibrio (m-CTSIB), que evalúa la capacidad de una persona para mantener su equilibrio en diversas situaciones sensoriales.

• Ojos abiertos sobre una superficie estable
• Ojos cerrados sobre una superficie estable
• Ojos abiertos sobre una superficie de espuma
• Ojos cerrados sobre una superficie de espuma

Cada prueba duró unos 11 segundos sin interrupciones. Esto hizo que las pruebas de equilibrio fueran ininterrumpidas y aceleró el proceso de evaluación.

Investigadores utilizaron sensores IMU y un sistema especializado para recopilar datos de movimiento. Procesaron estos datos y extrajeron múltiples características para su análisis. Para estimar las puntuaciones de m-CTSIB, emplearon Regresión Lineal Múltiple, Regresión de Vectores de Soporte y algoritmos XGBOOST. Los datos de los sensores portátiles sirvieron como entrada para estos modelos de aprendizaje automático. Las puntuaciones de m-CTSIB obtenidas del Falltrak II se utilizaron como etiquetas verdaderas para entrenar y validar los modelos.

Investigadores desarrollaron varios modelos de aprendizaje automático para predecir las puntuaciones del m-CTSIB utilizando datos de sensores portátiles. Además, exploraron cuáles eran las mejores ubicaciones de los sensores para analizar el equilibrio. Los resultados demostraron que los modelos eran muy precisos y se ajustaban estrechamente a las puntuaciones reales de equilibrio.

Los datos obtenidos de los sensores colocados en la parte baja de la espalda y el tobillo dominante mostraron los mejores resultados para estimar los índices de equilibrio. Esto resalta la importancia de ubicar los sensores en los lugares correctos para captar con precisión los ajustes y movimientos relacionados con el equilibrio.

La Dra. Behnaz Ghoraani, profesora en FAU, afirmó que los sensores portátiles son una manera práctica y económica de monitorear el movimiento. Colocados en la parte baja de la espalda y las piernas, estos sensores proporcionan información valiosa sobre la movilidad de las personas. Esto es crucial para evaluar el riesgo de caídas en diversos grupos poblacionales.

La doctora Stella Batalama, decana de la Facultad de Ingeniería y Ciencias de la Computación de FAU, afirmó que este método es más sencillo de utilizar y más económico. Además, puede ser gestionado de forma remota, lo que podría tener un gran impacto en la salud, la rehabilitación y la ciencia del deporte.

Los objetivos del estudio surgieron de la necesidad de mejores herramientas para medir el equilibrio. Los métodos tradicionales para evaluar el equilibrio no son lo suficientemente detallados. Esto dificulta la comprensión y el tratamiento de los problemas de equilibrio. Dispositivos portátiles son útiles porque permiten a los médicos monitorear el equilibrio de los pacientes a distancia.

Los resultados de la investigación fueron compartidos en Frontiers in Digital Health. Revelan que este nuevo método podría revolucionar la manera en que se mide el equilibrio, especialmente en lugares donde los métodos actuales no son viables o resultan difíciles de implementar.