El equilibrio puede verse afectado por una variedad de factores, incluidas enfermedades como la enfermedad de Parkinson, daños agudos y crónicos al sistema nervioso y el proceso natural de envejecimiento. La evaluación precisa del equilibrio en los pacientes es importante para identificar y controlar las condiciones que afectan la coordinación y la estabilidad. Las evaluaciones del equilibrio también son importantes para prevenir caídas, comprender los trastornos del movimiento y desarrollar intervenciones terapéuticas adecuadas en diferentes grupos de edad y condiciones de salud.
Sin embargo, los métodos tradicionales de evaluación del equilibrio a menudo adolecen de subjetividad, no son lo suficientemente completos y no pueden administrarse de forma remota. Además, estas evaluaciones dependen de equipos costosos y especializados que pueden no estar fácilmente disponibles en todos los entornos clínicos y dependen de la experiencia de los médicos, lo que puede generar variabilidad en los resultados. Existe una gran necesidad de herramientas de evaluación más objetivas y completas en la evaluación del equilibrio.
Utilizando sensores portátiles y algoritmos avanzados de aprendizaje automático, investigadores de la Facultad de Ingeniería y Ciencias de la Computación de la Florida Atlantic University han desarrollado un nuevo enfoque que aborda una brecha crítica en la evaluación del equilibrio y establece un nuevo punto de referencia para la aplicación de tecnología portátil y aprendizaje automático en la atención médica. . Este enfoque representa un avance importante en la evaluación objetiva del equilibrio, particularmente para la monitorización remota en el hogar o en centros de enfermería, y revoluciona potencialmente el tratamiento de los trastornos del equilibrio.
Para el estudio, los investigadores utilizaron la Prueba de Interacción Sensorial Clínica Modificada para el Equilibrio (m-CTSIB), que se usa ampliamente en la atención médica para evaluar la capacidad de una persona para mantener el equilibrio en una variedad de condiciones sensoriales. Se colocaron sensores portátiles en el tobillo, la cintura (espalda baja), el esternón, la muñeca y la mano de los participantes del estudio.
Los investigadores recopilaron datos completos de movimiento de los participantes en cuatro condiciones sensoriales m-CTSIB diferentes: rendimiento del equilibrio con los ojos abiertos y cerrados sobre una superficie estable; y ojos abiertos y cerrados sobre la superficie de espuma. Cada condición de prueba duró aproximadamente 11 segundos sin interrupción para simular problemas de equilibrio continuo y agilizar el proceso de evaluación. Los investigadores utilizaron sensores de unidades de medición inercial (IMU) junto con un sistema especializado para estimar las puntuaciones de equilibrio m-CTSIB reales para el análisis.
Luego, los datos se procesaron previamente y se extrajo una amplia gama de características para su análisis. Los investigadores utilizaron regresión lineal múltiple, regresión de vectores de soporte y algoritmos XGBOOST para estimar las puntuaciones de m-CTSIB. Los datos de los sensores portátiles sirvieron como entrada para sus modelos de aprendizaje automático, y las correspondientes puntuaciones m-CTSIB de Falltrak II, una de las principales herramientas de prevención de caídas, actuaron como etiquetas de verdad sobre el terreno para entrenar y validar los modelos. Luego, se desarrollaron varios modelos de aprendizaje automático para estimar puntuaciones de m-CTSIB a partir de datos de sensores portátiles. Los investigadores también investigaron las ubicaciones de sensores más eficientes para optimizar el análisis del equilibrio.
Los resultados de la investigación, publicados en la revista Frontiers in Digital Health, destacan la alta precisión del enfoque y la fuerte correlación con las puntuaciones del equilibrio real, lo que sugiere que el método es eficaz y confiable para evaluar el equilibrio. Los datos de los sensores lumbar y de tobillo dominante mostraron el rendimiento más alto en la estimación de la puntuación de equilibrio, lo que destaca la importancia de la ubicación estratégica de los sensores para capturar los ajustes y movimientos de equilibrio adecuados.
«Los sensores portátiles ofrecen una solución práctica y rentable para obtener datos de movimiento detallados, lo cual es esencial para el análisis del equilibrio», dijo Behnaz Ghoraani, Ph.D., autor principal y profesor asociado en el Departamento de Ingeniería Eléctrica e Informática de la FAU. Codirector del Centro FAU para SMART Health y asociado del Instituto FAU Sensing and Embedded Network Systems Engineering (I-SENSE). «Estos sensores están ubicados en lugares como la parte baja de la espalda y las extremidades inferiores, y brindan información sobre la dinámica del movimiento en 3D, lo cual es esencial para aplicaciones como la evaluación del riesgo de caídas en diversas poblaciones. Junto con los avances en el aprendizaje automático, estos datos derivados de sensores Los conjuntos se están transformando en métricas de equilibrio objetivas, cuantitativas y cuantificables utilizando diversas técnicas de aprendizaje automático».
Los resultados proporcionan información importante sobre la importancia de movimientos específicos, selección de funciones y ubicación de sensores en la evaluación del equilibrio. En particular, el modelo XGBOOST que utiliza datos del sensor de la correa logró excelentes resultados en ambos métodos de validación cruzada y demostró una alta correlación y un error absoluto medio bajo, lo que indica un rendimiento constante.
«Los resultados de este importante estudio muestran que este nuevo método tiene el potencial de cambiar la práctica de la evaluación del equilibrio, especialmente en situaciones donde los métodos tradicionales no son prácticos o no están disponibles», dijo Stella Batalama, Ph.D., decana de la Facultad de Ingeniería de la FAU. y Ciencias de la Computación. . «Este enfoque es más accesible, rentable y capaz de administración remota, lo que podría tener implicaciones importantes para la atención médica, la rehabilitación, las ciencias del deporte u otros campos donde la evaluación del equilibrio es importante».
Los objetivos de este estudio surgieron del reconocimiento de la necesidad de herramientas mejoradas para capturar los efectos matizados de diferentes estímulos sensoriales sobre el equilibrio.
«Las evaluaciones tradicionales del equilibrio a menudo carecen de la precisión para desentrañar de manera integral estos efectos, lo que crea lagunas en nuestra comprensión y manejo de los trastornos del equilibrio», afirmó Ghoraani. «Además, los dispositivos portátiles admiten la monitorización remota, lo que permite a los profesionales sanitarios evaluar de forma remota el equilibrio de los pacientes, lo que resulta especialmente útil en una variedad de escenarios sanitarios».
