Sensor portátil integrado con IA mide con precisión la longitud del paso para evaluar enfermedades neurológicas
Actualizado el 24 Jul 2024
La longitud del paso es reconocida como una métrica sensible y no invasiva para evaluar una variedad de condiciones y enfermedades, como el envejecimiento, el deterioro neurológico, las enfermedades neurodegenerativas, el deterioro cognitivo y trastornos como el Alzheimer, el Parkinson y la esclerosis múltiple. Los patrones de caminar diarios pueden variar con los cambios en la fatiga, el estado de ánimo y el uso de medicamentos de una persona. Para abordar estas limitaciones, los investigadores han desarrollado un modelo interdisciplinario basado en aprendizaje automático que estima con precisión la longitud del paso y puede integrarse en un dispositivo portátil adherido a la parte baja de la espalda con cinta, facilitando el monitoreo continuo de los pasos en entornos cotidianos.
Investigadores de la Universidad de Tel Aviv (TAU, Tel Aviv, Israel) y el Centro Médico Tel Aviv Sourasky de Ichilov superaron las limitaciones de los dispositivos de medición de longitud de paso existentes utilizando sistemas IMU (unidad de medición inercial). Estos sensores ligeros y relativamente económicos ya están integrados en todos los teléfonos inteligentes y relojes inteligentes, y pueden medir parámetros relacionados con la marcha. Investigaciones previas sobre dispositivos portátiles basados en IMU para la evaluación de la longitud del paso se realizaron únicamente en individuos sanos sin problemas para caminar. Además, se basaron en tamaños de muestra pequeños que impedían la generalización y utilizaron dispositivos incómodos que a menudo requerían múltiples sensores. El objetivo ahora era crear una solución efectiva y fácil de usar, adecuada para personas con problemas de movilidad, incluidos los ancianos y aquellos con afecciones médicas, permitiendo la recopilación continua de datos sobre la longitud del paso durante todo el día en el entorno habitual del paciente.
En un artículo que describe la investigación publicada el 25 de mayo de 2024 en la revista Digital Medicine, el equipo utilizó datos de la marcha basados en sensores IMU junto con mediciones de la longitud del paso. Los datos fueron recopilados previamente en un entorno convencional de 472 individuos con diversas condiciones, incluyendo enfermedad de Parkinson, deterioro cognitivo leve, ancianos sanos, adultos jóvenes sanos y personas con esclerosis múltiple. A partir de estos participantes se recopiló un conjunto de datos sustancial y variado de 83.569 pasos. Los investigadores emplearon este conjunto de datos para entrenar varios modelos de aprendizaje automático que convierten los datos del sensor IMU en estimaciones precisas de la longitud del paso. Para evaluar la efectividad de los modelos, probaron qué tan bien estos modelos podían generalizar al evaluar su capacidad para analizar con precisión nuevos datos no utilizados previamente en el entrenamiento, demostrando la robustez de los modelos en entornos del mundo real.
"Descubrimos que el modelo llamado XGBoost es el más preciso y es 3,5 veces más preciso que el modelo biomecánico más avanzado utilizado actualmente para estimar la longitud del paso", dijo Assaf Zadka, estudiante de posgrado en el Departamento de Ingeniería Biomédica de TAU, quien dirigió la investigación. “Para un solo paso, el error promedio de nuestro modelo fue de 6 cm, en comparación con los 21 cm predichos por el modelo convencional. Cuando evaluamos un promedio de 10 pasos, llegamos a un error inferior a 5 cm, un umbral conocido en la literatura profesional como 'la diferencia mínima que tiene importancia clínica', lo que permite identificar una mejora o disminución significativa en la condición del sujeto.. En otras palabras, nuestro modelo es robusto y confiable, y puede usarse para analizar datos de sensores de sujetos, algunos con dificultades para caminar, que no fueron incluidos en el conjunto de entrenamiento original”.
Enlaces relacionados:
Universidad de Tel Aviv
Centro médico Sourasky de Tel Aviv
