El equilibrio puede verse afectado por una variedad de factores, incluida la enfermedad de Parkinson, las lesiones agudas y crónicas del sistema nervioso y el proceso natural de envejecimiento. La evaluación precisa del equilibrio en los pacientes es esencial para identificar y controlar las condiciones que afectan el equilibrio y la estabilidad. La evaluación del equilibrio también desempeña un papel clave en la prevención de caídas, la comprensión de los trastornos del movimiento y el diseño de intervenciones terapéuticas adecuadas en todos los grupos de edad y condiciones clínicas.
Sin embargo, los métodos tradicionales utilizados para evaluar el 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 ser fácilmente accesibles 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 método que aborda una brecha crítica en la evaluación del equilibrio y la atención médica. Establece un nuevo estándar en la aplicación de tecnología y máquinas portátiles. aprendiendo. . Este enfoque es un avance importante en la evaluación objetiva del equilibrio, particularmente para la monitorización remota en entornos de atención domiciliaria o de enfermería, y podría cambiar el tratamiento de los trastornos del equilibrio.
Para el estudio, los investigadores utilizaron la prueba clínica modificada de interacción sensorial en equilibrio (m-CTSIB), que se usa ampliamente en la atención médica para medir la capacidad de una persona para mantener el equilibrio en una variedad de situaciones sensoriales. A los participantes del estudio se les colocaron sensores portátiles en los tobillos, la columna (espalda baja), el esternón, la muñeca y el brazo.
Los investigadores recopilaron datos compuestos de movimiento de los participantes bajo cuatro condiciones sensoriales diferentes del m-CTSIB: equilibrio del rendimiento con los ojos abiertos y cerrados sobre una superficie estable; Y los ojos se abrieron y cerraron sobre la superficie de la espuma. Cada condición de prueba duró aproximadamente 11 s sin interrupción para simular desafíos de equilibrio continuo y agilizar el proceso de evaluación. Los investigadores utilizaron un sensor de unidad de medida dual (IMU) con un sistema especializado para evaluar las puntuaciones de equilibrio m-CTSIB reales para su análisis.
Luego, los datos se preprocesaron y se extrajo una amplia gama de características para su análisis. Para estimar las puntuaciones de m-CTSIB, los investigadores aplicaron regresión lineal múltiple, regresión de vectores de soporte y el algoritmo XGBOOST. Los datos de los sensores portátiles sirvieron como entrada para sus modelos de aprendizaje automático, y las puntuaciones m-CTSIB relacionadas con Falltrak II, una herramienta importante en la prevención de caídas, proporcionaron la base para el entrenamiento y la validación del modelo. Luego se desarrollaron varios modelos de aprendizaje automático para estimar puntuaciones de m-CTSIB a partir de datos de sensores portátiles. Los investigadores también buscaron las ubicaciones de sensores más efectivas para optimizar el análisis del equilibrio.
Los resultados del estudio, publicado en la revista Frontiers in Digital Health, ilustran 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 estimar el equilibrio. Los datos de los sensores lumbares y de tobillo dominante obtuvieron los resultados más altos en la estimación de la puntuación de equilibrio, lo que destaca la importancia de la ubicación estratégica de los sensores para capturar ajustes y movimientos de equilibrio relevantes.
“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 Ghorani, PhD, autor principal y profesor asociado del Departamento de Ingeniería Eléctrica e Informática de la FAU. Codirector del Centro FAU para SMART Health y miembro del Instituto FAU de Ingeniería de Sistemas de Redes Integradas y Detección (I-SENSE). “Ubicados en áreas como la espalda baja y las extremidades inferiores, estos sensores 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. Se utiliza una variedad de técnicas de aprendizaje automático para medir el equilibrio cuantitativo”.
Los resultados proporcionan información importante sobre movimientos específicos, selección de funciones y ubicación de sensores en la estimación del equilibrio. En particular, el modelo XGBOOST, que utiliza datos del sensor lumbar, logró excelentes resultados en ambos métodos de validación cruzada y demostró una correlación alta y un error absoluto medio bajo, lo que indica un rendimiento constante.
“Los resultados de esta innovadora investigación muestran que este nuevo método tiene el potencial de revolucionar los métodos de evaluación del equilibrio, especialmente en situaciones en las que los métodos tradicionales no son prácticos o inaccesibles”. . “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 esencial”.
Los objetivos de este estudio surgieron del reconocimiento de la necesidad de instrumentación avanzada para capturar los efectos significativos de diversas entradas sensoriales sobre el equilibrio.
“Las evaluaciones tradicionales del equilibrio a menudo carecen de partículas para aislar completamente estos efectos, lo que genera lagunas en nuestra comprensión y manejo de los trastornos del equilibrio”, dijo Ghorani. “Además, los dispositivos portátiles admiten el monitoreo remoto, lo que permite a los profesionales de la salud evaluar el equilibrio de los pacientes de forma remota, lo cual es particularmente útil en una variedad de escenarios de atención médica. Útil”.
