A machine learning approach for semi-automatic assessment of IADL dependence in older adults with wearable sensors
Saved in:
García, F., et al., A machine learning approach for semi-automatic assessment of IADL dependence in older adults with wearable sensors. International Journal of Medical Informatics, vol. 157, 2022, 15 p.
Ref.
604893
Location:
SIIS Archivo
Palabras clave:
Personas mayores, Dependencia, Intervención, Innovaciones, Modelos, Evaluación, España
Personas mayores, Dependencia, Intervención, Innovaciones, Modelos, Evaluación, España
Abstract:
El artículo propone un método basado en aprendizaje automático y dispositivos portátiles para evaluar de forma semiautomática la dependencia en actividades instrumentales de la vida diaria (IADL) en personas mayores, sustituyendo los cuestionarios tradicionales por un sistema de monitorización m-health más eficiente y no intrusivo. Los investigadores de la Universidad de Granada diseñaron un experimento en el que 79 adultos mayores realizaron la actividad de comprar en un supermercado, mientras se registraban datos fisiológicos y de movimiento mediante una pulsera Empatica E4 y un reloj Samsung Gear S3. Las señales captadas (acelerómetro, ritmo cardíaco, actividad electrodérmica, temperatura y giroscopio) se segmentaron y procesaron para extraer 85 características, de las cuales solo 10 resultaron necesarias para lograr un modelo óptimo. Se aplicaron algoritmos k-Nearest Neighbors (k-NN), Random Forest (RF) y Support Vector Machines (SVM), alcanzando el mejor rendimiento con k-NN, que obtuvo una exactitud y F1-score del 97 %, pudiendo incluso llegar al 99 % en configuraciones totalmente automáticas. Este modelo permite estimar el nivel de dependencia de un sujeto sin interferir en su vida cotidiana y con potencial para reducir el tiempo clínico y los costos sanitarios. El estudio demuestra que es posible automatizar la evaluación del desempeño funcional a partir de sensores portátiles durante actividades naturales, ofreciendo una herramienta ecológica, precisa y escalable para el seguimiento de la autonomía en la vejez. Aunque el sistema aún requiere que un supervisor etiquete manualmente las etapas de la actividad, los autores proyectan automatizar completamente este proceso mediante sensores adicionales o modelos predictivos, consolidando un marco tecnológico de telemedicina inteligente para la detección temprana de dependencia y apoyo al envejecimiento saludable.
El artículo propone un método basado en aprendizaje automático y dispositivos portátiles para evaluar de forma semiautomática la dependencia en actividades instrumentales de la vida diaria (IADL) en personas mayores, sustituyendo los cuestionarios tradicionales por un sistema de monitorización m-health más eficiente y no intrusivo. Los investigadores de la Universidad de Granada diseñaron un experimento en el que 79 adultos mayores realizaron la actividad de comprar en un supermercado, mientras se registraban datos fisiológicos y de movimiento mediante una pulsera Empatica E4 y un reloj Samsung Gear S3. Las señales captadas (acelerómetro, ritmo cardíaco, actividad electrodérmica, temperatura y giroscopio) se segmentaron y procesaron para extraer 85 características, de las cuales solo 10 resultaron necesarias para lograr un modelo óptimo. Se aplicaron algoritmos k-Nearest Neighbors (k-NN), Random Forest (RF) y Support Vector Machines (SVM), alcanzando el mejor rendimiento con k-NN, que obtuvo una exactitud y F1-score del 97 %, pudiendo incluso llegar al 99 % en configuraciones totalmente automáticas. Este modelo permite estimar el nivel de dependencia de un sujeto sin interferir en su vida cotidiana y con potencial para reducir el tiempo clínico y los costos sanitarios. El estudio demuestra que es posible automatizar la evaluación del desempeño funcional a partir de sensores portátiles durante actividades naturales, ofreciendo una herramienta ecológica, precisa y escalable para el seguimiento de la autonomía en la vejez. Aunque el sistema aún requiere que un supervisor etiquete manualmente las etapas de la actividad, los autores proyectan automatizar completamente este proceso mediante sensores adicionales o modelos predictivos, consolidando un marco tecnológico de telemedicina inteligente para la detección temprana de dependencia y apoyo al envejecimiento saludable.