"El modelo que desarrollamos permite una medición precisa en el entorno natural del paciente durante todo el día, utilizando un sensor portátil".
Los investigadores de TAU utilizan el aprendizaje automático para recopilar datos de un pequeño sensor portátil
Investigadores de la Universidad de Tel Aviv ( TAU ) y del Centro Médico Sourasky de Tel Aviv (Tel Aviv) han desarrollado un modelo interdisciplinario basado en el aprendizaje automático para estimar con precisión la longitud de los pasos. El nuevo modelo se puede integrar en un dispositivo portátil que se fija con cinta adhesiva a la parte inferior de la espalda y permite realizar un seguimiento continuo de los pasos en la vida cotidiana de un paciente.
“La longitud de los pasos es una medida sensible de una amplia gama de problemas y enfermedades, desde el deterioro cognitivo y el envejecimiento hasta el Parkinson”, afirman los investigadores. “Los dispositivos de medición convencionales que existen hoy en día son fijos y engorrosos y solo se encuentran en clínicas y laboratorios especializados. El modelo que desarrollamos permite una medición precisa en el entorno natural de un paciente durante todo el día, utilizando un sensor portátil”.
El estudio fue dirigido por Assaf Zadka , estudiante de posgrado del Departamento de Ingeniería Biomédica de la TAU; el profesor Jeffrey Hausdorff del Departamento de Fisioterapia de la Facultad de Ciencias Médicas y de la Salud y la Escuela Sagol de Neurociencia de la TAU, así como del Departamento de Neurología del Centro Médico Sourasky de Tel Aviv (TASMC); y la profesora Neta Rabin del Departamento de Ingeniería Industrial de la Facultad de Ingeniería Fleischman de la TAU. El 25 de mayo de 2024 se publicó un artículo que describe la investigación en la revista Digital Medicine .
“La longitud del paso es una medida muy sensible y no invasiva para evaluar una amplia variedad de afecciones y enfermedades, incluido el envejecimiento, el deterioro como resultado de enfermedades neurológicas y neurodegenerativas, el deterioro cognitivo, el Alzheimer, el Parkinson, la esclerosis múltiple y más”, dice el profesor Hausdorff, un experto en los campos de la marcha, el envejecimiento y la neurología. “Hoy en día es común medir la longitud del paso utilizando dispositivos que se encuentran en laboratorios y clínicas especializadas, que se basan en cámaras y dispositivos de medición como tapetes de marcha sensibles a la fuerza.
“Si bien estas pruebas son precisas, solo brindan una visión instantánea de la forma de caminar de una persona que probablemente no refleje por completo el funcionamiento real del mundo real. La forma de caminar en la vida diaria puede verse influenciada por el nivel de fatiga, el estado de ánimo y los medicamentos del paciente, por ejemplo. El monitoreo continuo, las 24 horas del día, los 7 días de la semana, como el que permite este nuevo modelo de longitud de paso, puede capturar este comportamiento de caminar en el mundo real”.
“Para resolver el problema, hemos intentado aprovechar los sistemas IMU (unidad de medida inercial), que son sensores ligeros y relativamente baratos que se instalan actualmente en todos los teléfonos y relojes inteligentes, y que miden parámetros asociados a la marcha”, añade el profesor Rabin, experto en aprendizaje automático. “Estudios anteriores han examinado dispositivos portátiles basados en IMU para evaluar la longitud del paso, pero estos experimentos solo se realizaron en sujetos sanos sin dificultades para caminar, se basaron en un tamaño de muestra pequeño que no permitía la generalización y los propios dispositivos no eran cómodos de llevar y, a veces, se necesitaban varios sensores. Buscábamos desarrollar una solución eficiente y cómoda que se adaptara a las personas con problemas para caminar, como los enfermos y los ancianos, y que permitiera cuantificar y recopilar datos sobre la longitud del paso, a lo largo del día, en un entorno familiar para el paciente”.
Los investigadores utilizaron datos de la marcha basados en sensores IMU, además de datos de longitud de paso medidos convencionalmente en un estudio anterior, de 472 sujetos con diferentes afecciones, como Parkinson, personas con deterioro cognitivo leve, sujetos mayores sanos, así como adultos jóvenes y sanos y personas con esclerosis múltiple. De esta manera, se recopiló una base de datos precisa y diversa que consta de 83.569 pasos. Los investigadores utilizaron estos datos y métodos de aprendizaje automático para entrenar una serie de modelos informáticos que tradujeron los datos de IMU en una estimación de la longitud del paso.
Para probar la solidez de los modelos, los investigadores determinaron hasta qué punto los distintos modelos podían analizar con precisión datos nuevos que no se habían utilizado en el proceso de entrenamiento, una capacidad conocida como “generalización”.
“Hemos descubierto que el modelo llamado XGBoost es el más preciso y es 3,5 veces más preciso que el modelo biomecánico más avanzado que se utiliza actualmente para estimar la longitud del paso”, afirma Zadka. “Para un solo paso, el error medio de nuestro modelo fue de 6 cm, en comparación con los 21 cm previstos por el modelo convencional. Cuando evaluamos un promedio de 10 pasos, llegamos a un error de menos de 5 cm, un umbral conocido en la literatura profesional como 'la diferencia mínima que tiene importancia clínica', que permite identificar una mejora o disminución significativa en la condición del sujeto. En otras palabras, nuestro modelo es robusto y fiable, y puede utilizarse para analizar datos de sensores de sujetos, algunos con dificultades para caminar, que no estaban incluidos en el conjunto de entrenamiento original”.
La investigación contó con el apoyo del Centro de Inteligencia Artificial y Ciencia de Datos de la TAU . También participaron en el estudio Eran Gazit, de TASMC, y la profesora Anat Mirelman, de la Facultad de Ciencias Médicas y de la Salud y de la Escuela Sagol de Neurociencia de la TAU y la TASMC, así como investigadores de Bélgica, Inglaterra, Italia, Holanda y Estados Unidos.