Video Experimental Relacionado
Updated: Sep 10, 2025
12:18
A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.6K
Predicción avanzada del riesgo de caídas en adultos mayores con fragilidad cognitiva: un enfoque de aprendizaje
Catherine Park1, Namhee Kim2, Miji Kim3
1Division of Digital Healthcare, Yonsei University, Wonju, South Korea.
PloS one
|August 21, 2025
Resumen
El aprendizaje automático predice con precisión las caídas en adultos mayores con fragilidad cognitiva (CF). Los factores clave incluyen fragilidad física, movilidad, depresión y puntajes SARC-F, lo que permite estrategias de prevención de caídas específicas.
Área de la Ciencia:
- Gerontología
- Inteligencia artificial en el cuidado de la salud
- Salud pública
Sus antecedentes:
- Las caídas son un riesgo significativo para la salud de los adultos mayores, especialmente aquellos con fragilidad cognitiva (CF).
- La predicción del riesgo de caídas en esta población sigue siendo un desafío, con una investigación limitada sobre las aplicaciones de aprendizaje automático.
- La comprensión de los factores multidimensionales que contribuyen a las caídas es crucial para una prevención eficaz.
Objetivo del estudio:
- Desarrollar y evaluar un marco de aprendizaje automático para predecir el riesgo de caídas en adultos mayores con FQ.
- Identificar las variables de salud multidimensionales clave asociadas con el riesgo de caídas en esta cohorte.
- Evaluar el rendimiento predictivo del modelo de aprendizaje automático.
Principales métodos:
- Se utilizaron datos longitudinales de 2 años de 443 adultos mayores con FQ del Estudio de Cohorte de Fragilidad y Envejecimiento de Corea.
- Empleó un marco de aprendizaje automático que incluye regresión logística, bootstrapping y eliminación de características recursivas.
- Se analizaron los datos demográficos, las condiciones clínicas y los factores de salud física y psicológica.
Principales resultados:
- Un modelo de aprendizaje automático que utiliza nueve variables logró un AUC superior al 80% para la predicción del riesgo de caídas.
- Cuatro variables óptimas: fenotipos de fragilidad física, movilidad, puntuaciones de depresión y puntuaciones SARC-F arrojaron un excelente rendimiento predictivo (AUC > 95%).
- Se identificaron diferencias significativas en las variables clínicas, físicas y psicológicas entre los fallers y los no fallers.
Conclusiones:
- Los modelos de aprendizaje automático pueden predecir con precisión el riesgo de caídas en adultos mayores con fragilidad cognitiva.
- Los factores de salud física y psicológica son predictores críticos de caídas en este grupo demográfico.
- La integración de datos multidimensionales y el aprendizaje automático es vital para desarrollar intervenciones específicas de prevención de caídas.
