Un patrón que combina los riesgos cognitivos y físicos predice la reversión de la fragilidad en las personas mayores...

Área de la Ciencia:

• Gerontología
• Informática biomédica
• Salud pública

Sus antecedentes:

• La fragilidad es un síndrome geriátrico significativo que afecta la salud y la independencia de los adultos mayores.
• La identificación de individuos que puedan revertir o persistir en la fragilidad es crucial para las intervenciones oportunas.
• Los modelos predictivos existentes para los resultados de la fragilidad a menudo carecen de precisión e identificación específica de los factores de riesgo.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático para predecir la reversión de la fragilidad en adultos mayores que viven en la comunidad.
• Identificar los principales factores de riesgo y patrones asociados con la fragilidad persistente durante un período de 3 años.
• Evaluar el rendimiento predictivo de un modelo que utiliza la Lista de verificación de Kihon (KCL) para los resultados de la fragilidad.

Principales métodos:

• Se utilizaron datos de personas residentes en la comunidad mayores de 65 años con fragilidad pero sin atención a largo plazo al inicio.
• Empleó un análisis de árbol de decisión, una técnica de aprendizaje automático, para identificar patrones predictivos.
• La Lista de verificación de Kihon (KCL), que evalúa la función cognitiva y la actividad física, fue la principal fuente de datos.

Principales resultados:

• El dominio de la función cognitiva de la KCL surgió como el determinante principal para la reversión de la fragilidad.
• La baja función cognitiva combinada con una baja actividad física predijo significativamente la fragilidad persistente a los 3 años.
• El modelo desarrollado demostró una alta precisión predictiva con un 81,0% de especificidad y un 82,6% de precisión para la fragilidad persistente.

Conclusiones:

• Una combinación de factores de riesgo cognitivos y físicos es fundamental para predecir los resultados de la fragilidad a largo plazo.
• El modelo de aprendizaje automático propuesto es prometedor para la detección efectiva de adultos mayores con alto riesgo de fragilidad persistente.
• Las intervenciones específicas basadas en patrones de riesgo identificados pueden mejorar potencialmente las tasas de reversión de la fragilidad en las poblaciones mayores.