El aprendizaje profundo predice la movilidad postoperatoria, las actividades de la vida diaria y el destino de alta...

Área de la Ciencia:

• Medicina para la edad avanzada
• Ingeniería biomédica
• Ciencia de los datos

Sus antecedentes:

• Las poblaciones que envejecen requieren mejores evaluaciones de la recuperación funcional.
• Los métodos tradicionales son subjetivos y poco frecuentes.
• Los sensores portátiles ofrecen un monitoreo objetivo y continuo.

Objetivo del estudio:

• Evaluar los datos basados en la unidad de medición inercial (IMU) y el aprendizaje profundo para predecir los resultados postoperatorios en adultos mayores.
• Evaluar la predicción de la movilidad, las actividades de la vida diaria y el destino de descarga.
• Para explorar la utilidad de la evaluación funcional automática después de la cirugía.

Principales métodos:

• Análisis de los datos de 39 pacientes quirúrgicos mayores (edad media de 79,05 años) del proyecto SURGE-Ahead.
• Utilizó sensores de IMU lumbar durante hasta cinco días postoperatorios.
• Modelos de aprendizaje profundo aplicados y validados (TabPFN) que utilizan la validación cruzada con una excepción.

Principales resultados:

• Previsión exacta del índice de movilidad de Charité (R2=0,65) y del índice de Barthel (R2=0,70).
• Moderado a fuerte acuerdo con las evaluaciones en humanos (kappa ponderada ≥ 0,80).
• Destino de descarga predicho con un 82% de precisión. Los datos del IMU de canal Z y los parámetros de caminata fueron predictores clave.

Conclusiones:

• Los datos de IMU combinados con el aprendizaje profundo muestran un potencial significativo para la evaluación funcional automatizada en pacientes quirúrgicos mayores.
• Este enfoque puede apoyar la toma de decisiones clínicas para la planificación de la descarga.
• El monitoreo objetivo y continuo a través de sensores portátiles mejora la atención postoperatoria para los ancianos.