Video Experimental Relacionado
Updated: Jun 13, 2026
11:21
Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
8.3K
Análisis de los indicadores de movilidad utilizando el aprendizaje automático para detectar deterioro cognitivo leve:
Salamah Alshammari1,2, Munirah Alsubaie1,2, Mathieu Figeys1,3
1Department of Occupational Therapy, Faculty of Rehabilitation Medicine, University of Alberta, Edmonton, Alberta, Canada.
Applied clinical informatics
|September 3, 2025
Resumen
Los datos de movilidad basados en tecnología y el aprendizaje automático detectan efectivamente el deterioro cognitivo leve (MCI). Los dispositivos portátiles son prometedores, pero el monitoreo de aplicaciones móviles para la detección de MCI requiere más investigación.
Área de la Ciencia:
- Gerontología y Ciencias Cognitivas
- Ingeniería biomédica y ciencia de datos
Sus antecedentes:
- El envejecimiento de la población mundial está aumentando, lo que lleva a una mayor prevalencia de afecciones cognitivas relacionadas con la edad, como el deterioro cognitivo leve (MCI, por sus siglas en inglés).
- La detección temprana de MCI es crucial para la intervención oportuna, sin embargo, las evaluaciones cognitivas tradicionales tienen limitaciones en cuanto a la consistencia.
- Se necesitan soluciones innovadoras basadas en tecnología para hacer frente a la creciente demanda de servicios de salud relacionados con el deterioro cognitivo.
Objetivo del estudio:
- Revisar sistemáticamente cómo se utilizan la recopilación de datos de movilidad basados en tecnología y los algoritmos de aprendizaje automático para detectar MCI en adultos.
- Identificar los indicadores clave de movilidad y evaluar el rendimiento de los algoritmos de aprendizaje automático en la detección de MCI basándose en la literatura existente.
Principales métodos:
- Se llevó a cabo una revisión sistemática del alcance, buscando en siete bases de datos importantes estudios relevantes.
- Los criterios de inclusión se centraron en artículos que analizaron datos de movilidad con aprendizaje automático en adultos (18+) diagnosticados con MCI.
- La extracción de datos incluyó indicadores de movilidad, métodos de recopilación de datos, algoritmos de aprendizaje automático y métricas de rendimiento.
Principales resultados:
- Veinticuatro estudios cumplieron con los criterios, identificando 116 indicadores de movilidad para la clasificación de ICM.
- Los dispositivos portátiles fueron el método predominante de recopilación de datos; las aplicaciones móviles fueron las menos utilizadas.
- Los algoritmos de aprendizaje automático como la regresión logística, el bosque aleatorio y las redes neuronales lograron una precisión media del 86,1%, una sensibilidad del 84% y una especificidad del 72,8%.
Conclusiones:
- La evaluación de la movilidad basada en la tecnología, en particular mediante el uso de dispositivos portátiles y el aprendizaje automático, muestra un potencial significativo para la detección de MCI.
- Los indicadores clave de movilidad incluyen la velocidad al caminar, los patrones de conducción (frenado intenso, viajes nocturnos, velocidad) y otras métricas de movimiento.
- La investigación adicional sobre el monitoreo de la movilidad basado en aplicaciones móviles presenta una vía prometedora para futuras estrategias de detección de MCI.
