Análisis de los indicadores de movilidad utilizando el aprendizaje automático para detectar deterioro cognitivo leve:...

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.