Manifestaciones Clínicas

Área de la Ciencia:

• Gerontología
• Inteligencia artificial en la atención médica
• Ingeniería biomédica

Sus antecedentes:

• La agitación y la agresión (AA) en la demencia presentan importantes desafíos de atención.
• Los métodos de detección actuales a menudo se retrasan, lo que lleva a un aumento en el uso de medicamentos psicotrópicos.
• El aprendizaje profundo ofrece potencial para una detección temprana mejorada utilizando datos multimodales.

Objetivo del estudio:

• Mejorar la predicción de agitación y agresión (AA) en pacientes con demencia avanzada.
• Desarrollar un método compatible con la privacidad para la detección temprana de AA utilizando datos fusionados.
• Evaluar la eficacia de un modelo de aprendizaje profundo que integra datos de video y portátiles.

Principales métodos:

• Se recopilaron datos fisiológicos a través de pulseras EmbracePlus y puntos clave esqueléticos de videos compatibles con la privacidad.
• Se alinearon y preprocesaron datos multimodales, incluyendo muestreo, normalización y extracción de características.
• Se implementó un marco de aprendizaje profundo (RNN con GRU y atención) para el análisis de patrones temporales.

Principales resultados:

• Un modelo fusionado que integra datos de video y portátiles logró una precisión de 0.98.
• El enfoque combinado superó a los modelos de una sola modalidad (video: 0.94, portátil: 0.91).
• El análisis preliminar incluyó a cinco pacientes con demencia avanzada y AA.

Conclusiones:

• La integración de datos fisiológicos portátiles con puntos clave esqueléticos derivados de video mejora la detección temprana de la agitación en la atención de la demencia.
• El enfoque desarrollado es factible, compatible con la privacidad y mejora la precisión predictiva.
• La investigación adicional tiene como objetivo refinar y escalar este modelo para su aplicación clínica.