Aprendizaje automático explicable para la detección temprana de deterioro cognitivo leve, riesgo de caídas y...

Área de la Ciencia:

• Gerontología
• Ingeniería Biomédica
• Inteligencia Artificial

Sus antecedentes:

• Las poblaciones que envejecen enfrentan mayores riesgos de deterioro cognitivo leve (DCL), caídas y fragilidad.
• La identificación temprana de estas condiciones es crucial para la intervención y el manejo oportunos.
• Los métodos de detección actuales pueden no capturar completamente la compleja interacción del declive motor y cognitivo.

Objetivo del estudio:

• Diseñar y evaluar un marco de aprendizaje automático (ML) explicable para la detección temprana de DCL, riesgo de caídas y fragilidad en adultos mayores.
• Integrar evaluaciones motoras basadas en sensores con datos demográficos y clínicos para mejorar la precisión predictiva.
• Desarrollar un modelo unificado de etiquetas múltiples capaz de predecir las tres condiciones simultáneamente.

Principales métodos:

• Ochenta y tres adultos mayores que viven en la comunidad (≥60 años) se sometieron a evaluaciones motoras multimodales utilizando el sistema de evaluación de atención puntual de Mizzou (MPASS).
• Se combinaron características derivadas de sensores de tareas de marcha, equilibrio y sentarse y levantarse con datos demográficos y clínicos.
• Se emplearon algoritmos XGBoost, árbol de decisión y AdaBoost para la modelización predictiva, con explicaciones aditivas de Shapley (SHAP) para la interpretabilidad.

Principales resultados:

• El modelo de ML para DCL logró una precisión del 94 % (AUC=0,88), el riesgo de caídas del 94 % (AUC=0,90) y la fragilidad del 82 % (AUC=0,77).
• Un modelo unificado de etiquetas múltiples XGBoost demostró el mayor rendimiento (73 % de precisión, sensibilidad, puntuación F1).
• El análisis SHAP destacó la longitud de la zancada, las medidas de equilibrio y la velocidad de la rodilla durante el sentarse y levantarse como predictores clave.

Conclusiones:

• Un marco de ML explicable novedoso integra eficazmente datos motores basados en sensores para predecir el DCL, el riesgo de caídas y la fragilidad.
• El marco permite la detección temprana transparente del declive cognitivo y físico multidominio en el envejecimiento.
• Este enfoque promete estrategias de atención médica proactivas en poblaciones geriátricas.