Diseño del predictor faildetection para el diagnostico de fragilidad en pacientes mayores usando señales de fuerza de apriete de la mano
Actualmente el método de detección de fragilidad de un adulto mayor es una prueba larga que implica varias horas de dedicación por parte tanto del paciente como del psicólogo y medico geriatra encargado. Las Pruebas médicas/psicológicas más conocidos para determinar la fragilidad son el de VIG y el...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Recursos: | Universitat Politècnica de Catalunya (UPC) |
| Repositorio: | UPCommons. Portal del coneixement obert de la UPC |
| Idioma: | español |
| OAI Identifier: | oai:upcommons.upc.edu:2117/350291 |
| Acesso em linha: | https://hdl.handle.net/2117/350291 |
| Access Level: | acceso abierto |
| Palavra-chave: | Brittleness Older people Machine learning Clasificador Fragilidad geriátrica MATLAB Predictor Aprendizaje automático Fuerza de apriete SMOTE Validación cruzada Red neuronal superficial Caracterización de señales Cross validation Geriatric frailty Hand grip Strength Shallow neural network Signal featurization Fragilitat Persones grans Aprenentatge automàtic Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic Àrees temàtiques de la UPC::Enginyeria biomèdica |
| Resumo: | Actualmente el método de detección de fragilidad de un adulto mayor es una prueba larga que implica varias horas de dedicación por parte tanto del paciente como del psicólogo y medico geriatra encargado. Las Pruebas médicas/psicológicas más conocidos para determinar la fragilidad son el de VIG y el FRIED quienes de hecho no necesariamente arrojan los mismos resultados. Dentro de estas pruebas una de las variables a utilizar es la máxima fuerza de apriete con la mano dominante de 3 intentos, cada uno con una duración aproximada de 6 segundos. Además de acuerdo con el testimonio de uno de los médicos entrevistados en antecedentes a esta investigación “Solo con apretarles la mano se cuál es su condición”. Basados en que de por si todo apunta a que la fuerza de apriete es importante para determinar si un paciente se encuentra o no en estado de fragilidad, se propuso la siguiente pregunta: ¿Si el apriete máximo nos da mucha información, podría toda la señal recogida durante la acción de apriete darnos aún más información? Este Trabajo de investigación persigue relacionar los resultados de la prueba de VIG de 83 pacientes (DDBB facilitada por el grupo de investigación CETpD-UPC) con las muestras (entre 1 y 3 por paciente) de las señales de apriete de todos los pacientes y así diseñar un clasificador que permite determinar el estado de fragilidad de un paciente solo con la señal del apriete de su mano dominante. La investigación arroja como resultado que el clasificador obtenido, creado a base de redes neuronales superficiales (SNN), consigue un desempeño de hasta 97% de predictibilidad bajo ciertas condiciones, tomando en cuenta que se utilizaron métodos de prevención de sobreajuste, diferentes técnicas de agrupación de data (se resalta que la caracterización de la señal de apriete fue basada en los métodos de caracterización de señal de sistemas de control industrial), el uso del algoritmo SMOTE para la creación sintética de observaciones con el objetivo balancear el set de entrenamiento y métodos de validación cruzada a 2 niveles, primero entre las SNN que componen al predictor FrailDetectionNET y segundo a nivel de las muestras por paciente para logran identificar si el diagnóstico del paciente es correcto, todo esto realizado dentro de un entorno MATLAB. |
|---|