Evaluación del riesgo de caídas utilizando enfoques híbridos de aprendizaje automático y aprendizaje profundo y una novedosa posturografía

El propósito de este proyecto es combinar una novedosa posturografía basada en rastreadores HTC VIVE y algoritmos híbridos de aprendizaje automático y aprendizaje profundo para establecer un conjunto de herramientas de evaluación del riesgo de caídas simples, convenientes y válidas. Este estudio observacional y de seguimiento se realizará en ancianos comunitarios mayores de 60 años. Los investigadores recopilarán datos demográficos, encuestas de cuestionarios, pruebas de equilibrio tradicionales (escala de Berg Balance, Timed-up-and-go, 30s-sit-to-stand, cuatro etapas de equilibrio) y una posturografía basada en un rastreador para obtener el tronco. parámetros de estabilidad en diferentes tareas de pie. El riesgo de caída se clasificará de acuerdo con las caídas autoinformadas en el último año y se verificará en un seguimiento de 6 meses.

Los investigadores evaluarán el rendimiento de diferentes algoritmos híbridos de aprendizaje automático y aprendizaje profundo para extraer las características importantes de múltiples parámetros posturográficos y seleccionar un modelo óptimo. Los investigadores utilizarán el análisis de la curva característica operativa del receptor para calcular la sensibilidad, la especificidad y la precisión de diferentes algoritmos para la clasificación del riesgo y también compararán el rendimiento con las herramientas tradicionales de evaluación del equilibrio. Los investigadores evaluarán la correlación de estas características posturográficas y los datos obtenidos por otros métodos. También se analizarán los factores de riesgo de caídas anteriores y caídas futuras.