Predecir el riesgo de caídas en pacientes con accidente cerebrovascular mediante un modelo de aprendizaje automático y datos multisensoriales

Objetivo: El objetivo principal es desarrollar y validar un modelo basado en aprendizaje automático que utiliza señales multisensor (EMG) para identificar pacientes con accidente cerebrovascular con alto riesgo de caídas. Este modelo tiene como objetivo mejorar las evaluaciones tradicionales del riesgo de caídas que dependen en gran medida de evaluaciones físicas y el historial del paciente.

Diseño del estudio: Este es un ensayo clínico confirmatorio prospectivo, multicéntrico, abierto. Implica recopilar datos EMG de pacientes con accidente cerebrovascular y aplicar técnicas de aprendizaje automático para predecir el riesgo de caídas. El estudio comparará la precisión predictiva del modelo de aprendizaje automático con las herramientas convencionales de evaluación del riesgo de caídas.

Métodos:

1. Participantes:

   • Tamaño de la muestra: 80 pacientes con accidente cerebrovascular y 10 adultos sanos para establecer lecturas EMG de referencia.

2. Intervenciones:

   • Los participantes se someterán a una recolección de señales EMG de los músculos clave de las extremidades inferiores mientras realizan movimientos estandarizados.

3. Medidas de resultado:

   • Resultado primario: Sensibilidad y especificidad del modelo de aprendizaje automático en la predicción de pacientes con caídas de alto riesgo.
   • Resultados secundarios: Comparación del rendimiento predictivo del modelo de aprendizaje automático con las herramientas tradicionales de evaluación del riesgo de caídas (p. ej., Berg Balance Scale).

Recopilación de datos:

• Se conectarán sensores EMG a los músculos de las extremidades inferiores de los pacientes. Los sensores registrarán la actividad muscular durante el movimiento, que luego se analizará utilizando el modelo de aprendizaje automático.
• El modelo predictivo se entrenará utilizando características extraídas de las señales EMG y su rendimiento se validará frente a los incidentes de caídas reales notificados durante el período de seguimiento.

Análisis estadístico:

• La eficacia del modelo de aprendizaje automático se medirá a través de su sensibilidad (capacidad para identificar correctamente a los pacientes de alto riesgo) y especificidad (capacidad para identificar correctamente a los pacientes de bajo riesgo).
• Se utilizarán las curvas de característica operativa del receptor (ROC) y las estadísticas del área bajo la curva (AUC) para evaluar el rendimiento del modelo.