Desenvolvendo uma ferramenta de previsão de quedas usando dados de análise de marcha de acelerômetro e vídeo em adultos mais velhos (APDM system)

Avanços recentes no aprendizado de máquina interromperam a abordagem padrão para avaliar o prognóstico médico. Nosso grupo, composto por acadêmicos clínicos e engenheiros de pesquisa, busca criar um banco de dados de medidas de estabilidade (dados de acelerômetros, giroscópios e sensores de altitude) em monitores de idosos longitudinalmente. Este banco de dados de Medidas de Estabilidade (SM) nos permitirá usar novos métodos de aprendizado de máquina para desenvolver e validar algoritmos que prevêem quedas futuras, permitindo uma melhor segmentação de indivíduos vulneráveis.

Embora tenha havido inúmeras tentativas de quantificar o risco de queda em idosos usando escalas de cabeceira 7-12, nenhum grupo anterior tentou usar uma combinação de medidas de acelerômetro e vídeo para avaliar a estabilidade da marcha. Como essas medidas serão capturadas em pacientes com quedas frequentes e com quedas infrequentes, teremos dados SM para várias janelas de tempo (1, 2, 3 e 4 semanas) antes de pelo menos 100 eventos de queda, um conjunto de dados que nunca foi capturado antes.

HIPÓTESES:

1. Uma combinação de dados de acelerômetro, giroscópio e vídeo pode ser usada para prever quedas longitudinalmente, primeiro pelo uso de um conjunto de dados de treinamento seguido de verificação em um conjunto de dados de validação.
2. Todas as entradas baseadas em sensores acima podem ser combinadas como uma ferramenta de predição simples e automatizada para prever o risco de queda em adultos mais velhos. Embora úteis, todas essas medidas têm sensibilidade e especificidade bastante baixas, com uma área sob a curva (AUC) de aproximadamente 0,707-12.

De fato, uma meta-análise recente "não conseguiu identificar nenhuma ferramenta que tivesse um equilíbrio ideal entre sensibilidade e especificidade, ou que fosse claramente melhor do que um simples julgamento clínico de risco de queda"

MÉTODOS:

a) Indivíduos: i) Indivíduos de alto risco (n=50): Todos os indivíduos serão recrutados em clínicas de quedas e geriatria no Hospital Geral de Vancouver. Essas clínicas atendem cerca de 2.500 pacientes por ano e são atualmente usadas para recrutamento de pesquisas. Cada paciente da clínica tem a velocidade de marcha medida, o que permitirá recrutar caidores de alto e baixo risco. Este teste nos permitirá recrutar 50 indivíduos com risco marcado de quedas, fornecendo um conjunto de dados coletados prospectivamente com mais de 100 eventos, cinco vezes mais do que qualquer outro estudo de sensor.

ii) Indivíduos de baixo risco (n=50): Além disso, usaremos anúncios de jornal para recrutar e depois selecionar indivíduos de baixo risco. Todos os indivíduos terão uma velocidade de marcha > 0,8 m/s e não tiveram quedas no último ano.

Todos os pacientes do estudo vêm ao laboratório (Laboratório de Pesquisa em Gerontologia e Diabetes, VGH Research Pavilion) para uma sessão de uma hora. Cada sujeito realizará um teste de caminhada de 6 minutos durante o qual a avaliação da marcha será obtida do sistema APDM (Portland, OR). Além disso, haverá quatro câmeras de vídeo (na frente, atrás e nas laterais) que medirão dados brutos de vídeo para nossa análise de marcha. A câmera não registra nenhum dado facial (na verdade, o software 'deepfake' no sistema exclui todos os detalhes faciais) e os movimentos do paciente são convertidos em um 'boneco' antes de serem salvos no sistema. Além disso, um kit Xethru X4M03 será usado para coletar dados de radar ultra-sideband (UWB). O radar UWB opera em 5.9-10.3 GHz, proporcionando alta resolução espacial. O radar é colocado 1,5 m acima do nível do chão. Para coletar os dados de tempo de golpe do calcanhar, o sujeito irá deambular no sistema GAITRite (CIR Systems Inc, Franklin, NJ), com uma passarela de 90 × 700 cm × 3,2 mm.