Avaliação de risco de queda usando aprendizado de máquina híbrido e abordagens de aprendizado profundo e uma nova posturografia

O objetivo deste projeto é combinar um novo posturogrpahy baseado em rastreadores HTC VIVE e aprendizado de máquina híbrido e algoritmos de aprendizado profundo para estabelecer um conjunto de ferramentas de avaliação de risco de queda simples, convenientes e válidas. Trata-se de um estudo observacional e de acompanhamento de idosos comunitários com idade superior a 60 anos. Os investigadores irão coletar dados demográficos, questionários, testes de equilíbrio tradicionais (escala de Berg Balance, Timed-up-and-go, 30s-sit-to-stand, testes de equilíbrio de quatro estágios) e uma posturografia baseada em rastreador para obter o tronco parâmetros de estabilidade em diferentes tarefas em pé. O risco de queda será classificado de acordo com quedas autorreferidas no último ano e verificado em um acompanhamento de 6 meses.

Os investigadores avaliarão o desempenho de diferentes algoritmos híbridos de aprendizado de máquina e aprendizado profundo para extrair os recursos importantes de vários parâmetros posturográficos e selecionar um modelo ideal. Os investigadores usarão a análise da curva característica operacional do receptor para calcular a sensibilidade, especificidade e precisão de diferentes algoritmos para classificação de risco e também comparar o desempenho com ferramentas tradicionais de avaliação de equilíbrio. Os investigadores avaliarão a correlação dessas características posturográficas e os dados obtidos por outros métodos. Fatores de risco de quedas anteriores e quedas futuras também serão analisados.