Los sensores portátiles de bajo costo podrían aumentar el acceso a la atención de los pacientes con enfermedad de Parkinson. Nuevos enfoques de aprendizaje automático y una base de datos de adultos mayores sanos mejoran la precisión de los resultados de dichos sensores, según descubrieron en un nuevo estudio investigadores y colaboradores clínicos de la Universidad de Illinois Urbana-Champaign. Los resultados fueron reportados en la revista Sensores.
«Este estudio demuestra que la expansión de los conjuntos de datos con datos de movimiento de adultos mayores sanos y la integración con enfoques de aprendizaje profundo «Puede ayudar a mejorar la precisión de la detección de diferencias en el deterioro motor en personas con enfermedad de Parkinson para su uso en futuras sesiones de telemedicina», afirmó el líder del estudio Manuel Enrique Hernández, profesor de ciencias biomédicas y traslacionales de la Facultad de Medicina Carle Illinois de la U. de I.
Para que se controlen sus síntomas, los pacientes con enfermedad de Parkinson deben someterse a evaluaciones periódicas, generalmente una visita en persona a un especialista con disponibilidad limitada, que requiere mucho tiempo, dijo Hernández.
La evaluación mediante telemedicina mejoraría el acceso a la atención de los pacientes, pero plantea un desafío por la falta de mediciones cuantificables. Por ejemplo, el médico puede observar los movimientos del paciente, pero no puede evaluar la rigidez o el tono muscular. Si bien se han logrado algunos avances en el uso de sensores portátiles para evaluar las habilidades motoras, el costo limita su uso.
Para abordar estos desafíos, el equipo de Illinois se centró en formas de mejorar la evaluación utilizando sensores portátiles de bajo costo.
«Lo ideal sería tener algo que fuera completamente pasivo, reuniendo datos a medida que una persona pasa por su entorno cotidiano y usando esa información para proporcionar orientación sobre su función motora general y la progresión de los síntomas neurológicos. Pero luego te enfrentas al gran desafío de cómo analizar toda esa información y hacerla útil para un médico», dijo Hernández.
«Eso es lo que llevó a nuestra estrategia de mejorar la aprendizaje automáticocentrándose en actividades útiles para la evaluación y considerando a individuos sanos como punto de referencia».
Los investigadores adaptaron el estándar de oro de la evaluación clínica, la revisión patrocinada por la Sociedad de Trastornos del Movimiento de la Escala Unificada de Calificación de la Enfermedad de Parkinson. El MDS-UPDRS describe las tareas específicas que realizaría un paciente y las observaciones cualitativas que haría un médico durante un examen y las organiza en categorías para su puntuación.
Para su estudio, los investigadores hicieron que los pacientes realizaran tareas y movimientos musculares mientras usaban sensores para proporcionar los datos en las categorías calificadas por MDS-UPDRS. Utilizaron datos tanto de pacientes con enfermedad de Parkinson como de adultos mayores sanos para entrenar su modelo de aprendizaje automático.
«Mejorar los modelos de aprendizaje automático requiere una gran cantidad de datos. Planteamos la hipótesis de que los individuos sanos pueden servir como base para saber qué esperar de los posibles cambios relacionados con la edad. Luego podríamos construir un modelo comparativo para tener una idea de cuándo podría haber un marcado cambio en términos de función motora o deterioro motor«, dijo Hernández.
Los investigadores también utilizaron técnicas de aprendizaje profundo conocidas como preentrenamiento para hacer que el modelo sea más robusto, más capaz de identificar puntos de datos importantes y filtrar los irrelevantes. El entrenamiento previo y la adición de datos de adultos mayores sanos mejoraron la precisión de la identificación de deficiencias motoras en las tareas de movimiento de las manos en más de un 12 % con respecto al modelo estándar actual. Además, incluir datos de adultos mayores sanos mejoró la precisión de la evaluación de cada tarea para la parte superior e inferior del cuerpo, excepto el golpeteo con los dedos de los pies.
A continuación, los investigadores esperan seguir colaborando con neurólogos y médicos para ampliar su modelo. Su objetivo es identificar un pequeño número de tareas adicionales que podrían medir cuantitativamente más información sobre los síntomas clásicos de la enfermedad de Parkinson, como el temblor, manteniendo al mismo tiempo el bajo coste y la facilidad de uso de los sensores.
«Existe una gran necesidad de que comprendamos y cuantifiquemos mejor los cambios que se están produciendo en la enfermedad de Parkinson», afirmó Hernández.
«La capacidad de utilizar sensores portátiles mientras que realizar actividades que son parte del curso de evaluaciones clínicas en un entorno de telesalud podría abrir las puertas a información más objetiva y cuantificable que puede ayudar a dirigir el tratamiento para personas con enfermedad de Parkinson y, con suerte, mejorar la calidad de vida en el futuro».
Más información: Mehar Singh et al, Un enfoque de aprendizaje profundo para la clasificación automática y objetiva de la gravedad del deterioro motor en la enfermedad de Parkinson para su uso en teleevaluaciones, Sensores (2023). DOI: 10.3390/s23219004
Citación: Los sensores portátiles para el Parkinson pueden mejorar con el aprendizaje automático, datos de adultos sanos (2024, 12 de abril) recuperados el 12 de abril de 2024 de https://medicalxpress.com/news/2024-04-wearable-sensors-parkinson-machine-healthy. HTML
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.
