Investigadores de China, Corea del Sur, Reino Unido y Estados Unidos desarrollaron un modelo computacional que analiza patrones de movimiento durante 48 horas para evaluar simultáneamente dos condiciones estrechamente vinculadas al envejecimiento.
Un equipo internacional de investigadores desarrolló un sistema basado en sensores portátiles y aprendizaje profundo o deep learning capaz de identificar fragilidad física y preocupación por caer en adultos mayores que viven en comunidad, sin necesidad de cuestionarios ni supervisión clínica presencial. El estudio, publicado en npj Digital Medicine, fue liderado por el Dr. Changhong Wang de la Universidad Sun Yat-sen en China, con la participación de instituciones de Corea del Sur, el Reino Unido y la Universidad de California en Los Ángeles (UCLA).
La fragilidad física es un síndrome geriátrico caracterizado por la disminución progresiva de la fuerza, la resistencia y la función fisiológica en múltiples sistemas del organismo, lo que incrementa la vulnerabilidad de quien la padece frente a la dependencia y la mortalidad. La preocupación por caer, por su parte, es un estado psicológico que en niveles elevados conduce a la restricción de la actividad, el aislamiento social y el deterioro físico acelerado. Ambas condiciones se retroalimentan mutuamente, es decir, que quienes tienen mayor miedo a caer presentan mayor probabilidad de volverse frágiles, y quienes ya son frágiles tienden a desarrollar comportamientos de evitación que profundizan su deterioro. Esta relación bidireccional, confirmada estadísticamente en el propio estudio fue el punto de partida para diseñar un modelo que las evaluara de manera conjunta.
Los métodos tradicionales para medir fragilidad y miedo a caer dependen de instrumentos como el Fenotipo de Fragilidad de Fried (FFP, en inglés) y la Escala de Eficacia ante las Caídas Internacional (FES-I), cuestionarios clínicamente validados pero susceptibles a sesgos subjetivos y difíciles de aplicar en entornos de telemedicina o monitoreo remoto. Para superar esas limitaciones, el equipo propuso un marco objetivo basado en datos de acelerometría triaxial recolectados durante 48 horas continuas mediante un sensor colgante colocado en el pecho.
La muestra incluyó a 146 adultos mayores de 65 años reclutados en entornos de atención primaria, secundaria y terciaria, así como en residencias comunitarias e independientes. Según el FFP, 50 participantes fueron clasificados como robustos, 73 como prefragilizados y 23 como frágiles. Conforme a la FES-I, 63 presentaron baja preocupación por caer y 83 alta preocupación. Los datos mostraron que los puntajes de miedo a caer aumentaban progresivamente de los participantes robustos hacia los frágiles, lo que refuerza la interrelación entre ambas condiciones.
El sensor registró aceleraciones en ejes vertical, frontal y lateral. A partir de esos datos, el equipo clasificó cada segundo de actividad en uno de 16 estados físicos posibles, que abarcaban desde estar acostado o sentado hasta caminar a distintas cadencias y duraciones. Estas secuencias de actividad fueron visualizadas como códigos de barras de color, donde los tonos cálidos representan mayor intensidad de movimiento y los fríos menor actividad. Los participantes robustos con baja preocupación por caer mostraron patrones con mayor variedad cromática y transiciones frecuentes, mientras que los frágiles con alta preocupación exhibían secuencias predominantemente frías y monótonas.
Para capturar la complejidad de esos patrones, el equipo extrajo 206 variables globales basadas en medidas de entropía a una y múltiples escalas temporales, que cuantifican la variabilidad y la estructura dinámica del movimiento a lo largo del tiempo. Adicionalmente, una red neuronal de memoria a largo plazo bidireccional (LSTM, en inglés) aprendió 16 características locales que reflejan las fluctuaciones momento a momento en la actividad, como las transiciones entre estados. El modelo final combinó estas representaciones globales y locales con variables demográficas y psicológicas, como edad, índice de masa corporal y puntuación en la escala de depresión CES-D, e incorporó un mecanismo de atención que permite identificar cuáles características contribuyen más a cada predicción.
El rendimiento del modelo multitarea superó con claridad al de cinco modelos alternativos que abordaban cada condición por separado, incluyendo regresión logística, máquina de vectores de soporte, árbol de decisión y modelos secuenciales LSTM y de transformadores de series temporales. Para la clasificación de fragilidad física, el modelo alcanzó una precisión de 93.18% y un F1-score de 93.12%. Para la preocupación por caer, logró una precisión de 84.09% y un F1-score de 86.27%. El mejor modelo de tarea única para fragilidad, basado en máquina de vectores de soporte, alcanzó solo 77.45% de precisión, lo que evidencia la ventaja de modelar ambas condiciones de forma simultánea.
El análisis de contribución de variables reveló que las medidas de entropía multiescala fueron determinantes en ambas tareas, mientras que la fragilidad física mostró una dependencia adicional de las características locales que reflejan el control motor a corto plazo. La preocupación por caer, en cambio, estuvo más influida por factores cognitivo-afectivos sostenidos en el tiempo. En ambos casos, la puntuación de depresión CES-D emergió como un predictor relevante, lo que señala el papel de la salud mental en la modulación de la actividad física y el riesgo de caídas.
Los autores reconocen varias limitaciones, especialmente porque la cohorte fue relativamente pequeña, con predominio de mujeres, y proviene de estudios previos centrados en fragilidad y riesgo de caídas. Esto que puede haber sobrerepresentado a personas con signos tempranos de deterioro. Las variaciones en la colocación del sensor y los artefactos de movimiento tampoco pueden eliminarse por completo con los filtros utilizados, aunque el uso de transformadas wavelet y características temporales robustas redujo su impacto. Los autores señalan que la validación en cohortes más amplias, diversas y con seguimiento longitudinal es necesaria antes de considerar aplicaciones clínicas a mayor escala.
