Usar video para monitorear la caminata en pacientes con demencia

Monitorear cómo caminan las personas, conocido como Análisis de la marcha, puede ayudar a detectar problemas de salud a tiempo, especialmente en Adultos Mayores con demencia. Como estas personas tienen más probabilidades de caerse, seguir sus patrones de caminata puede ayudar a cuidadores y médicos a actuar rápido para prevenir accidentes. Usar cámaras de video simples para rastrear la caminata en lugar de sistemas caros hace que este proceso sea más accesible.

#Por qué importa el monitoreo de la marcha

Los adultos mayores con demencia a menudo sufren caídas al doble de la tasa de aquellos sin problemas cognitivos. Cambios en su forma de caminar pueden indicar lesiones, enfermedades u otros problemas que tal vez les cueste comunicar. Monitorear sus hábitos de caminata a diario puede detectar estos cambios a tiempo.

Tradicionalmente, analizar la forma de caminar requiere equipos costosos, pero los avances recientes en tecnología de video nos permiten rastrear patrones de caminata usando cámaras comunes. Esto facilita el monitoreo de personas en situaciones cotidianas, brindando una herramienta valiosa para los cuidadores.

#Desafíos en el análisis de la marcha

Aunque las tecnologías de visión por computadora están mejorando, la mayoría no están diseñadas específicamente para analizar cómo caminan los adultos mayores. Caminar implica muchos movimientos sutiles, especialmente en la parte inferior del cuerpo. Saber dónde está cada articulación en un video no es suficiente. Información clínicamente importante como cuánto tiempo pasa una persona en cada paso o cuán lejos camina también necesita ser extraída con precisión.

Errores en el seguimiento de las articulaciones pueden llevar a errores significativos en la medición de los patrones de caminata. Los métodos anteriores tenían que calcular manualmente la información de las secuencias capturadas, lo que creaba más margen de error. En cambio, usar un modelo especializado puede mejorar la precisión con la que podemos evaluar las características de la caminata a partir del video.

#Trabajo relacionado

La investigación en el uso de video para rastrear cómo se mueven las personas está creciendo. Muchos estudios han demostrado que es factible evaluar las características de la caminata a través de video, especialmente en escenarios médicos. Algunos investigadores han comparado los resultados del análisis de video con datos de sistemas avanzados de medición de caminata y han encontrado correlaciones prometedoras.

Mientras que algunos estudios han extraído exitosamente características de caminata, todavía hay necesidad de modelos que estén afinados para analizar eficazmente cómo caminan los adultos mayores. Varios estudios han utilizado algoritmos personalizados para derivar características de caminata de videos, mostrando el potencial de este método.

#Nuestro enfoque

Nuestra investigación se centra en usar un video de una persona caminando hacia una cámara para predecir características importantes de la marcha. Desarrollamos un método que toma una secuencia de pose bidimensional, que es una representación de las articulaciones del cuerpo de una persona a lo largo del tiempo, y la traduce en características de caminata tridimensionales.

Para lograr esto, utilizamos una red neuronal especializada. Los datos usados para nuestro modelo provinieron de dos lugares diferentes: un hospital y una instalación de cuidado a largo plazo. Los datos de video y profundidad recopilados nos ayudaron a ver qué tan bien funcionaba nuestro modelo para predecir características de la marcha.

#Recolección de datos

Los datos para nuestro análisis se recopilaron usando un sistema de cámaras que grababa a personas caminando. Al analizar los videos, seguimos los movimientos de sus tobillos y caderas para obtener medidas precisas de la marcha como la longitud del paso y el ritmo. La planificación cuidadosa y las aprobaciones éticas estaban en su lugar para garantizar la seguridad y la privacidad de los participantes.

#Construcción del modelo

El modelo se entrenó usando un método llamado validación cruzada de 10 pliegues. Divide los datos en secciones para entrenar y probar el modelo adecuadamente. Cada vez que se entrenaba el modelo, nos enfocábamos en optimizar su precisión comparando la salida con medidas reales. Los resultados se midieron usando dos métricas principales: la correlación de Spearman y el error promedio.

#Resultados

Nuestros hallazgos mostraron que el modelo podía predecir efectivamente ciertas características de la marcha. Específicamente, pudo correlacionar bien con mediciones de qué tan rápido caminaba una persona y qué tan lejos daba cada paso.

Sin embargo, el modelo tuvo problemas prediciendo el tiempo del paso y el ancho del paso, lo que indica margen de mejora. Cuando comparamos nuestro modelo con otro modelo existente, encontramos que el nuestro ofrecía un mejor rendimiento general en mediciones de velocidad y longitud del paso, a pesar de algunas dificultades con el tiempo.

#Importancia de los hallazgos

Los resultados subrayan el potencial de usar video simple para medir características físicas complejas como la marcha. Los conocimientos obtenidos pueden guiar futuros desarrollos en monitoreo de salud para adultos mayores. Poder rastrear cambios en la caminata de manera efectiva podría llevar a una mejor atención preventiva y, en última instancia, mejorar la calidad de vida de las personas con demencia.

#Investigación futura

Aún hay mucho por explorar en este campo. Trabajos futuros podrían centrarse en mejorar la precisión con la que el modelo predice el tiempo y el ancho de los pasos. También podríamos desarrollar modelos especializados para cada característica para lograr mejores resultados en general.

Además, recopilar datos durante períodos más largos puede ayudarnos a entender cómo cambian los patrones de caminata con el tiempo. Esto podría llevar a aplicaciones útiles en el monitoreo más preciso de riesgos de salud.

#Conclusión

En resumen, usar tecnología de video para monitorear patrones de caminata en personas con demencia es tanto prometedor como necesario. La capacidad de analizar características clave de la marcha puede ayudar a prevenir caídas y otros problemas de salud. A medida que refinamos estos métodos y tecnologías, podemos ofrecer mejor atención y mejorar los resultados para esta población vulnerable.

Siguiendo con nuestra investigación y aplicando estos hallazgos en situaciones del mundo real, podemos mejorar los sistemas de apoyo disponibles para cuidadores y profesionales de la salud. El futuro del análisis de marcha radica en hacer que estas herramientas sean más accesibles y efectivas para todos los involucrados.