Modelando los movimientos en adultos mayores

Los adultos se levantan de una posición sentada unas 60 veces al día. No poder hacer esto, como levantarse de una silla o un inodoro, puede llevar a más caídas, debilidad e incluso a necesitar vivir en una residencia de ancianos. El sistema de movimiento de los humanos tiene formas integradas de adaptarse, así que los problemas de movimiento no aparecen de inmediato cuando la capacidad física comienza a declinar. Esto hace que sea difícil predecir cuándo sucederán estos problemas.

A medida que las personas envejecen, cambian la forma en que se mueven. Desarrollan nuevas maneras de hacer frente a una disminución de la fuerza o cambios en cómo sienten el dolor y la estabilidad, especialmente por miedo a caerse. En un estudio reciente, encontramos que a medida que las personas envejecen, su cuerpo tarda más en reaccionar al levantarse. Sin embargo, estudiar esto solo a través de experimentos es complicado porque varios otros factores pueden afectar cómo funcionan los Músculos, como la disminución de la fuerza o la rapidez con la que los músculos pueden contraerse.

Usar simulaciones por computadora de músculos y movimientos puede ayudar a entender cómo la edad afecta el movimiento y cómo las personas se adaptan. A diferencia de los experimentos tradicionales, estas simulaciones permiten a los científicos centrarse en factores específicos del movimiento que cambian con la edad. Antes de poder explorar cómo la función muscular reducida afecta el levantarse, necesitamos un buen modelo que refleje cómo las personas adaptan sus movimientos.

#Control de Retroalimentación Neuromuscular

El cuerpo humano tiene partes que cambian a medida que envejecemos, lo que afecta cómo controlamos los movimientos. Los científicos han utilizado diferentes técnicas para estudiar cómo los músculos contribuyen al levantarse de una silla. Muchos de estos estudios se basan en datos detallados recogidos de experimentos. Sin embargo, necesitamos simulaciones capaces de crear movimientos basados en un conjunto de reglas en lugar de usar datos de entrada reales.

Hay dos tipos principales de simulaciones para esta tarea. El primer tipo se centra en planear las acciones musculares necesarias para producir un movimiento, a menudo llamado optimización de trayectoria. El segundo tipo crea reglas para controlar movimientos basados en acciones automáticas.

El método de optimización de trayectoria no es ideal para estudiar cómo el cuerpo se adapta a los cambios en la función muscular. Estos métodos a menudo no incluyen un modelo de control de retroalimentación, que es esencial para simular cómo el cuerpo reacciona a cambios en el equilibrio o reacciones más rápidas a medida que envejecemos. Estudios tempranos llevaron a la creación de controladores que simulan efectivamente la marcha. Sin embargo, estos controladores no se han explorado a fondo para movimientos de levantarse.

En nuestro estudio, buscamos desarrollar un modelo que simule cómo las personas se levantan y caminan, centrándonos en configuraciones como la altura de la silla y la posición de los pies. Esto es especialmente importante para las evaluaciones de la movilidad de los adultos mayores.

#Diseño y Método del Estudio

Nuestro controlador de sentarse a caminar consta de dos fases principales al levantarse y un controlador para caminar. La primera fase ayuda al cuerpo a ajustar su posición basándose en la retroalimentación de los músculos y el equilibrio. Cada fase tiene sus propias reglas. La retroalimentación considera qué tan rápido reaccionan los músculos e incluye tanto vías de retroalimentación directas como indirectas.

Los parámetros libres de la Simulación se optimizaron para minimizar el uso muscular mientras se asegura que la persona pueda levantarse sin caerse o estresar demasiado las articulaciones. Realizamos muchas optimizaciones con las mismas condiciones iniciales para encontrar los mejores resultados. Estos resultados se compararon con los movimientos reales de los participantes al levantarse y caminar hacia una mesa a su ritmo preferido.

#Modelo Musculoesquelético

El modelo musculoesquelético que creamos representa a un hombre adulto típico. Este modelo incluye varios puntos de movimiento en el cuerpo y utiliza unidades músculo-tendón para simular cómo funcionan los músculos.

El modelo está diseñado para ser eficiente para simulaciones. Incluimos retrasos en la retroalimentación en los controladores musculares para reflejar cómo cambian las respuestas con la edad. Comparado con investigaciones pasadas, los retrasos en nuestro modelo han sido ajustados para adaptarse mejor a las necesidades de nuestro estudio.

Usamos retroalimentación muscular para gestionar cómo se mueve el cuerpo. Los controladores permiten tanto retroalimentación directa como indirecta de los músculos, asegurando que nuestro modelo refleje con precisión cómo las personas realmente se levantan y caminan.

#Marco de Simulación y Optimización

Las simulaciones comenzaron con diferentes posiciones iniciales para el modelo, basadas en cómo las personas suelen sentarse antes de levantarse. Las simulaciones se detuvieron cuando se alcanzó un tiempo establecido o si el modelo se caía. El objetivo principal era crear un modelo que imitara los movimientos que las personas hacen al levantarse y caminar.

Se utilizaron varias medidas para optimizar el modelo. Una medida aseguraba que el movimiento del modelo siguiera de cerca los movimientos reales de la pelvis. Otra medida evaluaba qué tan rápido podía caminar el modelo, fomentando una velocidad de caminata realista. Se implementaron medidas adicionales para evitar una tensión excesiva en las articulaciones.

El uso de energía también fue un factor, buscando mantener bajo el consumo de energía del modelo mientras se movía. Nuestro algoritmo de optimización fue diseñado para buscar la mejor combinación de estos factores para producir una simulación realista del movimiento.

#Variaciones en las Condiciones

Nuestro modelo puede probar cómo diferentes condiciones, como la altura del asiento y la posición de los pies, afectan cómo las personas se levantan de una posición sentada y caminan. Por ejemplo, cuando se bajó la altura del asiento, nuestro modelo mostró que el tronco necesitaba inclinarse de manera diferente para adaptarse al cambio.

Encontramos que bajar el asiento llevaba a una mayor activación muscular y cargas en las articulaciones más altas, lo que puede no ser óptimo para las personas mayores. De manera similar, colocar los pies en una posición asimétrica durante el levantamiento resultó en ajustes que cambiaron cómo se aplican las fuerzas a varias articulaciones.

Nuestros hallazgos subrayan la importancia de entender cómo el envejecimiento y los cambios en el movimiento pueden afectar las capacidades físicas y el riesgo de lesiones.

#Validación del Modelo

Para asegurar la precisión de nuestras simulaciones, comparamos los movimientos de nuestro modelo con datos recogidos de participantes reales. Estos datos incluyeron grabaciones detalladas de los movimientos durante la transición de sentarse a caminar. Nos centramos tanto en el tiempo de activación muscular como en el patrón de movimiento.

Los resultados indicaron que nuestros movimientos simulados se alinearon bien con los datos reales, lo que proporciona confianza en la capacidad de nuestro modelo para replicar los movimientos humanos.

#Implicaciones de los Hallazgos

Este modelo predictivo tiene el potencial de ser una herramienta valiosa para entender cómo los adultos mayores pueden adaptar sus movimientos a medida que cambian sus capacidades físicas. El objetivo es proporcionar información a los clínicos para desarrollar mejores planes de tratamiento para mantener la movilidad en sus pacientes.

El modelo destaca que diferentes estrategias pueden resultar en resultados similares, permitiendo un enfoque más personalizado para la terapia y la rehabilitación. Los clínicos podrían usar este conocimiento para guiar a los adultos mayores en evitar caídas y otras lesiones durante las actividades diarias.

Además, diferentes condiciones pueden llevar a varias estrategias de adaptación. Por ejemplo, la posición de una silla o la forma en que alguien coloca sus pies pueden afectar significativamente cómo se levantan o caminan, enfatizando la necesidad de evaluaciones individualizadas.

#Áreas de Mejora

Aunque nuestro modelo ha demostrado ser útil, hay limitaciones y áreas para explorar más. El modelo no captura cada aspecto del movimiento humano, especialmente cuando se trata de mantener el equilibrio durante la transición de sentarse a caminar. Hay complejidades en cómo los individuos mantienen el equilibrio que sería beneficioso incluir en futuros Modelos.

Además, aunque usamos valores promedios para la fuerza muscular y la activación, estos pueden variar entre individuos. Futuros modelos podrían beneficiarse de datos más específicos sobre la fuerza muscular, especialmente al comparar diferentes grupos de edad o condiciones físicas.

El contacto entre el cuerpo y el asiento también está simplificado en nuestro modelo. Esta simplificación podría llevar a imprecisiones en la simulación de cómo se mueve el cuerpo al levantarse de una silla. Modelos más detallados de contacto corporal podrían mejorar la precisión de las simulaciones.

Por último, muchos adultos mayores usan sus brazos para ayudarles a levantarse, pero esto no se incluyó en nuestro modelo. Trabajos futuros podrían explorar cómo los movimientos de los brazos podrían ayudar en la transición de sentado a de pie y cómo esto varía con la disminución de la fuerza.

#Conclusión

En conclusión, presentamos un modelo predictivo único para simular cómo las personas transitan de estar sentadas a levantarse y luego caminar. Este modelo puede adaptarse para entender cómo la edad y otros factores afectan este movimiento. Al observar diferentes condiciones, estamos mejor equipados para entender los cambios en las estrategias de movimiento a medida que las personas envejecen.

Este trabajo tiene amplias implicaciones para el estudio del movimiento humano y ofrece valiosas ideas para clínicos e investigadores. A través de la mejora de nuestros modelos, podemos seguir aumentando nuestra comprensión del envejecimiento y la movilidad, allanando el camino para un mejor cuidado y resultados para los adultos mayores.