La fragilidad es un síndrome relacionado con la edad que se caracteriza por pérdida de fuerza y agotamiento, y se asocia a multimorbilidad. Las técnicas de aprendizaje automático (una modalidad de inteligencia artificial) pueden ayudar a la detección precoz y la predicción de su aparición.
Unos científicos del Grupo de Sistemas Inteligentes (GSI) de la Universidad Politécnica de Madrid (UPM) en España se han interesado por este tema y han desarrollado un modelo de aprendizaje automático para la predicción de la fragilidad y prefragilidad, con especial atención al aspecto físico de la patología. Dado el aumento de la edad media de la población, el desarrollo de políticas de prevención y tratamiento de la fragilidad es un tema de gran interés para la sociedad, ya que la prevención de esta afección puede mejorar significativamente la vida de nuestros mayores y aliviar la carga del sistema sanitario. Las técnicas de aprendizaje automático muestran resultados prometedores en la creación de una herramienta de apoyo médico para esa tarea.
La fragilidad es un síndrome que afecta a la población anciana y se caracteriza por el declive de la reserva fisiológica y de las funciones físicas y cognitivas. Está correlacionado con la pérdida de masa muscular y la debilidad y se asocia con un mayor riesgo de caídas, hospitalización frecuente, o disfunción motora y cognitiva. En relación con esta temática, el estudio llevado a cabo por investigadores del grupo GSI de la UPM se marcó como objetivo crear un conjunto de datos para estudios de fragilidad basados en el aprendizaje automático. Para ello, han utilizado la definición propuesta por la epidemióloga y geriatra Linda P. Fried en 2001, que identifica un fenotipo de fragilidad a través de cinco criterios (pérdida de peso involuntaria, lentitud, fuerza de agarre, nivel de actividad física y agotamiento), dividiendo así la población en tres categorías: frágiles, prefrágiles y robustos.
Para desarrollar este tipo de modelos, se necesita una gran cantidad de datos a partir de los cuales el modelo pueda aprender. Para ello, Matteo Leghissa, Álvaro Carrera y Carlos Á. Iglesias, los tres de la UPM, se sirvieron de uno de los estudios más reconocidos sobre envejecimiento que existen, el ELSA (English Longitudinal Study of Ageing), que lleva recopilando datos de personas mayores en el Reino Unido desde 2001. Tras estudiar y procesar estos datos, formularon un modelo que puede dar una estimación del riesgo de fragilidad en un horizonte temporal de dos años. Han particularizado las variables más relevantes y con ellas han desarrollado un cuestionario para realizar a las personas mayores, y obtener así los datos de entradas del modelo. Las preguntas varían entre los ámbitos médico, económico, social y cultural, y no necesitan la realización de pruebas ni de análisis al paciente.
Los datos obtenidos en el estudio se pueden utilizar para averiguar el nivel de fragilidad de cada anciano, a través de las arquitecturas de aprendizaje automático para la detección y predicción de fragilidad entrenadas previamente. La consecución de estos modelos forma parte de la integración de la ciencia de datos con la medicina y los hospitales, una herramienta con grandes perspectivas de mejorar la salud de la población.
“Uno de los logros conseguidos como resultado del estudio es un espejo inteligente que se instala en casa de personas mayores con el objetivo de ayudarlas en el día a día a contrarrestar el riesgo de fragilidad”, indican los investigadores.
Los resultados obtenidos no habrían sido posibles sin el apoyo y el trabajo de los otros grupos de investigación participantes en el proyecto: la Universidad de Castilla-La Mancha, el Centro de Investigación Biomédica en Red de Fragilidad y Envejecimiento Saludable (CIBERFES) y la Universidad Carlos III, en España todas estas instituciones.
El estudio se titula “FRELSA: A dataset for frailty in elderly people originated from ELSA and evaluated through machine learning models”. Y se ha publicado en la revista académica International Journal of Medical Informatics. (Fuente: UPM)
Comentarios