Construcción de un prototipo de registro de caídas basado en Machine Learning para mayores institucionalizados

• Dinamarca-Montecinos , José Luis ^[1] ; Flores Moraga, María Jesús ^[2] ; Durán-Novoa, Roberto Alejandro ^[2] ; Briede-Westermeyer, Juan Carlos ^[2]
  1. [1] Universidad de Valparaíso

     Universidad de Valparaíso

     Valparaíso, Chile

     
  2. [2] Federico Santa María Technical University
• Localización: MedUNAB, ISSN-e 2382-4603, ISSN 0123-7047, Vol. 28, Nº. 1, 2025 (Ejemplar dedicado a: Publicación anticipada abril-julio 2025: Envejecimiento Saludable; Geriatría; Salud del Anciano), págs. 265-302
• Idioma: español
• DOI: 10.29375/01237047.5165
• Títulos paralelos:
  • Construction of a machine learning-based fall registration prototype for institutionalized seniors
• Enlaces
  • Texto completo
• Resumen

  • Introducción.Las caídas en personas mayores institucionalizadas representan un problema de salud pública subestimado, asociado a discapacidad, dependencia y mortalidad. En Chile, la ausencia de registros estandarizados en Establecimientos de Larga Estadía para Adultos Mayores (ELEAM) limita la prevención efectiva. Este estudio tuvo como objetivo diseñar un prototipo de sistema digital de registro de caídas basado en Aprendizaje Automático / Machine Learning (ML)para su implementación en Establecimientos de Larga Estadía para Adultos Mayores (ELEAM). Metodología. Se empleó la metodología de diseño de doble diamante en cuatro fases: identificación de actores y levantamiento de información mediante entrevistas cualitativas; análisis de causas y priorización de ideas con matrices AHP y Pugh; diseño conceptual y generación del Producto Mínimo Viable (PMV); y elaboración de prototipos para validación de usabilidad. Resultados. Se evidenció una gran heterogeneidad en los registros actuales y ausencia de análisis posterior de datos. Se desarrolló un PMV que incluye un formulario de registro de caídas, visualización de medidas preventivas, perfiles de usuario diferenciados y herramientas educativas. El sistema fue validado internamente por cuidadores, directivos y profesionales de salud en ELEAM. Discusión. El uso de ML permitiría automatizar el análisis de datos y personalizar medidas preventivas. El diseño participativo y el enfoque preventivo fueron claves para su aceptabilidad. Conclusiones. El prototipo desarrollado tiene potencial para optimizar el registro de caídas en ELEAM, mejorar la prevención y fortalecer la atención en personas mayores institucionalizadas.

• Referencias bibliográficas
  • World Health Organization. Ageing and health [Internet]. Ginebra: WHO; 2022. Recuperado a partir de: https://www.who.int/news-room/fact-sheets/detail/ageing-and-health
  • Gutiérrez-Murillo RS. Population Aging in Latin America: A Salutogenic Understanding is Needed. Eur J Environ Public Health [Internet]. 2022;6(2):em0121....
  • Ghasemi H, Kharaghani MA, Golestani A, Najafi M, Khosravi S, Malekpour MR, et al. The national and subnational burden of falls and its attributable...
  • World Health Organization. Falls [Internet]. Ginebra: WHO; 2021. Recuperado a partir de: https://www.who.int/news-room/fact-sheets/detail/falls
  • Shao L, Shi Y, Xie XY, Wang Z, Wang ZA, Zhang JE. Incidence and Risk Factors of Falls Among Older People in Nursing Homes: Systematic Review...
  • Stefanacci RG, Wilkinson JR. Falls in Older Adults. MSD Manual Professional Edition. [Internet]. 2023. Recuperado a partir de: https://www.msdmanuals.com/professional/geriatrics/falls-in-older-adults/falls-in-older-adults
  • Campiño-Valderrama SM, Serna-Zuluaga AS, Ayala IC. Riesgo de caídas y su relación con la capacidad física y cognitiva, en una residencia...
  • Gillespie LD, Robertson MC, Gillespie WJ, Sherrington C, Gates S, Clemson LM, et al. Interventions for preventing falls in older people living...
  • Tiwari P, Colborn KL, Smith DE, Xing F, Ghosh D, Rosenberg MA. Assessment of a Machine Learning Model Applied to Harmonized Electronic Health...
  • Shao L, Wang Z, Xie X, Xiao L, Shi Y, Wang ZA, et al. Development and External Validation of a Machine Learning–based Fall Prediction Model...
  • Islam M, Tayan O, Islam R, Islam S, Nooruddin S, Nomani-Kabir M, et al. Deep Learning Based Systems Developed for Fall Detection: A Review....
  • Stevens JA, Phelan EA. Development of STEADI: A fall prevention Resource fot Health Care Providers. Health Promot Pract [Internet]. 2013;14(5):706–14....
  • Lin C C, Meardon S, O’Brien K. The predictive validity and clinical application of Stopping Elderly Accidents, Deaths & Injuries (STEADI)...
  • Marín-Úbeda J. Diseño y desarrollo de una app de monitorización geoespacial para la supervisión de personas dependientes. [Tesis de Grado]....
  • Linnerud S, Hartford-Kvael LA, Graverholt B, Idland G, Taraldsen K, Brovold T. Stakeholder development of an implementation strategy for fall...
  • Borra P. The Transformative Role of Microsoft Azure AI in Healthcare. Int J Emerg Trends Eng Res [Internet]. 2024;12(7):108–13. doi: https://doi.org/10.30534/ijeter/2024/021272024...
  • Kadayat Y, Sharma S, Agarwal P, Mohan S. Internet-of-Things Enabled Smart Health Monitoring System Using AutoAI: A Graphical Tool of IBM Watson...
  • Fragoso-Mendoza MI, Dávila-Mendoza R, López-Ortiz G. Importancia y uso de guías para reportar los principales tipos de estudio en investigación...
  • Beninho SG. Análisis de la arquitectura institucional del servicio nacional de adultos mayores (SENAMA): una mirada hacia protección social...
  • Majka M. Mastering Product Development with the Double Diamond Framework. ResearchGate [Internet]. 2024. Recuperado a partir de: https://www.researchgate.net/publication/384691492_Mastering_Product_Development_with_the_Double_Diamond_Framework
  • Wang X, Huang Z, Xu T, Li Y, Qin X. Exploring the Future Design Approach to Ageing Based on the Double Diamond Model. Systems [Internet]....
  • Arcia A, Stonbraker S, Mangal S, Lor M. A Practical Guide to Participatory Design Sessions for the Development of Information Visualizations:...
  • Stevenson R, Burnell D, Fisher G. The Minimum Viable Product (MVP): Theory and Practice. J Manag [Internet]. 2024;50(8):3202–31. doi: https://doi.org/10.1177/01492063241227154
  • Cook DA, Bikkani A, Poterucha-Carter MJ. Evaluating education innovations rapidly with build-measure-learn: Applying lean startup to health...
  • Solomon DH, Rudin RS. Digital health technologies: opportunities and challenges inrheumatology. Nat Rev Rheumatol [Internet]. 2020;16:525–35....
  • Leiva-Caro JA. Relación entre competencia, usabilidad, ambiente y caídas en el adulto mayor [Tesis de Doctorado]. Nuevo León: Universidad...
  • Fernandes C, Miles S, Pereira-Lucena CJ. Detecting False Alarms by Analyzing Alarm-Context Information: Algorithm Development and Validation....
  • Zorzetti M, Signoretti I, Salerno L, Marczak S, Bastos R. Improving Agile Software Development using User-Centered Design and Lean Startup....
  • Kamel-Rahimi A, Pienaar O, Ghadimi M, Canfell OJ, Pole JD, Shrapnel S, et al. Implementing AI in Hospitals to Achieve a Learning Health System:...
  • Cahoolessur DK, Rajkumarsingh B. Fall Detection System using XGBoost and IoT. R&D Journal [Internet]. 2020;(36):8-18. doi: https://doi.org/10.17159/2309-8988/2020/v36a2
  • Kang CW, Yan ZK, Tian JL, Pu XB, Wu LX. Constructing a fall risk prediction model for hospitalized patients using machine learning. BMC Public...
  • Jahandideh S, Hutchinson AF, Bucknall TK, Considine J, Driscoll A, Manias E, et al. Using machine learning models to predict falls in hospitalised...