Diseño del predictor faildetection para el diagnostico de fragilidad en pacientes mayores usando señales de fuerza de apriete de la mano

Abstract

Actualmente el método de detección de fragilidad de un adulto mayor es una prueba larga que implica varias horas de dedicación por parte tanto del paciente como del psicólogo y medico geriatra encargado. Las Pruebas médicas/psicológicas más conocidos para determinar la fragilidad son el de VIG y el FRIED quienes de hecho no necesariamente arrojan los mismos resultados. Dentro de estas pruebas una de las variables a utilizar es la máxima fuerza de apriete con la mano dominante de 3 intentos, cada uno con una duración aproximada de 6 segundos. Además de acuerdo con el testimonio de uno de los médicos entrevistados en antecedentes a esta investigación “Solo con apretarles la mano se cuál es su condición”. Basados en que de por si todo apunta a que la fuerza de apriete es importante para determinar si un paciente se encuentra o no en estado de fragilidad, se propuso la siguiente pregunta: ¿Si el apriete máximo nos da mucha información, podría toda la señal recogida durante la acción de apriete darnos aún más información? Este Trabajo de investigación persigue relacionar los resultados de la prueba de VIG de 83 pacientes (DDBB facilitada por el grupo de investigación CETpD-UPC) con las muestras (entre 1 y 3 por paciente) de las señales de apriete de todos los pacientes y así diseñar un clasificador que permite determinar el estado de fragilidad de un paciente solo con la señal del apriete de su mano dominante. La investigación arroja como resultado que el clasificador obtenido, creado a base de redes neuronales superficiales (SNN), consigue un desempeño de hasta 97% de predictibilidad bajo ciertas condiciones, tomando en cuenta que se utilizaron métodos de prevención de sobreajuste, diferentes técnicas de agrupación de data (se resalta que la caracterización de la señal de apriete fue basada en los métodos de caracterización de señal de sistemas de control industrial), el uso del algoritmo SMOTE para la creación sintética de observaciones con el objetivo balancear el set de entrenamiento y métodos de validación cruzada a 2 niveles, primero entre las SNN que componen al predictor FrailDetectionNET y segundo a nivel de las muestras por paciente para logran identificar si el diagnóstico del paciente es correcto, todo esto realizado dentro de un entorno MATLAB.

Currently, the method to detect frailty in an elderly adult is a long test that involves several hours of dedication on the part of the patient as well as the psychologist and geriatrician in charge. The best known medical / psychological tests to determine frailty are the VIG and the FRIED, which in fact do not necessarily give the same results. Within these tests, one of the variables to be used is the maximum Hand Grip Strength with the dominant hand of 3 attempts, each one lasting approximately 6 seconds. In addition, according to the testimony of one of the doctors interviewed in the background of this investigation "I only know what their condition is by squeezing their hands. Since everything points out to the fact that the hand grip strength is important in figuring out whether a patient is in a state of fragility or not, the following question was proposed: If the maximum hand grip strength gives us a lot of information, could all the signal collected during the hand grip strength action give us even more information? This research work seeks to relate the results of the VIG test of 83 patients (DDBB provided by the CETpD-UPC research group) with the samples (between 1 and 3 per patient) of the hand grip strength signals of all patients and thus design a classifier that allows to determine the state of frailty of a patient only with the signal of the squeeze of his dominant hand. The research shows that the obtained classifier, created based on shallow neural networks (SNN), achieves a performance of up to 97% accuracy under certain conditions, taking into account that the following tools were used: overfitting prevention methods, different grouping techniques of data (it is highlighted that the characterization of the tightening signal was based on the signal characterization methods of industrial control systems), the use of the SMOTE algorithm (to create synthetic observations in order to balance the training set) and methods of cross-validation at 2 levels, first between the SNNs that make up the FrailDetectionNET predictor and second at the level of samples per patient to identify if the patient's diagnosis is correct; all this done within a MATLAB environment.