Investigadores de la Universidad Europea del Atlántico (UNEATLANTICO), liderados por el Dr. Álvaro Velarde Sotres y el Dr. Josep Alemany, han desarrollado un sistema innovador que utiliza aprendizaje automático y PoseNet para clasificar ejercicios fisioterapéuticos, mejorando así la efectividad de la telefisioterapia. Este avance es crucial en el contexto de la telesalud, especialmente para atender a una población envejecida con dificultades para acceder a servicios médicos presenciales. El sistema ha demostrado una alta precisión en el reconocimiento de ejercicios, facilitando un tratamiento más personalizado y efectivo para los pacientes. La implementación de esta tecnología podría transformar la fisioterapia remota, permitiendo a los pacientes realizar ejercicios en casa con mayor confianza y menos supervisión constante.
Investigadores de la Universidad Europea del Atlántico (UNEATLANTICO), el Dr. Álvaro Velarde Sotres y el Dr. Josep Alemany, han dado un paso significativo en el ámbito de la fisioterapia a distancia. Su reciente estudio propone un sistema innovador que utiliza aprendizaje automático y PoseNet para clasificar ejercicios fisioterapéuticos, con el objetivo de potenciar la efectividad de la telefisioterapia.
La telesalud, que abarca la provisión de servicios médicos a través de dispositivos electrónicos como computadoras y teléfonos móviles, se ha convertido en una respuesta esencial ante el envejecimiento de la población mundial. Se prevé que para 2050, el porcentaje de personas mayores de 60 años aumente del 12% al 22%. Este fenómeno plantea desafíos significativos para los adultos mayores con enfermedades crónicas, quienes enfrentan dificultades para acceder a atención médica debido a las largas distancias que deben recorrer.
La crisis sanitaria provocada por la COVID-19 ha acelerado la adopción de la telesalud, facilitando una mejora en la prestación de servicios médicos. Según investigaciones recientes, aproximadamente el 90% de los pacientes y cuidadores expresan sentirse más seguros con las citas virtuales en comparación con las visitas presenciales. Esto resalta la creciente importancia de este modelo para mejorar tanto la accesibilidad como la confianza en la atención médica.
En particular, la telesalud ha demostrado ser ventajosa en el campo de la fisioterapia remota. Esta modalidad se centra en diagnosticar y tratar deficiencias que afectan las actividades funcionales del paciente. La fisioterapia incluye ejercicios esenciales para su rehabilitación, cuya correcta ejecución permite a los terapeutas ajustar los tratamientos según sea necesario. Sin embargo, las limitaciones en duración y frecuencia de las sesiones pueden dificultar que los pacientes sigan sus regímenes terapéuticos.
El estudio presenta un sistema capaz de clasificar ejercicios fisioterapéuticos para brazos utilizando PoseNet, una red neuronal convolucional diseñada para capturar y analizar movimientos humanos en tiempo real. Este sistema proporciona datos detallados sobre postura y movimiento, combinando modelos avanzados que integran múltiples algoritmos de aprendizaje automático para mejorar su precisión.
Durante el entrenamiento del sistema, se emplearon clasificadores basados en árboles como Random Forest (RF), Extra Tree Classifier (ETC), XGBoost y LightGBM. El análisis reveló que Random Forest es particularmente efectivo para reconocer ejercicios debido a su capacidad para manejar diversas clases sin caer en el sobreajuste, logrando una precisión del 98.2%.
Además, se desarrollaron modelos combinados como RandomLightHist Fusión y StackedXLightRF, destacándose el primero con una precisión impresionante del 99.6%, superando a los clasificadores individuales gracias a la sinergia entre Hist Gradient Boosting (HGB), LightGBM (LGBM) y RF. Este rendimiento resalta no solo su eficacia sino también su adaptabilidad ante variaciones individuales entre pacientes.
Los hallazgos del estudio subrayan cómo estos modelos pueden ajustarse a diferentes tipos de ejercicios y necesidades específicas de cada paciente. Esto tiene implicaciones significativas para los fisioterapeutas al permitirles diseñar programas más efectivos y personalizados. Además, esta tecnología podría reducir la necesidad de supervisión constante por parte de los profesionales, permitiendo a los pacientes realizar ejercicios desde casa con mayor confianza.
| Cifra | Descripción |
|---|---|
| 12% - 22% | Proporción de personas mayores de 60 años proyectada para 2050 |
| 90% | Porcentaje de pacientes que se sienten más seguros con telesalud |
| 98,2% | Precisión del modelo Random Forest (RF) |
| 99,6% | Precisión del modelo combinado RandomLightHist Fusión |
El sistema innovador propuesto tiene la capacidad de clasificar ejercicios fisioterapéuticos utilizando aprendizaje automático y PoseNet, mejorando así los efectos de la telefisioterapia.
La telesalud permite el acceso remoto a servicios médicos, superando barreras como la dificultad para viajar largas distancias, especialmente para una población envejecida con enfermedades crónicas.
La pandemia ha acelerado la adopción de la telesalud, aumentando la confianza de pacientes y cuidadores en las citas virtuales en comparación con las visitas presenciales.
El sistema utiliza PoseNet, una red neuronal convolucional que analiza movimientos del cuerpo humano en tiempo real, junto con clasificadores de aprendizaje automático como Random Forest y otros modelos combinados.
El modelo combinado, llamado RandomLightHist Fusión, mostró una precisión notable del 99.6%, superando a los clasificadores individuales gracias a la sinergia entre múltiples algoritmos.
El sistema permite a los fisioterapeutas diseñar programas de rehabilitación más efectivos y ajustados a las necesidades individuales, reduciendo la necesidad de supervisión constante y permitiendo que los pacientes realicen ejercicios en casa con confianza.