Investigador de FUNIBER desarrolla un sistema inteligente para mejorar la eficacia de la telefisioterapia

El Dr. Álvaro Velarde Sotres, coordinador internacional del Área de Deporte de la Fundación Universitaria Iberoamericana (FUNIBER), participa en un estudio que desarrolla un sistema inteligente capaz de clasificar ejercicios fisioterapéuticos utilizando PoseNet y aprendizaje automático, con el fin de mejorar la efectividad de la telefisioterapia. 

La telesalud se refiere a la provisión de servicios médicos, como diagnósticos, consultas y educación, mediante el uso de dispositivos electrónicos como computadoras, portátiles y teléfonos móviles. Este método responde a las necesidades de una población mundial que está envejeciendo, con un aumento proyectado en el porcentaje de personas mayores de 60 años, del 12% al 22% para 2050. Para los adultos mayores con enfermedades crónicas, el esfuerzo físico de viajar largas distancias para recibir atención médica representa un desafío significativo. La telesalud ofrece una solución crucial al permitir el acceso remoto a los servicios médicos, superando estas barreras.

La pandemia de COVID-19 ha acelerado la adopción de la telesalud, mejorando la prestación de servicios. Investigaciones indican que aproximadamente el 90% de los pacientes y cuidadores se sienten más seguros con las citas de telesalud en comparación con las visitas presenciales, subrayando su creciente importancia para mejorar la accesibilidad a la atención médica y la confianza del paciente.

La telesalud ha demostrado ser ventajosa para la fisioterapia a distancia, enfocada en diagnosticar y tratar deficiencias que afectan las actividades funcionales. La fisioterapia generalmente incluye ejercicios esenciales para la rehabilitación del paciente. La ejecución precisa y constante de estos ejercicios permite a los terapeutas ajustar el tratamiento según sea necesario. Tradicionalmente, la fisioterapia implica una interacción directa con los terapeutas que guían a los pacientes para corregir errores en los ejercicios. Sin embargo, la duración y frecuencia de las sesiones pueden dificultar la adherencia de los pacientes a sus regímenes. La fisioterapia remota mediante telesalud aborda estos problemas al proporcionar apoyo y monitoreo continuos, mejorando así la participación del paciente y el cumplimiento de los ejercicios prescritos. 

En este contexto, el estudio desarrolló un sistema innovador para clasificar los ejercicios fisioterapéuticos de brazo. Utilizando PoseNet, una red neuronal convolucional que captura y analiza los movimientos del cuerpo humano en tiempo real, proporcionando datos detallados sobre la postura y el movimiento, combinada con modelos de ensamble, que combinan múltiples algoritmos de aprendizaje automático para mejorar la precisión, el sistema puede clasificar los ejercicios de manera más eficiente y precisa que los métodos tradicionales. 

Para el entrenamiento del sistema se utilizaron clasificadores de aprendizaje automático basados en árboles, como Random Forest (RF), Extra Tree Classifier (ETC), XGBoost, LightGBM y Hist Gradient Boosting, por su capacidad de manejar datos complejos y su eficacia en tareas de clasificación multiclase. El análisis de los clasificadores mostró que Random Forest (RF) es adecuado para el reconocimiento de ejercicios debido a su capacidad para manejar diversas clases y evitar el sobreajuste, mostró una precisión del 98,2%. 

Por otro lado, se desarrollaron modelos de clasificación combinados como RandomLightHist Fusión y StackedXLightRF, sobresaliendo el primero con una precisión notable del 99,6%, superando a los clasificadores individuales. El notable rendimiento de este modelo se debe a la combinación de tres clasificadores potentes: Hist Gradient Boosting (HGB), LightGBM (LGBM) y RF. La sinergia entre estos modelos potencia las capacidades de refuerzo de gradiente y mejora la precisión. Además, el modelo demostró ser robusto frente a variaciones de género, manteniendo su eficacia en diferentes tipos de cuerpo. Estos resultados resaltan la adaptabilidad del modelo en aplicaciones del mundo real. 

El estudio destaca la capacidad de estos modelos para adaptarse a diferentes tipos de ejercicios y a las variaciones individuales de los pacientes. Esto es crucial, ya que permite a los fisioterapeutas diseñar programas de rehabilitación más efectivos y ajustados a las necesidades específicas de cada persona. Además, la implementación de esta tecnología podría reducir la necesidad de supervisión constante por parte de los profesionales, permitiendo a los pacientes realizar ejercicios en casa con confianza.

Si quieres conocer más sobre este estudio, haz clic aquí. 

Para leer más investigaciones, consulta el repositorio de UNEATLANTICO. La Fundación Universitaria Iberoamericana (FUNIBER) promueve diversos programas de estudio, como la Maestría en Actividad Física y Salud. Esta maestría brinda a los profesionales los conocimientos necesarios para desarrollar, evaluar y diseñar pautas de ejercicio físico seguros y beneficiosos adaptados a la situación fisiológica y patológica de cada individuo. ¡No pierdas la oportunidad de formarte en un área en constante crecimiento y contribuir al bienestar de las personas a través de la actividad física!