El aprendizaje automático podría ser el componente clave en el desarrollo de sistemas efectivos de detección temprana que identifiquen la fragilidad en australianos de mediana edad y mayores.
Con evidencia creciente que muestra que el deterioro fisiológico más adelante en la vida no es una parte inevitable del envejecimiento, los investigadores de la Universidad de Flinders han evaluado si los modelos de aprendizaje automático son adecuados para predecir la fragilidad previa como parte de las evaluaciones de salud en las primeras indicaciones de inicio, cuando la intervención podría ayudar a retrasar la progresión a la fragilidad.
En Australia, entre el 35% y el 45% de las personas entre 40 y 75 años son prefrágiles. A medida que aumenta la esperanza de vida promedio y la población envejece, también aumenta la cantidad de australianos en riesgo de convertirse en prefrágiles o frágiles, lo que contribuye a una morbilidad y mortalidad significativas, así como a un aumento de los costos de atención médica .
Esta tendencia también está ocurriendo a nivel mundial con una revisión sistemática reciente que muestra un alto riesgo de fragilidad y prefragilidad en adultos en 28 países.
Los investigadores Dr. Shelda Sajeev (Sistemas de información empresarial, Centro de investigación de inteligencia artificial, Universidad de Torrens) y Dr. Stephanie Champion, dirigidos por la profesora Sue Gordon, directora de investigación de ARIIA, de la Facultad de enfermería y ciencias de la salud de Flinders, realizaron un análisis exhaustivo de datos de evaluación de la salud de 656 adultos en el sur de Australia y evaluó la precisión del aprendizaje automático (ML) para predecir la fragilidad previa.
Los modelos ML, basados en los datos recopilados mediante herramientas validadas de evaluación de la fragilidad, pudieron identificar un índice de masa corporal (IMC) más alto, una masa muscular más baja, una peor fuerza de agarre y equilibrio, niveles más altos de angustia, mala calidad del sueño, dificultad para respirar e incontinencia, como problemas médicos relacionados con la clasificación como prefrágil.
«El análisis de aprendizaje automático identificó medidas clave de evaluación de la salud que contribuyen al cambio entre no frágil y prefrágil, según se define mediante el fenotipo de fragilidad de Fried y la escala de fragilidad clínica.
«El uso de ML ha identificado diferentes categorizaciones entre participantes no frágiles y prefrágiles que el análisis estadístico que sugiere que los enfoques de ML pueden exponer problemas casuales más sutiles que no se pudieron identificar con el análisis estadístico estándar «, dice la autora principal, la Dra. Shelda Sajeev.
La fragilidad es el resultado de exposiciones acumulativas, y muchos de los precursores se manifiestan antes de la mediana edad.
Los expertos dicen que existe la oportunidad de intervenir para reducir los resultados adversos durante el período previo a la fragilidad, pero los primeros indicadores de una transición a la fragilidad a menudo se detectan demasiado tarde.
«La prefragilidad es un período de transición en el que las personas a menudo no saben que están acumulando déficits, de ahí la necesidad de realizar pruebas de detección para identificar oportunidades para revertir pequeños déficits susceptibles de cambio», dice la Dra. Stephanie Champion.
«Es importante que desarrollemos sistemas efectivos para identificar la prefragilidad porque el síndrome está relacionado con deficiencias en múltiples sistemas fisiológicos y da como resultado una menor resiliencia, una mayor vulnerabilidad a los factores estresantes, peores resultados de salud y una mayor morbilidad y mortalidad».
El trabajo se publica en la revista BMC Geriatrics.
Referencia:
- Shelda Sajeev et al, Machine learning models for identifying pre-frailty in community dwelling older adults, BMC Geriatrics (2022). DOI: 10.1186/s12877-022-03475-9
