Crédito: Dominio público de Pixabay/CC0
En un estudio publicado En la revista Information Systems Research, Shuo Yu de la Universidad de Texas Tech y sus colaboradores desarrollaron un modelo de aprendizaje automático generativo para detectar inestabilidad antes de que ocurra una caída. La esperanza es que el modelo pueda funcionar dentro de los dispositivos de detección de otoño, como los chalecos de airbag anti-caza o los sistemas de alerta médica, para minimizar las lesiones, aumentar la efectividad de la respuesta a emergencias y reducir los costos médicos.
“Puede tratar esto como una especie de IA (inteligencia artificial)”, dijo Yu, profesor de sistemas de información de gestión en el área de sistemas de información y ciencias cuantitativas en el Jerry S. Rawls College of Business. “Detecta su estado de mudanza y predice si va a haber una caída. Puede ayudar a mitigar las lesiones automáticamente”.
Para crear el modelo, Yu y sus colaboradores trabajaron dentro de dos conjuntos de datos disponibles públicamente que utilizaron dispositivos de sensor de movimiento portátil para monitorear casi 2,000 caídas. Se peinan a través de los conjuntos de datos y etiquetaron puntos de datos individuales. Luego agruparon esos puntos en fragmentos y determinaron tres estados ocultos de una caída: colapso, impacto e inactividad.
Piense en un ascensor. Una persona de pie en un automóvil de ascensor está en un estado normal. Se presiona el botón y las puertas se cierran. Con la repentina aceleración ascendente del ascensor, hay una ligera pérdida de peso. Este sentimiento inmediato, milisegundos en el viaje, es la fase de colapso.
Esa pérdida de peso ocurre en Falls, y es exactamente donde Yu y su equipo centraron su atención.
“Esos milisegundos son lo que importa”, dijo Yu. “Necesita tiempo para que los datos procesen e inflen las bolsas de aire o activen otros equipos de protección. Todos esos milisegundos importan cuando intenta mejorar este proceso”.
En lugar de seguir gran parte de la investigación pasada que se basó en modelos simples basados en reglas, Yu y sus colaboradores crearon un nuevo modelo que incluye un modelo de Markov oculto con una red adversaria generativa (HMM-Gan).
HMM es un modelo estadístico para comprender secuencias a lo largo del tiempo y consta de dos tipos de variables: observaciones y estados ocultos. En este caso, los datos de movimiento se usaron para marcar las observaciones y los estados ocultos.
Gan es un modelo de aprendizaje automático que consta de dos partes: un generador que intenta crear datos falsos realistas y un discriminador que intenta notar la diferencia entre datos reales y falsos.
Combinado, Hmm-Gan trabaja para comprender cómo se ve una caída en forma de fragmentos de datos, incluso si los movimientos y fases varían bastante de persona a persona. También trata de predecir cuándo es probable que alguien caiga en función de los patrones de movimiento recientes.
En cuatro experimentos, el modelo HMM-Gan predijo con precisión caídas y lo hizo más rápido, superando los marcos anteriores.
Para las personas mayores y sus familias, este nuevo modelo podría proporcionar una mayor tranquilidad, sabiendo que los dispositivos de detección de otoño podrían desplegarse más rápido. Los investigadores señalan que los hospitales u otras instalaciones donde las caídas de los pacientes son comunes también se beneficiarían de este nuevo modelo.
Los investigadores realizaron un estudio de caso simple para ver cómo su modelo podría reducir las caídas catastróficas de las personas mayores y cualquier costo médico posterior. El resultado fue más de $ 33 millones de beneficios económicos sobre los modelos competidores.
“Me siento muy feliz al ver estos resultados”, dijo Yu. “Todavía es una prueba de concepto, pero si este trabajo puede conducir a futuras investigaciones en departamentos de ingeniería o campos relacionados y puede convertirse en productos reales, eso sería el mejor”.
Yu también espera que su trabajo pueda disminuir algunas de las ansiedades que rodean la IA.
“Creo que ese es el futuro de la salud”, dijo. “Ya tenemos componentes de IA en nuestras vidas como ChatGPT. Creo que, en el futuro, este tipo de dispositivo puede surgir y mejorar vidas de manera física”.
Más información: Shuo Yu et al, Prevención de caída basada en el sensor de movimiento para el cuidado de la tercera edad: un modelo de Markov oculto con un enfoque generativo de red adversas, Investigación de sistemas de información (2023). Doi: 10.1287 / isre.201.1203
Proporcionado por Texas Tech University
Cita: el investigador desarrolla un modelo de aprendizaje generativo para predecir las caídas (2025, 11 de julio) recuperado el 11 de julio de 2025 de https://techxplore.com/news/2025-07-generative-falls.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
