Evaluación de la movilidad de pacientes crónicos complejos mediante dispositivos de seguimiento para su valoración pronóstica

Abstract

Los Pacientes Crónicos Complejos (PCC) se caracterizan por ser pacientes de edad avanzada con enfermedades limitantes y progresivas, polifarmacia y deterioro funcional, generando una mayor demanda asistencial y un mayor uso de recursos sanitarios y sociales. El deterioro funcional es uno de los factores pronósticos más determinantes en estos pacientes, ya que podría indicar progresión de la enfermedad. El Índice de Barthel (IB) es una herramienta de valoración esencial para evaluar la capacidad funcional y pronóstica de los PCC. Este estudio tiene como objetivo desarrollar y validar modelos de Machine Learning para predecir cambios en la capacidad funcional de PCC utilizando un dispositivo wearable comercial. El objetivo de este estudio prescriptivo es analizar los patrones de movilidad según los diferentes grados de dependencia determinados por el IB, utilizando un dispositivo comercial de seguimiento de actividad. Se incluyeron un total de 50 pacientes, categorizados en tres grupos según sus puntuaciones de IB (A-B-C). Los datos sobre los patrones de movilidad se analizaron mediante técnicas de aprendizaje automático, y se utilizó un algoritmo de aprendizaje supervisado para estimar el grupo IB basándose en un conjunto de variables derivadas de los datos del wearable. Se creó un árbol de decisión para determinar qué patrones de movilidad caracterizaban a los tres grupos de pacientes. Los resultados de este estudio mostraron que el método propuesto se puede utilizar para distinguir entre diferentes niveles de dependencia funcional en PCC, y podría ayudar a los profesionales sanitarios a adaptar la prestación sanitaria para estos pacientes, lo que llevaría a una atención más personalizada y eficaz.

Complex Chronic Patients (CCP) are characterized by elderly patients with limiting and progressive diseases, polypharmacy, and functional impairment, generating greater demand for healthcare and greater use of health and social resources. Functional impairment is one of the most determinant prognostic factors in these patients as it could indicate disease progression. The Barthel Index (BI) is an essential assessment tool for evaluating the functional and prognostic capacity of CCP. This study aims to develop and validate Machine Learning models to predict changes in CCP's functional capacity using a commercial wearable device. The aim of this prescriptive study is to analyze mobility patterns according to the different degrees of dependency determined by the BI, using a commercially available activity tracking device. A total of 50 patients were included, categorized into three groups according to their BI scores (A-B-C). The data on mobility patterns were analyzed using Machine Learning techniques, and a supervised learning algorithm was used to estimate the BI group based on a set of variables derived from the activity tracker data. A decision tree was created to determine which mobility patterns characterized the three patient groups. This study's results showed that the proposed method can be used to distinguish between different levels of functional dependence in CCP, and it could help healthcare professionals adapt healthcare provision for these patients, leading to more personalized and effective care.