Construcción de un prototipo de registro de caídas basado en machine learning para mayores institucionalizados
Resumen
Introducción.Las caídas en personas mayores institucionalizadas representan un problema de salud pública subestimado, asociado a discapacidad, dependencia y mortalidad. En Chile, la ausencia de registros estandarizados en Establecimientos de Larga Estadía para Adultos Mayores (ELEAM) limita la prevención efectiva. Este estudio tuvo como objetivo diseñar un prototipo de sistema digital de registro de caídas basado en Aprendizaje Automático / Machine Learning (ML)para su implementación en Establecimientos de Larga Estadía para Adultos Mayores (ELEAM). Metodología. Se empleó la metodología de diseño de doble diamante en cuatro fases: identificación de actores y levantamiento de información mediante entrevistas cualitativas; análisis de causas y priorización de ideas con matrices AHP y Pugh; diseño conceptual y generación del Producto Mínimo Viable (PMV); y elaboración de prototipos para validación de usabilidad. Resultados. Se evidenció una gran heterogeneidad en los registros actuales y ausencia de análisis posterior de datos. Se desarrolló un PMV que incluye un formulario de registro de caídas, visualización de medidas preventivas, perfiles de usuario diferenciados y herramientas educativas. El sistema fue validado internamente por cuidadores, directivos y profesionales de salud en ELEAM. Discusión. El uso de ML permitiría automatizar el análisis de datos y personalizar medidas preventivas. El diseño participativo y el enfoque preventivo fueron claves para su aceptabilidad. Conclusiones. El prototipo desarrollado tiene potencial para optimizar el registro de caídas en ELEAM, mejorar la prevención y fortalecer la atención en personas mayores institucionalizadas.
Referencias bibliográficas
1. World Health Organization. Ageing and health [Internet]. Ginebra: WHO; 2022. Recuperado a partir de: https://www.who.int/news-room/fact-sheets/detail/ageing-and-health
2. Gutiérrez-Murillo RS. Population Aging in Latin America: A Salutogenic Understanding is Needed. Eur J Environ Public Health [Internet]. 2022;6(2):em0121. doi: https://doi.org/10.21601/ejeph/12322
3. Ghasemi H, Kharaghani MA, Golestani A, Najafi M, Khosravi S, Malekpour MR, et al. The national and subnational burden of falls and its attributable risk factors among older adults in Iran from 1990 to 2021: findings from the global burden of disease study. BMC Geriatr [Internet]. 2025;25(1):253. doi: https://doi.org/10.1186/s12877-025-05909-6
4. World Health Organization. Falls [Internet]. Ginebra: WHO; 2021. Recuperado a partir de: https://www.who.int/news-room/fact-sheets/detail/falls
5. Shao L, Shi Y, Xie XY, Wang Z, Wang ZA, Zhang JE. Incidence and Risk Factors of Falls Among Older People in Nursing Homes: Systematic Review and Meta-Analysis. J Am Med Dir Assoc [Internet]. 2023;24(11):1708–1717. doi: https://doi.org/10.1016/j.jamda.2023.06.002
6. Stefanacci RG, Wilkinson JR. Falls in Older Adults. MSD Manual Professional Edition. [Internet]. 2023. Recuperado a partir de: https://www.msdmanuals.com/professional/geriatrics/falls-in-older-adults/falls-in-older-adults
7. Campiño-Valderrama SM, Serna-Zuluaga AS, Ayala IC. Riesgo de caídas y su relación con la capacidad física y cognitiva, en una residencia de adultos mayores de Santiago de Chile. Cultura del Cuidado [Internet]. 2020;17(2):61-74. doi: https://doi.org/10.18041/1794-5232/cultrua.2020v17n2.7658
8. Gillespie LD, Robertson MC, Gillespie WJ, Sherrington C, Gates S, Clemson LM, et al. Interventions for preventing falls in older people living in the community. Cochrane Database Syst Rev [Internet]. 2012;(9):CD007146. doi: https://doi.org/10.1002/14651858.cd007146.pub3
9. Tiwari P, Colborn KL, Smith DE, Xing F, Ghosh D, Rosenberg MA. Assessment of a Machine Learning Model Applied to Harmonized Electronic Health Record Data for the Prediction of Incident Atrial Fibrillation. JAMA Netw Open [Internet]. 2020;3(1):e1919396. doi: https://doi.org/10.1001/jamanetworkopen.2019.19396
10. Shao L, Wang Z, Xie X, Xiao L, Shi Y, Wang ZA, et al. Development and External Validation of a Machine Learning–based Fall Prediction Model for Nursing Home Residents: A Prospective Cohort Study. J Am Med Dir Assoc [Internet]. 2024;25(9):105169. doi: https://doi.org/10.1016/j.jamda.2024.105169
11. Islam M, Tayan O, Islam R, Islam S, Nooruddin S, Nomani-Kabir M, et al. Deep Learning Based Systems Developed for Fall Detection: A Review. IEEE Access [Internet]. 2020;8:166117–37. doi: https://doi.org/10.1109/ACCESS.2020.3021943
12. Stevens JA, Phelan EA. Development of STEADI: A fall prevention Resource fot Health Care Providers. Health Promot Pract [Internet]. 2013;14(5):706–14. doi: https://doi.org/10.1177/1524839912463576
13. Lin C C, Meardon S, O’Brien K. The predictive validity and clinical application of Stopping Elderly Accidents, Deaths & Injuries (STEADI) for fall risk screening. Adv Geriatr Med Res [Internet]. 2022;4(3), e220008. doi: https://doi.org/10.20900/agmr20220008
14. Marín-Úbeda J. Diseño y desarrollo de una app de monitorización geoespacial para la supervisión de personas dependientes. [Tesis de Grado]. Valencia: Universidad de Alicante [Internet]. 2023. Recuperado a partir de: https://rua.ua.es/entities/publication/1cd22bf1-46bc-4d98-945a-957e5a34feb7
15. Linnerud S, Hartford-Kvael LA, Graverholt B, Idland G, Taraldsen K, Brovold T. Stakeholder development of an implementation strategy for fall prevention in Norwegian home care – a qualitative co-creation approach. BMC Health Serv Res [Internet]. 2023;23:1390. doi: https://doi.org/10.1186/s12913-023-10394-x
16. Borra P. The Transformative Role of Microsoft Azure AI in Healthcare. Int J Emerg Trends Eng Res [Internet]. 2024;12(7):108–13. doi: https://doi.org/10.30534/ijeter/2024/021272024 17.
17. Kadayat Y, Sharma S, Agarwal P, Mohan S. Internet-of-Things Enabled Smart Health Monitoring System Using AutoAI: A Graphical Tool of IBM Watson Studio. Communication Technologies and Security Challenges in IoT [Internet]. 2024:427-45. doi: https://doi.org/10.1007/978-981-97-0052-3_21
18. Fragoso-Mendoza MI, Dávila-Mendoza R, López-Ortiz G. Importancia y uso de guías para reportar los principales tipos de estudio en investigación médica. Cir Cir [Internet]. 2023;91(2):277-283. doi: http://dx.doi.org/10.24875/CIRU.22000122
19. Beninho SG. Análisis de la arquitectura institucional del servicio nacional de adultos mayores (SENAMA): una mirada hacia protección social de la vejez en Chile [Tesis de Grado]. Santiago, Chile: Universidad de Chile - Facultad de Ciencias Físicas y Matemáticas. [Internet]. 2017. Recuperado a partir de: https://repositorio.uchile.cl/handle/2250/150604
20. Majka M. Mastering Product Development with the Double Diamond Framework. ResearchGate [Internet]. 2024. Recuperado a partir de: https://www.researchgate.net/publication/384691492_Mastering_Product_Development_with_the_Double_Diamond_Framework
21. Wang X, Huang Z, Xu T, Li Y, Qin X. Exploring the Future Design Approach to Ageing Based on the Double Diamond Model. Systems [Internet]. 2023;11(8):404. doi: https://doi.org/10.3390/systems11080404
22. Arcia A, Stonbraker S, Mangal S, Lor M. A Practical Guide to Participatory Design Sessions for the Development of Information Visualizations: Tutorial. J Particip Med [Internet]. 2024;16:e64508. doi: https://doi.org/10.2196/64508
23. Stevenson R, Burnell D, Fisher G. The Minimum Viable Product (MVP): Theory and Practice. J Manag [Internet]. 2024;50(8):3202–31. doi: https://doi.org/10.1177/01492063241227154
24. Cook DA, Bikkani A, Poterucha-Carter MJ. Evaluating education innovations rapidly with build-measure-learn: Applying lean startup to health professions education. Med Teach [Internet]. 2023;45(2):167–78. doi: https://doi.org/10.1080/0142159X.2022.2118038
25. Solomon DH, Rudin RS. Digital health technologies: opportunities and challenges inrheumatology. Nat Rev Rheumatol [Internet]. 2020;16:525–35. doi: https://doi.org/10.1038/s41584-020-0461-x
26. Leiva-Caro JA. Relación entre competencia, usabilidad, ambiente y caídas en el adulto mayor [Tesis de Doctorado]. Nuevo León: Universidad Autónoma de Nuevo León [Internet]. 2013. Recuperado a partir de: http://eprints.uanl.mx/3525/
27. Fernandes C, Miles S, Pereira-Lucena CJ. Detecting False Alarms by Analyzing Alarm-Context Information: Algorithm Development and Validation. JMIR Med Inform [Internet]. 2020;8(5):e15407. doi: https://doi.org/10.2196/15407
28. Zorzetti M, Signoretti I, Salerno L, Marczak S, Bastos R. Improving Agile Software Development using User-Centered Design and Lean Startup. Inf Softw Technol [Internet]. 2022;141:106718. doi: https://doi.org/10.1016/j.infsof.2021.106718
29. Kamel-Rahimi A, Pienaar O, Ghadimi M, Canfell OJ, Pole JD, Shrapnel S, et al. Implementing AI in Hospitals to Achieve a Learning Health System: Systematic Review of Current Enablers and Barriers. J Med Internet Res [Internet]. 2024;26:e49655. doi: https://doi.org/10.2196/49655
30. Cahoolessur DK, Rajkumarsingh B. Fall Detection System using XGBoost and IoT. R&D Journal [Internet]. 2020;(36):8-18. doi: https://doi.org/10.17159/2309-8988/2020/v36a2
31. Kang CW, Yan ZK, Tian JL, Pu XB, Wu LX. Constructing a fall risk prediction model for hospitalized patients using machine learning. BMC Public Health [Internet]. 2025;25:242. doi: https://doi.org/10.1186/s12889-025-21284-8
32. Jahandideh S, Hutchinson AF, Bucknall TK, Considine J, Driscoll A, Manias E, et al. Using machine learning models to predict falls in hospitalised adults. Int J Med Inform [Internet]. 2024;187:105436. doi: https://doi.org/10.1016/j.ijmedinf.2024.105436
Descargas
Derechos de autor 2025 MedUNAB
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
