El futuro del cuidado a los mayores ya está aquí

Cumplir años es una faceta inevitable en nuestras vidas, y dado que la sociedad está tendiendo a ser cada vez más longeva los cuidados específicos están tomando mucha más importancia. Poder ofrecer un servicio de calidad y con seguridad es un objetivo común, y en relación con este ámbito, son cada vez más los dispositivos que están apareciendo en el mercado y que están permitiendo automatizar y simplificar estos cuidados. Cada vez son más las empresas que están diseñando su suite de productos orientados al caregiving y que ofrecen soluciones integrales de monitorización para personas dependientes, así como asistencia las 24 horas del día. El resultado natural de la implantación de estos dispositivos es un gran aumento en la cantidad de datos recopilados, y esos son precisamente los mejores cimientos que podemos encontrar para poder aplicar machine learning.

Entendemos como machine learning a la disciplina dentro de la inteligencia artificial la cual dota a los ordenadores, a través de algoritmos, de la capacidad para identificar patrones en grandes volúmenes de datos y realizar predicciones.

 Son muchos los artículos [1][2][3] que detallan las distintas técnicas y algoritmos usados en casos reales, pero casi todos siguen las mismas líneas: el uso de aprendizaje automático para el reconocimiento de patrones de comportamiento mediante el uso de cámaras y sensores ambientales. Podemos encontrar fuentes de datos de todo tipo.

• Cámaras que siguen la silueta de la persona.

• Cámaras térmicas para detectar variaciones en las temperatura.

• Sensores de tarjetas IC para las llaves con el fin de reconocer si estas han sido colocadas en el lugar correspondiente.

• Sensores piezoeléctricos en la cama para identificar movimientos y diferencias de presión

• Acelerómetros en la almohada.

• Sensores de movimiento a las entradas de las estancias.

• Escáneres láser.

• Pulseras de actividad que midan la frecuencia cardíaca, saturación de oxígeno…

Sensores colocados en cama, almohada y frigorífico; y sensor de movimiento. (https://www.thinkmind.org/articles/ambient_2018_1_30_40012.pdf )

A partir de estos datos, se entrenan distintos algoritmos de machine learning orientados a predecir los comportamientos habituales de los usuarios. De esta forma, acciones rutinarias como son el despertarse e ir a la cocina a desayunar, utilizar el baño o salir a dar un paseo, pasan a ser controladas con cierta flexibilidad con el fin de identificar eventos que se salgan de lo que se debería de considerar normal. Algunos de los algoritmos que se pueden utilizar son Gaussian Naive Bayes, AdaBoost, k-Nearest Neighbor, Stochastic Gradient Descent, Support Vector Machines, Logistic Regression, Gradient Boosting Decision Tree o Random Forest. [4] Sin embargo, la cantidad de información es un factor diferencial a la hora de aplicar técnicas de inteligencia artificial. Es por ello que existen datasets (bancos de datos) ya generados y que permiten sentar una base para entrenar los algoritmos. Con esta base, y con la particularización que se aplica a cada usuario individual (a través de la recolección de sus propios datos), se adaptan los algoritmos para controlar el comportamiento esperado.

El fin de estos algoritmos es tan variado como se quiera, y sus utilidades también varían en función de las necesidades que tengan sus usuarios.

• Alerta si el usuario sale del domicilio y no regresa en un tiempo determinado.

• Alerta indicativa de una posición anómala del usuario (por ejemplo, si la persona está tumbada o en el suelo, lo cual puede indicar una caída).

• Alerta por un cambio en el número o la duración de las visitas al baño (puede indicar una infección del tracto urinario o deshidratación).

• Alerta por un comportamiento errante del usuario.

• Alerta por movimientos anómalos de una pulsera de actividad (por ejemplo, no se detecta que el usuario haya comido).

Secuencia de actividades, con la secuencia A1-A2 marcada en amarillo. (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8840439/)

Sí que es cierto que en este punto aparecen ciertos aspectos a tener en cuenta. Por un lado, son muchos los usuarios que, ya sea por criterios personales o simplemente por privacidad no están dispuestos a estar sometidos a un sistema de vigilancia por vídeo durante todo el día, pese al beneficio que este puede brindarles y a que las leyes de protección de datos amparan la anonimidad de su información. En otros casos, los aspectos culturales juegan también un papel fundamental. CarePredict [5], un dispositivo portátil que detecta los movimientos al comer, no se ha ajustado para personas que comen con palillos en lugar de tenedores pese a su lanzamiento en Japón, y esto es algo que está en su lista de tareas pendientes. SafelyYou [6] instaló un sistema de detección de caídas para sus 23 apartamentos, y pese a que el sistema ha reducido los viajes al hospital en un 80% al detectar todas las caídas que conoce, también ha generado falsas alarmas en ocasiones en las que la persona está por ejemplo en el suelo rezando.

Sin embargo, son también muchos los casos de éxito como el de Kellye de 85 años [7] el cual ha pasado a ser dependiente, y cuya hija Franklin recibe alertas gracias a los sensores de movimiento conectados con un sistema de inteligencia artificial en su casa en caso de que el comportamiento de su padre muestre algún patrón extraño.

Bibliografía

[1] Identifying and Monitoring the Daily Routine of Seniors Living at Home

[2] Daily Life Monitoring System with Behavior Pattern Recognition Using Ambient Sensors

[3] Framework for an Intelligent Affect Aware Smart Home Environment for Elderly People

[4] Métodos de clasificación

[5] CarePredict

[6] SafelyYou

[7] The future of elder care is here – and it’s artificial intelligence