O futuro dos cuidados aos idosos já está aqui

Envelhecer é uma faceta inevitável das nossas vidas, e à medida que a sociedade tende a envelhecer cada vez mais, os cuidados específicos estão a tornar-se cada vez mais importantes. Ser capaz de oferecer um serviço de qualidade e seguro é um objetivo comum e, nesta área, estão a aparecer no mercado cada vez mais dispositivos que tornam possível automatizar e simplificar este cuidado. Cada vez mais empresas estão a conceber o seu conjunto de produtos orientados para a prestação de cuidados e a oferecer soluções de monitorização completas para pessoas dependentes, bem como assistência 24 horas por dia. O resultado natural da implementação destes dispositivos é um enorme aumento da quantidade de dados recolhidos, e estes são precisamente os melhores alicerces que podemos encontrar para poder aplicar machine learning.

Entendemos machine learning como sendo a disciplina dentro da inteligência artificial que dá aos computadores, através de algoritmos, a capacidade de identificar padrões em grandes volumes de dados e de fazer previsões.

Há muitos artigos [1][2][3] que detalham as diferentes técnicas e algoritmos utilizados em casos reais, mas quase todos seguem as mesmas linhas: a utilização da aprendizagem automática para o reconhecimento de padrões de comportamento através da utilização de câmaras e sensores ambientais. Podemos encontrar fontes de dados de todos os tipos.

• Câmaras que seguem a silhueta da pessoa.
• Câmaras térmicas para detetar variações de temperatura.
• Sensores de cartão IC para chaves para reconhecer se as chaves foram colocadas no local certo.
• Sensores piezoelétricos na cama para identificar movimentos e diferenças de pressão.
• Acelerómetros no travesseiro.
• Sensores de movimento nas entradas das salas.
• Scanners laser.
• Pulseiras de atividade que medem o ritmo cardíaco, a saturação de oxigénio...

Sensores colocados na cama, almofada e frigorífico; e sensor de movimento. (https://www.thinkmind.org/articles/ambient_2018_1_30_40012.pdf )

Com base nestes dados, treinam-se diferentes algoritmos de machine learning para prever os comportamentos habituais dos utilizadores. Desta forma, ações de rotina como acordar e ir à cozinha para o pequeno-almoço, usar a casa de banho ou ir dar um passeio, são controladas com um certo grau de flexibilidade, a fim de identificar eventos que estão fora do que deve ser considerado normal. Alguns dos algoritmos que podem ser utilizados são Gaussian Naive Bayes, AdaBoost, k-Nearest Neighbor, Stochastic Gradient Descent, Support Vector Machines, Logistic Regression, Gradient Boosting Decision Tree ou Random Forest. [4] No entanto, a quantidade de informação é um fator diferencial na aplicação de técnicas de inteligência artificial. É por isso que já existem datasets (bancos de dados) gerados que permitem uma base para a formação dos algoritmos a estabelecer. Com esta base, e com a particularização aplicada a cada utilizador individual (através da recolha dos seus próprios dados), os algoritmos são adaptados para controlar o comportamento esperado.

A finalidade destes algoritmos é tão variada quanto se queira, e as suas utilidades também variam de acordo com as necessidades dos seus utilizadores.

• Alertar se o utilizador abandonar a casa e não regressar dentro de um determinado período de tempo.

• Alerta para uma posição anormal do utilizador (por exemplo, se a pessoa estiver deitada ou no chão, o que pode indicar uma queda).

• Alerta para uma alteração no número ou duração das visitas à casa de banho (pode indicar uma infeção ou desidratação do trato urinário).

• Alerta de comportamento errante do utilizador.

• Alerta para movimentos anómalos de uma pulseira de atividade (por exemplo, não se detecta que o utilizador tenha comido).

  .

Sequência de atividades, com a sequência A1-A2 marcada a amarelo. (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8840439/)

É verdade que neste momento há certos aspetos a ter em conta. Por um lado, há muitos utilizadores que, por razões pessoais ou simplesmente por razões de privacidade, não estão dispostos a ser sujeitos a um sistema de videovigilância durante todo o dia, apesar dos benefícios que este lhes pode oferecer e do facto de as leis de proteção de dados protegerem o anonimato das suas informações. Noutros casos, os aspetos culturais também desempenham um papel fundamental. CarePredict [5], um dispositivo que deteta os movimentos alimentares, não foi ajustado para pessoas que comem com pauzinhos em vez de garfos, apesar do seu lançamento no Japão, e isto está na sua lista de afazeres. SafelyYou [6] instalou um sistema de deteção de quedas para os seus 23 apartamentos, e embora o sistema tenha reduzido em 80% as viagens para o hospital através da deteção de todas as quedas conhecidas, também gerou falsos alarmes em ocasiões em que a pessoa está, por exemplo, no chão a rezar.

Contudo, há também muitas histórias de sucesso como a de Kellye [7], de 85 anos, que se tornou dependente, e cuja filha Franklin é alertada por sensores de movimento ligados a um sistema de inteligência artificial na sua casa, se o comportamento do seu pai mostrar quaisquer padrões estranhos.

Bibliografia

[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