Metodología de detección de anomalías en personas con esclerosis múltiple

Abstract

[Resumen] Las terapias personalizadas han demostrado ser capaces de ralentizar la evolución de la esclerosis múltiple, mejorando así la calidad de vida de aquellas personas que la padecen. Sin embargo, en su diseño es fundamental conocer el estado funcional de cada paciente y detectar cuanto antes los cambios que ocurran en él. Dados los inconvenientes de las técnicas tradicionales de evaluación, estudios recientes han propuesto monitorizar la marcha de los pacientes, para así poder extraer indicadores relevantes y ayudar a los especialistas en dicha labor. En este estudio, se propone una metodología basada en técnicas de aprendizaje automático, cuyo objetivo es detectar los cambios en el estado funcional de las personas con esclerosis múltiple, partiendo de los datos que proporciona una contera sensorizada. Teniendo en cuenta la variabilidad que existe entre pacientes, el diseño propuesto se centra en un enfoque individualizado, que caracteriza el estado de cada individuo utilizando sus propios datos. La metodología propuesta ha sido validada en tres personas con esclerosis múltiple, obteniendo un porcentaje de aciertos medio del 88.9 %.

[Abstract] Personalized therapies have proven to be effective in slowing the progression of multiple sclerosis, thereby improving the quality of life of those people suffering from it. However, the design of such therapies requires knowledge of the patient’s functional state and early detection of changes that may occur. Given the drawbacks of traditional assessment techniques, recent studies have proposed monitoring patients’ gait in order to extract relevant indicators and assist specialists in this task. Given this situation, this study proposes a machine learning-based methodology, which aims to detect changes in the functional state of people with multiple sclerosis based on the data provided by a sensorized tip. Taking into account the variability that exists among patients, the proposed design focuses on an individualized approach, which characterizes the state of each individual using only his/her own data. The proposed methodology has been validated in three people with multiple sclerosis, obtaining an average accuracy of 88.9 %.