Evaluación de las capacidades físicas de pacientes con sarcopenia mediante análisis de la marcha y plantillas inteligentes para el desarrollo de biomarcadores digitales

Scientific Reports volumen 13, número de artículo: 10602 (2023) Citar este artículo

485 Accesos

1 altmétrica

Detalles de métricas

El objetivo de este estudio es comparar la importancia de las variables a través de múltiples herramientas de medición y utilizar plantillas inteligentes y análisis de la marcha con inteligencia artificial (IA) para crear variables que puedan evaluar las capacidades físicas de los pacientes con sarcopenia. Al analizar y comparar pacientes con sarcopenia con pacientes sin sarcopenia, este estudio tiene como objetivo desarrollar modelos predictivos y de clasificación de la sarcopenia y descubrir biomarcadores digitales. Los investigadores utilizaron equipos de plantillas inteligentes para recopilar datos de presión plantar de 83 pacientes y un teléfono inteligente para recopilar datos de video para estimar la postura. Se realizó una U Mann-Whitney para comparar el grupo de sarcopenia de 23 pacientes y el grupo control de 60 pacientes. Se utilizaron plantillas inteligentes y estimación de postura para comparar las capacidades físicas de los pacientes con sarcopenia con un grupo de control. El análisis de las variables de los puntos articulares mostró diferencias significativas en 12 de 15 variables, pero no en la media de la rodilla, el rango del tobillo y el rango de la cadera. Estos hallazgos sugieren que los biomarcadores digitales pueden usarse para diferenciar a los pacientes con sarcopenia de la población normal con mayor precisión. Este estudio comparó pacientes con trastornos musculoesqueléticos con pacientes con sarcopenia utilizando plantillas inteligentes y estimación de postura. Múltiples métodos de medición son importantes para un diagnóstico preciso de la sarcopenia y la tecnología digital tiene potencial para mejorar el diagnóstico y el tratamiento.

La sarcopenia es una disminución de la masa, la fuerza y la función muscular relacionada con la edad. Es un problema común entre las personas mayores y puede provocar una movilidad reducida, un mayor riesgo de caídas, fracturas y una reducción de la calidad de vida1. Las causas de la sarcopenia son complejas e incluyen cambios hormonales, reducción de la actividad física, estrés oxidativo e inflamación, y cambios en la síntesis y descomposición de las proteínas musculares2,3. Se han desarrollado varias pautas para diagnosticar la sarcopenia y existen pautas representativas presentadas por instituciones como EWGSOP y AWGS4,5,6. Estas guías diagnósticas incluyen ítems de evaluación de la función física de pacientes con sarcopenia, que actualmente se miden de diversas formas1,7,8.

El diagnóstico de sarcopenia implica evaluar la masa muscular, la fuerza, el rendimiento físico y la composición corporal mediante diversos métodos. Recientemente se ha centrado la atención en evaluar el rendimiento físico, con herramientas como la prueba de velocidad de marcha, la prueba de soporte en silla, la prueba Timed Up and Go (TUG) y la prueba de fuerza de agarre manual9,10. Sin embargo, estos métodos son susceptibles a sesgos subjetivos por parte del medidor o del entorno. Para abordar esto, se ha impulsado el uso de inteligencia artificial (IA) para recopilar datos sobre el rendimiento físico11. En particular, se están discutiendo activamente estudios como el cálculo de ángulos y rangos de articulaciones mediante la estimación de pose12,13.

Se están realizando investigaciones para mejorar la precisión de la medición del rendimiento físico de los pacientes utilizando equipos inteligentes, junto con tecnologías de inteligencia artificial como la estimación de la postura corporal14,15,16. La estimación de pose es una tecnología de visión por computadora que utiliza modelos de aprendizaje profundo para estimar puntos clave del cuerpo humano en tiempo real. Realiza un seguimiento y detecta las articulaciones y partes del cuerpo humano, lo que permite realizar estimaciones de posturas en 2D o 3D17,18,19. Actualmente, se están realizando investigaciones activas para comparar su precisión y utilidad con el sistema de movimiento VICON (Vicon Nexus; Vicon Motion Systems Ltd., Oxford, Inglaterra), que utiliza múltiples cámaras para realizar una captura de movimiento 3D de alta precisión12,20. A través de estos estudios comparativos se está verificando la precisión y utilidad del método de estimación de pose12,20,21. Además, actualmente se utilizan diversos dispositivos portátiles, como relojes inteligentes y plantillas inteligentes, para medir el rendimiento físico de los pacientes. En particular, se están llevando a cabo activamente investigaciones en el campo de la distrofia muscular que utilizan sensores de unidades de medición inercial (IMU), como Smart Insole, y se están identificando importantes parámetros espaciales y temporales. Como ejemplo, se han realizado estudios que analizan la marcha de la osteoporosis y la distrofia muscular utilizando inteligencia artificial y sensores portátiles. También se han realizado estudios que identifican pacientes con distrofia muscular mediante sensores IMU22,23.

En las investigaciones actuales sobre diversos pacientes musculoesqueléticos, incluida la sarcopenia, es común utilizar una única herramienta de medición para el análisis. Sin embargo, es posible que este enfoque no capture completamente la diversidad de variables que cada herramienta puede medir y puede que no refleje con precisión la importancia relativa de las variables al comparar entre herramientas. Por lo tanto, para desarrollar modelos predictivos y de clasificación de la sarcopenia y descubrir biomarcadores digitales, es crucial comparar la importancia de las variables entre múltiples herramientas de medición y encontrar una herramienta de evaluación simple y precisa. El propósito de este estudio es utilizar plantillas inteligentes y análisis de la marcha con IA juntos para crear variables que puedan evaluar las capacidades físicas de los pacientes con sarcopenia, antes de expandirse a modelos predictivos y de clasificación, y comparar y analizar a los pacientes con sarcopenia con individuos sanos.

Para recopilar datos de plantilla y estimación de postura para la sarcopenia, GNUH (Hospital Universitario Nacional de Gyeongsang, Jinju, Corea del Sur) realizó un estudio en 83 pacientes con trastornos musculoesqueléticos en 2022. De los 83 pacientes con trastornos musculoesqueléticos, se prejuzgó a 23 tener sarcopenia. Entre los 23 pacientes con sarcopenia, había 15 mujeres y 8 hombres, mientras que el grupo de control estaba formado por 23 y 31 personas, respectivamente (consulte la Tabla complementaria S1). El estudio se adhirió a los principios de la Declaración de Helsinki y fue aprobado por el IRB del Hospital Universitario Nacional de Gyeongsang. Todos los procedimientos de la investigación se llevaron a cabo con estricto cumplimiento de los estándares éticos, incluida la protección de la privacidad, la confidencialidad y los derechos de los participantes.

Para recopilar datos de las plantillas de 83 pacientes, utilizamos el equipo Smart Insole de SALTED (Seúl, Corea del Sur), que está equipado con cuatro sensores de presión y sensores IMU de tres ejes para cada plantilla, como se muestra en la Fig. 124. Las plantillas transmiten de forma inalámbrica la presión del pie de cuatro canales y los datos de aceleración de tres canales a una frecuencia de muestreo de 30 Hz. Para recolectar datos de presión plantar, cada paciente usó las plantillas y caminó durante un minuto16. Se utilizó un equipo de teléfono inteligente (Galaxy A20, Samsung Electronics) para recopilar datos de video que se utilizarán para estimar la pose. La medición se realizó utilizando la cámara trasera de un teléfono inteligente y el vídeo grabado tenía una resolución de 1080p y una velocidad de fotogramas de 30 fps. En cuanto al protocolo de grabación de video, como se muestra en la Fig. 2, se grabó una vez un video de caminata lateral para una distancia de caminata de 5 m. Además, la distancia entre el paciente y la cámara se basó en una distancia vertical de 2 m y una altura del suelo de 1,3 m. No existen medidas estandarizadas de distancias y alturas. Para este estudio se utilizó una distancia de medición de 5 m y se estableció la distancia mínima de 2 m para ajustarse a toda la pantalla. Para la altura desde el suelo, utilizamos aproximadamente 1,3, la altura de los hombros de una persona, para la corrección de ángulo y horizontal.

Plantilla inteligente para análisis de la marcha.

Protocolo de grabación de vídeo.

Utilizamos el equipo SALTED Smart Insole (Seúl, Corea del Sur) para recopilar datos de presión plantar de 83 pacientes. Las plantillas, como se muestra en la Fig. 1, estaban equipadas con cuatro sensores de presión y un sensor IMU de tres ejes para fines de calibración. Cada paciente usó las plantillas mientras caminaba durante un minuto y los datos de presión se recogieron utilizando los cuatro sensores de presión. Luego se utilizó el programa interno SALTED para calcular las variables relevantes como se muestra en la Fig. 3.

Ciclo de marcha capturado por una plantilla inteligente.

Para estimar y analizar la postura del paciente, empleamos análisis de video para la estimación de la postura utilizando la aplicación Dr.log y el sistema DMS (Deevo, Jinju, Corea)25,26. La aplicación Dr.log recopiló vídeos de la marcha de los pacientes en tiempo real y los almacenó en una base de datos. El sistema DMS realizó una estimación de la pose en tiempo real a partir de la base de datos recopilada. Para el proceso de estimación de pose, utilizamos Mediapipe, un software de código abierto desarrollado por Google que utiliza un modelo de red neuronal convolucional (CNN) basado en algoritmos de aprendizaje profundo basados en redes neuronales. El modelo CNN incluye una capa convolucional y una capa de agrupación para extraer características de la imagen de entrada, seguidas de capas softmax y completamente conectadas. Utilizando la función de estimación de pose de Mediapipe, estimamos un total de 33 puntos clave, 25 de los cuales representan la parte superior del cuerpo y 8 representan la parte inferior del cuerpo, utilizando el modelo Blaze Pose, como se muestra en la Fig. 427.

Visualización de los 33 puntos clave de Blaze Pose en la estimación de la pose humana.

Utilizamos R Studio, un programa de análisis estadístico, para analizar la centralidad y variabilidad de todos los datos recopilados de los pacientes. Además, debido al pequeño tamaño de la muestra, realizamos pruebas de normalidad de Shapiro y utilizamos pruebas U de Mann-Whitney cuando no se cumplieron los supuestos de normalidad. Comparamos el grupo de sarcopenia y el grupo de control usando R Studio y creamos visualizaciones de imágenes para los resultados de cada grupo. El nivel de significancia se fijó en *p < 0,1, **p < 0,01 y ***p < 0,001.

El estudio se adhirió a los principios de la Declaración de Helsinki y fue aprobado por el IRB del Hospital Universitario Nacional de Gyeongsang. (IRB No. GNUH 2022-01-032-008) Todos los procedimientos de la investigación se llevaron a cabo con estricto cumplimiento de los estándares éticos, incluida la protección de la privacidad, la confidencialidad y los derechos de los participantes.

Realizamos una prueba de normalidad para cada variable tanto en el grupo de sarcopenia (n = 23) como en el grupo control (n = 60). La prueba indicó que la mayoría de las variables en el grupo de sarcopenia no cumplían con el supuesto de normalidad (consulte la Tabla complementaria S2). Por lo tanto, comparamos las variables entre los dos grupos mediante la prueba U de Mann-Whitney. Los valores de medición se presentan en las Tablas 1 y 2, y los valores p para cada variable se muestran en la parte inferior de cada tabla. La Tabla 1 presenta las características de los dos grupos que usan plantilla inteligente, mientras que la Tabla 2 presenta las características que usan el método de estimación de pose (consulte las Figuras complementarias S1 y S2). La plantilla inteligente proporciona un total de 6 variables (Número total de pasos, Cadencia, R doble soporte, R soporte simple, L doble soporte, L soporte simple) y de manera similar, la estimación de pose proporciona resultados para 23 variables que representan cada punto de articulación. Los valores p se proporcionan para las 6 variables en el caso de la plantilla inteligente, y solo para 15 variables excluyendo los valores máximo y mínimo en el caso de la estimación de pose. La descripción de las 23 variables proporcionadas por la estimación de pose se presenta en la Tabla complementaria S3. Para evaluar la precisión de la detección de la estimación de la postura utilizando Mediapipe, se utilizaron como puntos de referencia puntos clave que representan la cabeza, los hombros, los codos, las muñecas, las caderas, las rodillas y los tobillos. El criterio de detección se basó en casos en los que se invirtieron las posiciones de los marcadores o no se realizó la estimación. Para ello se evaluaron un total de 100 imágenes. La precisión se determinó considerando si la estimación fue exitosa para cada uno de los 15 puntos clave. La precisión de detección resultante para los 15 puntos clave se midió en 89,23%.

Las características de los grupos Sarcopenia y Control se investigaron utilizando tecnología de plantilla inteligente y los resultados se resumen en la Tabla 1. El grupo Sarcopenia tuvo un número total medio de pasos de 84,32 pasos y una cadencia de 87,42 pasos/min. Para las medias R doble soporte, R soporte simple, L doble soporte y L soporte simple, los valores fueron 17,44%, 36,30%, 17,00% y 36,97%, respectivamente. En comparación, el grupo de control tuvo un número total medio de pasos de 88,32 pasos y una cadencia de 88,04 pasos/min. Las medias para R doble soporte, R soporte simple, L doble soporte y L soporte simple fueron 17,08%, 36,74%, 17,22% y 37,22%, respectivamente. La prueba U de Mann-Whitney no reveló diferencias significativas entre ambos grupos para ninguna de las variables. Sin embargo, se debe tener precaución al interpretar los resultados, ya que los altos valores de p para el número total de pasos, cadencia, R doble apoyo, R apoyo único, L doble apoyo y L apoyo único sugieren que los tamaños de muestra pequeños pueden haber influido. los resultados.

El sitio Dr.log se utilizó para extraer datos de puntos conjuntos de la imagen mediante estimación de pose, y luego se empleó Dr.log DMS para identificar patrones de series temporales y valores característicos para la información de coordenadas. Los resultados de la prueba U de Mann-Whitney clasificaron las 15 variables estudiadas en tres grupos en función de sus valores p. El primer grupo, que incluye la media de la rodilla (p = 0,433), el rango del tobillo (p = 0,252) y el rango de la cadera (p = 0,294), tuvo valores de p superiores a 0,1, lo que indica que estas variables no exhibieron una diferencia significativa entre los dos grupos. El segundo grupo, que consta de la media de la cadera, el rango del ángulo del hombro, la media del tobillo, toda la diferencia máxima, la diferencia de cadera y tobillo, la diferencia de rodilla y tobillo, la diferencia de rodilla, la diferencia de tobillo y la diferencia de cadera, tuvo valores de p inferiores a 0,001, lo que demuestra una diferencia significativa entre los dos grupos. El tercer grupo, compuesto por la diferencia cadera-rodilla y el ángulo medio del hombro, tuvo valores de p de 0,003 y 0,002, respectivamente, lo que indica que también mostraron una diferencia significativa entre los dos grupos, aunque en menor medida que el segundo grupo. En resumen, los resultados sugieren que el uso de la estimación de pose revela una diferencia significativa en las mediciones de los ángulos articulares entre los dos grupos, lo que podría ser útil para comprender la causa fundamental de las diferencias en los patrones de movimiento entre ellos.

Existen diferentes enfoques para medir la marcha, siendo las plantillas inteligentes y la estimación de la postura dos métodos comúnmente utilizados. La plantilla inteligente es un dispositivo que se puede insertar en un zapato para medir diversos parámetros del pie durante la marcha, como la distribución de la presión, la fuerza y la aceleración28,29. El dispositivo contiene sensores que recopilan datos, que luego se envían a una computadora para su análisis. Los beneficios de utilizar plantillas inteligentes incluyen información detallada sobre la biomecánica del pie, facilidad de uso, no invasividad y no necesidad de configuración especial29,30. Por el contrario, la estimación de la postura es una técnica de visión por computadora que utiliza una cámara para rastrear el movimiento de las articulaciones del cuerpo15,31. Al registrar los movimientos de una persona mientras camina o corre, el software puede estimar la posición de las articulaciones del cuerpo. La ventaja de la estimación de la postura es que proporciona una visión integral de todo el cuerpo, incluidas las extremidades, la columna y la pelvis, lo que facilita el estudio de variables externas como la asimetría de la marcha32. Sin embargo, puede ser más difícil de configurar y requiere más experiencia técnica.

Hubo diferencias significativas entre los dos métodos en este estudio. La plantilla inteligente se centra principalmente en el pie y proporciona información detallada sobre la biomecánica del pie33. Específicamente, hay áreas que la estimación de postura no detecta, como las fuerzas de reacción del suelo en ambos pies, y tiene ventajas en el cálculo de variables como soporte simple y soporte doble. Es más práctico utilizarlo en entornos clínicos, ya que no existen limitaciones de espacio. Sin embargo, es posible que la plantilla inteligente no proporcione una imagen completa del movimiento del cuerpo durante la marcha, lo que provoca grandes desviaciones en las variables medidas. Además, en pacientes musculoesqueléticos, es crucial verificar si están presentes patrones de series temporales consistentes incluso cuando no se aplica suficiente presión en el pie. La estimación de la postura proporciona una visión más integral de todo el cuerpo, detectando asimetrías y compensaciones en la marcha18,31,32. El estudio mostró diferencias significativas en la mayoría de las variables utilizando la estimación de la postura, particularmente el ángulo de apertura máxima en el hombro, el tobillo y la postura estacionaria. Sin embargo, también existía la limitación de que medir con estimación de pose requería suficiente espacio y una ubicación de filmación adecuada.

Los pacientes con sarcopenia presentan cambios en la marcha debido a la disminución progresiva de la masa, la fuerza y la función del músculo esquelético. Estos cambios se caracterizan por una disminución del tiempo de apoyo único y un aumento del tiempo de apoyo doble, principalmente como resultado de una reducción de la fuerza muscular y un deterioro del equilibrio34,35. Sin embargo, en nuestro estudio, la plantilla inteligente no pudo capturar completamente estas características distintivas de la marcha. Por el contrario, la estimación de la postura representó con precisión las características del ciclo de la marcha, como se demuestra en las Tablas 1 y 2. Específicamente, la plantilla inteligente mostró dificultades para identificar diferencias significativas entre el grupo de pacientes de edad avanzada y el grupo de control de individuos relativamente jóvenes y sanos. Por otro lado, la estimación de pose ofreció la ventaja de estimar marcadores que podrían capturar una gama más amplia de variables funcionales. En comparación con las plantillas inteligentes, la estimación de la postura permitió considerar un mayor número de biomarcadores relacionados con diversas funciones corporales. Por lo tanto, el uso de la estimación de la postura para comparar el grupo con sarcopenia con el grupo sin sarcopenia proporcionó una perspectiva más amplia en la evaluación de las características de la marcha.

La investigación sobre la sarcopenia es un campo en rápida evolución, con esfuerzos continuos para identificar biomarcadores digitales utilizando diversos enfoques. Si bien estudios anteriores se han centrado en el uso de un único dispositivo de medición para identificar biomarcadores, cada vez está más claro que se necesita un enfoque más integral. Esto requiere la integración de múltiples dispositivos y variables para tener en cuenta la naturaleza compleja de la enfermedad. Por lo tanto, se necesita más investigación para combinar las variables de las plantillas inteligentes existentes y los estudios de estimación de pose para desarrollar un modelo predictivo e identificar nuevos biomarcadores digitales.

Al realizar una estimación de la postura para la evaluación de la función muscular en la sarcopenia, existen las siguientes limitaciones: (1) Precisión de la detección de la postura: la iluminación, el ángulo de la cámara y la ropa pueden limitar la precisión de la estimación de la postura para el diagnóstico de la sarcopenia; (2) Restricciones ambientales: factores ambientales como el desorden del fondo y el movimiento pueden dificultar la capacidad de la estimación de postura para evaluar la función muscular. De manera similar, en el caso de las plantillas inteligentes, existen las siguientes limitaciones: (1) Inexactitud de los sensores: la precisión de los sensores IMU de las plantillas inteligentes puede verse afectada debido a la limitación de tener un solo sensor IMU para fines de calibración. La desviación del sensor, que se refiere a la desviación gradual de las lecturas del sensor a lo largo del tiempo, puede ocurrir y causar imprecisiones en los datos recopilados, lo que puede afectar la precisión de los resultados de los datos de presión plantar. (2) Restricciones ambientales: las condiciones ambientales, como superficies irregulares o resbaladizas, pueden afectar la capacidad de las plantillas inteligentes para evaluar la función muscular.

Además, ambos métodos tienen las siguientes limitaciones comunes: (1) Dependencia del usuario: los resultados de la evaluación de la función muscular utilizando plantillas inteligentes y la estimación de la postura pueden verse afectados por factores como el uso correcto de las plantillas y las características físicas del paciente; (2) Limitaciones en la captura de parámetros físicos: el uso de plantillas inteligentes y la estimación de postura para la evaluación de la función muscular puede generar imprecisiones si no se incluyen todos los parámetros físicos importantes, como la tensión y el ajuste muscular; (3) Falta de un protocolo estandarizado: pueden surgir preocupaciones sobre la confiabilidad de los resultados debido a la ausencia de un protocolo estandarizado para el uso de plantillas inteligentes en la evaluación de la función muscular y la ausencia de equipos de cámara estandarizados y protocolos de métodos de disparo en el caso de la postura. Estimacion.

Por último, en este estudio se realizó una comparación entre 23 pacientes sarcopénicos y 60 individuos sin sarcopenia. Durante el proceso de comparación de los grupos, características como género y edad no coincidieron debido a la limitación de un tamaño de muestra pequeño. Para abordar esto, los resultados del análisis de los grupos con características coincidentes se proporcionan en la Tabla complementaria S4. En este caso, al comparar los resultados con el análisis original de las Tablas 1 y 2, no se observaron diferencias significativas en las variables.

En este estudio, se comparó un grupo de control de 60 personas con trastornos musculoesqueléticos con un grupo de 23 personas con sarcopenia utilizando tanto una plantilla inteligente como una estimación de postura. Los resultados indicaron que la plantilla inteligente no mostró diferencias significativas entre los dos grupos, mientras que las variables de estimación de pose mostraron diferencias significativas en 12 de 15 variables. Estos hallazgos resaltan la importancia de utilizar múltiples métodos de medición para desarrollar modelos precisos para predecir y clasificar la sarcopenia. Con los avances recientes en la tecnología de medición, la precisión del diagnóstico de sarcopenia ha mejorado y se espera que se descubran y utilicen más biomarcadores digitales en tratamientos futuros. Esto subraya el potencial de utilizar la tecnología digital para mejorar el diagnóstico y tratamiento de los trastornos musculoesqueléticos y la sarcopenia.

Los datos utilizados en este estudio se recopilaron en el Hospital Universitario Nacional de Gyeongsang y las consultas sobre los datos deben dirigirse al autor JIY.

Santilli, V., Bernetti, A., Mangone, M. y Paoloni, M. Definición clínica de sarcopenia. Clínico. Casos Minero. Metabolismo óseo. 11, 177–180 (2014).

PubMed PubMed Central Google Académico

Meng, S.-J. y Yu, L.-J. Estrés oxidativo, inflamación molecular y sarcopenia. En t. J. Mol. Ciencia. 11, 1509-1526 (2010).

Artículo CAS PubMed PubMed Central Google Scholar

Rom, O., Kaisari, S., Aizenbud, D. y Reznick, AZ Estilo de vida y sarcopenia: etiología, prevención y tratamiento. Rambam Maimónides Med. J.3, e0024 (2012).

Artículo PubMed PubMed Central Google Scholar

Cruz-Jentoft, AJ et al. Sarcopenia: Consenso europeo revisado sobre definición y diagnóstico. Edad 48, 16-31 (2019).

Artículo PubMed Google Scholar

Lim, WS y cols. Directrices de práctica clínica de Singapur para la sarcopenia: detección, diagnóstico, tratamiento y prevención. J. Fragilidad y envejecimiento 11, 348–369 (2022).

CAS PubMed Google Académico

Chen, L.-K. et al. Actualización del consenso de 2019 sobre diagnóstico y tratamiento de la sarcopenia. Mermelada. Medicina. Dir. Asociación. 21, 300-307.e2 (2020).

Artículo PubMed Google Scholar

Saeki, C. y col. Evaluación comparativa de la sarcopenia mediante los criterios JSH, AWGS y EWGSOP2 y la relación entre sarcopenia, osteoporosis y osteosarcopenia en pacientes con cirrosis hepática. Musculoesqueleto BMC. Desorden. 20, 615 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Atascado, AK et al. Validez predictiva de las definiciones actuales de sarcopenia (EWGSOP2, SDOC y AWGS2) para resultados clínicos: una revisión del alcance. J. Caquexia Sarcopenia Músculo https://doi.org/10.1002/jcsm.13161 (2022).

Artículo PubMed PubMed Central Google Scholar

Sí, XS et al. Rendimiento en pruebas de bipedestación en relación con medidas de aptitud funcional y diagnóstico de sarcopenia en adultos mayores que viven en la comunidad. EUR. Rev. Envejecimiento Phys. Acto. 18, 1 (2021).

Artículo PubMed PubMed Central Google Scholar

Coelho-Junior, HJ et al. Las capacidades físicas subyacentes a la prueba cronometrada "Up and Go" dependen del tiempo en mujeres mayores que viven en comunidades. Exp. Gerontol. 104, 138-146 (2018).

Artículo PubMed Google Scholar

Gu, S. y col. Detección de sarcopenia mediante un sistema de medición de partes del cuerpo con inteligencia artificial (AIBMS) basado en aprendizaje profundo. Frente. Fisiol. 14, 1092352 (2023).

Artículo PubMed PubMed Central Google Scholar

Ota, M. y col. Verificación de la confiabilidad y validez de los sistemas de análisis de movimiento durante la sentadilla bilateral utilizando un algoritmo de seguimiento de postura humana. Postura de la marcha 80, 62–67 (2020).

Artículo PubMed Google Scholar

Nakano, N. y col. Evaluación de la precisión de la captura de movimiento sin marcadores 3D utilizando openpose con múltiples cámaras de video. Frente. Ley de Deportes. Vivir https://doi.org/10.3389/fspor.2020.00050 (2020).

Artículo PubMed PubMed Central Google Scholar

Johnson, KB y cols. Medicina de precisión, inteligencia artificial y el futuro de la atención médica personalizada. Clínico. Traducción Ciencia. 14, 86–93 (2021).

Artículo PubMed Google Scholar

Stenum, J. y col. Aplicaciones de la estimación de pose en la salud y el rendimiento humanos a lo largo de la vida. Sensores 21, 7315 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Kim, J., Kang, S. y Kim, S.-J. Un sistema de plantilla inteligente capaz de identificar la postura adecuada de elevación del talón para la rehabilitación de la inestabilidad crónica del tobillo. Ciencia. Rep. 12, 10796 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Güler, RA, Neverova, N. & Kokkinos, I. DensePose: Estimación de la pose humana densa en la naturaleza. Preimpresión en https://doi.org/10.48550/arXiv.1802.00434 (2018).

Cao, Z., Hidalgo, G., Simon, T., Wei, S.-E. & Sheikh, Y. OpenPose: estimación de pose 2D de varias personas en tiempo real utilizando campos de afinidad de partes. Traducción IEEE. Patrón Anal. Mach. Intel. 43, 172–186 (2021).

Artículo PubMed Google Scholar

Fang, H.-S., Xie, S., Tai, Y.-W. & Lu, C. RMPE: Estimación regional de pose de varias personas. Preimpresión en https://doi.org/10.48550/arXiv.1612.00137 (2018).

Feng, B., Powell, DW y Doblas, A. Sistema de captura de movimiento sin marcadores utilizando OpenPose. en Reconocimiento y seguimiento de patrones XXXIII vol. 12101 84–93 (SPIE, 2022).

VanKeersbilck, L., Hedengren, I., Clark, M. y Hunter, I. Cálculos de ángulos articulares mediante captura de movimiento y estimación de postura de aprendizaje profundo mientras se corre. En t. J. Ejercicio. Ciencia: Conf. Proc. 14, 179 (2022).

Google Académico

Kim, J.-K., Bae, M.-N., Lee, K., Kim, J.-C. & Hong, SG Inteligencia artificial explicable y análisis de la marcha basado en sensores portátiles para identificar pacientes con osteopenia y sarcopenia en la vida diaria. Biosensores 12, 167 (2022).

Artículo PubMed PubMed Central Google Scholar

Kim, J.-K., Bae, M.-N., Lee, KB y Hong, SG Identificación de pacientes con sarcopenia mediante parámetros de la marcha basados en sensores inerciales. Sensores 21, 1786 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

PLANTILLA INTELIGENTE | PRODUCTO | SALADO. https://sports.salted.ltd/es/product/smart-insole.

Dr. Logs - Google Play Store. Disponible en línea: https://play.google.com/store/apps/details?id=kr.co.deevo.android.deevo&hl=ko. (2023).

DEEVO: Sistema de Gestión de Datos (DMS). Disponible en línea: https://ai.deevo.co.kr/traces. https://ai.deevo.co.kr/traces (2023).

Google: Repositorio MediaPipe GitHub. Disponible en línea: https://github.com/google/mediapipe. (2023).

Nagano, H. & Begg, RK Tecnología de plantilla de calzado para la prevención de lesiones al caminar. Sensores 18, 1468 (2018).

Artículo ADS PubMed PubMed Central Google Scholar

Subramaniam, S., Majumder, S., Faisal, AI & Deen, MJ Sistemas basados en plantillas para el seguimiento de la salud: soluciones actuales y desafíos de investigación. Sensores 22, 438 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Almuteb, I., Hua, R. & Wang, Y. Revisión de plantillas inteligentes (2008-2021): aplicaciones, potenciales y futuro. Salud inteligente 25, 100301. https://doi.org/10.1016/j.smhl.2022.100301 (2022).

Artículo de Google Scholar

Badiola-Bengoa, A. & Mendez-Zorrilla, A. Una revisión sistemática de la aplicación de la estimación de la pose humana basada en cámaras en el campo del deporte y el ejercicio físico. Sensores 21, 5996 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Topham, LK, Khan, W., Al-Jumeily, D. y Hussain, A. Estimación de la postura del cuerpo humano para la identificación de la marcha: un estudio completo de conjuntos de datos y modelos. Computación ACM. Sobrevivir. 55, 1–42 (2022).

Artículo de Google Scholar

Khandakar, A. y col. Diseño e implementación de un sistema de plantilla inteligente para medir la presión y temperatura plantar. Sensores 22, 7599 (2022).

Artículo ADS PubMed PubMed Central Google Scholar

Mori, K. y col. Características de la marcha de dinapenia, sarcopenia y presarcopenia en mujeres mayores japonesas que viven en la comunidad: un estudio transversal. Salud 10, 1905 (2022).

Artículo PubMed PubMed Central Google Scholar

Fan, Y. et al. Sarcopenia: composición corporal y análisis de la marcha. Frente. Neurociencias del envejecimiento. 14, 909551 (2022).

Artículo MathSciNet PubMed PubMed Central Google Scholar

Descargar referencias

Este trabajo fue apoyado por la subvención de la Fundación Nacional de Investigación de Corea (NRF) financiada por el gobierno de Corea (MSIT) (No.2022R1C1C1004134).

Departamento del Instituto de Investigación Biomédica, Hospital Universitario de Inha, Incheon, República de Corea

Shinjune Kim y Hyeon Su Kim

Departamento del Instituto de Investigación Biomédica, Hospital Universitario Nacional de Gyeongsang, Jinju, República de Corea

Parque Seongjin, Sangyeob Lee y Sung Hyo Seo

Departamento de Cirugía Ortopédica, Centro Médico Daejeon Eulji, Daejeon, República de Corea

Yong Han Cha

Departamento de Cirugía Ortopédica, Facultad de Medicina de la Universidad de Ajou, Suwon, República de Corea

Jung Taek Kim

Departamento de Cirugía Ortopédica, Centro Médico Nowon Eulji, Seúl, República de Corea

Jin Woo Kim

Departamento de Cirugía Ortopédica, Centro Médico Bumin, Seúl, República de Corea

Yong-Chan Ha

Departamento de Cirugía Ortopédica, Hospital Universitario de Inha, 27, Inhang-ro, Jung-gu, Incheon, República de Corea

Jun Il Yoo

También puedes buscar este autor en PubMed Google Scholar.

SJK, SJP y JIY concibieron el estudio y diseñaron los experimentos. SJP, SYL, SHS, HSK, YHC, JTK, JWK e YCH recopilaron y analizaron los datos. SJK y JIY escribieron el manuscrito con comentarios de todos los autores. Todos los autores han leído y aprobado la versión final del manuscrito. Todas las personas incluidas en este estudio han dado su consentimiento informado para la publicación de los resultados.

Correspondencia a Jun-Il Yoo.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Kim, S., Park, S., Lee, S. et al. Evaluación de las capacidades físicas de pacientes con sarcopenia mediante análisis de la marcha y plantillas inteligentes para el desarrollo de biomarcadores digitales. Representante científico 13, 10602 (2023). https://doi.org/10.1038/s41598-023-37794-7

Descargar cita

Recibido: 04 de abril de 2023

Aceptado: 28 de junio de 2023

Publicado: 30 de junio de 2023

DOI: https://doi.org/10.1038/s41598-023-37794-7

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Blog

Evaluación de las capacidades físicas de pacientes con sarcopenia mediante análisis de la marcha y plantillas inteligentes para el desarrollo de biomarcadores digitales