InicioTecnologíaNiveles de condición física predichos con precisión utilizando dispositivos portátiles: no se...

Niveles de condición física predichos con precisión utilizando dispositivos portátiles: no se requiere ejercicio

-


Normalmente, las pruebas para medir con precisión el VO2max, una medida clave del estado físico general y un indicador importante del riesgo de enfermedades cardíacas y mortalidad, requieren equipos de laboratorio costosos y se limitan principalmente a los atletas de élite. El nuevo método utiliza el aprendizaje automático para predecir el VO2max, la capacidad del cuerpo para realizar trabajo aeróbico, durante la actividad diaria, sin necesidad de información contextual como las mediciones de GPS.

fitness monitor Niveles de condición física predichos con precisión utilizando dispositivos portátiles: no se requiere ejercicio

En lo que es, con mucho, el estudio más grande de su tipo, los investigadores recopilaron datos de actividad de más de 11,000 participantes en el Estudio Fenland utilizando sensores portátiles, con un subconjunto de participantes evaluado nuevamente siete años después. Los investigadores utilizaron los datos para desarrollar un modelo para predecir el VO2max, que luego se validó con un tercer grupo que llevó a cabo una prueba de ejercicio estándar en un laboratorio. El modelo mostró un alto grado de precisión en comparación con las pruebas de laboratorio, superando a otros enfoques.

Algunos relojes inteligentes y monitores de actividad física actualmente en el mercado afirman proporcionar una estimación del VO2max, pero dado que los algoritmos que sustentan estas predicciones no están publicados y están sujetos a cambios en cualquier momento, no está claro si las predicciones son precisas o si un régimen de ejercicio tiene algún efecto en el VO2max de un individuo a lo largo del tiempo.

El modelo desarrollado por Cambridge es robusto, transparente y proporciona predicciones precisas basadas únicamente en la frecuencia cardíaca y los datos del acelerómetro. Dado que el modelo también puede detectar cambios en el estado físico a lo largo del tiempo, también podría ser útil para estimar los niveles de estado físico de poblaciones enteras e identificar los efectos de las tendencias del estilo de vida. Los resultados se publican en la revista npj medicina digital.

Una medición de VO2max se considera el «estándar de oro» de las pruebas de condición física. Los atletas profesionales, por ejemplo, prueban su VO2max midiendo su consumo de oxígeno mientras hacen ejercicio hasta el agotamiento. Hay otras formas de medir el estado físico en el laboratorio, como la respuesta de la frecuencia cardíaca a las pruebas de ejercicio, pero requieren equipos como una caminadora o una bicicleta estática. Además, el ejercicio extenuante puede ser un riesgo para algunas personas.

«El VO2max no es la única medida del estado físico, pero es importante para la resistencia y es un fuerte predictor de diabetes, enfermedades cardíacas y otros riesgos de mortalidad», dijo el coautor Dr. Soren Brage del Consejo de Investigación Médica de Cambridge (MRC). ) Unidad de Epidemiología. «Sin embargo, dado que la mayoría de las pruebas de VO2max se realizan en personas que están razonablemente en forma, es difícil obtener mediciones de aquellas que no están tan en forma y que podrían estar en riesgo de enfermedad cardiovascular».

«Queríamos saber si era posible predecir con precisión el VO2max utilizando datos de un dispositivo portátil, de modo que no hubiera necesidad de una prueba de ejercicio», dijo el coautor principal, el Dr. Dimitris Spathis, del Departamento de Ciencias de la Computación y Tecnología de Cambridge. “Nuestra pregunta central era si los dispositivos portátiles pueden medir el estado físico en la naturaleza. La mayoría de los dispositivos portátiles brindan métricas como la frecuencia cardíaca, los pasos o el tiempo de sueño, que son indicadores de la salud, pero no están directamente relacionados con los resultados de salud”.

El estudio fue una colaboración entre los dos departamentos: el equipo de la Unidad de Epidemiología de MRC proporcionó experiencia en salud de la población y estado cardiorrespiratorio y datos del Estudio Fenland, un estudio de salud pública de larga duración en el Este de Inglaterra, mientras que el equipo del El Departamento de Ciencias y Tecnología de la Computación proporcionó experiencia en aprendizaje automático e inteligencia artificial para datos móviles y portátiles.

Los participantes en el estudio usaron dispositivos portátiles continuamente durante seis días. Los sensores recogieron 60 valores por segundo, lo que resultó en una enorme cantidad de datos antes de ser procesados. “Tuvimos que diseñar una canalización de algoritmos y modelos apropiados que pudieran comprimir esta gran cantidad de datos y usarlos para hacer una predicción precisa”, dijo Spathis. “La naturaleza de vida libre de los datos hace que esta predicción sea un desafío porque estamos tratando de predecir un resultado de alto nivel (aptitud física) con datos ruidosos de bajo nivel (sensores portátiles)”.

Los investigadores utilizaron un modelo de IA conocido como red neuronal profunda para procesar y extraer información significativa de los datos del sensor sin procesar y hacer predicciones de VO2max a partir de ellos. Más allá de las predicciones, los modelos entrenados se pueden utilizar para identificar subpoblaciones con necesidades particulares de intervención relacionadas con la aptitud física.

Los datos de referencia de 11 059 participantes en el estudio Fenland se compararon con los datos de seguimiento de siete años después, tomados de un subconjunto de 2675 de los participantes originales. Un tercer grupo de 181 participantes del Estudio de validación de biobancos del Reino Unido se sometió a pruebas de VO2max en laboratorio para validar la precisión del algoritmo. El modelo de aprendizaje automático tuvo una fuerte concordancia con las puntuaciones de VO2max medidas tanto en la línea de base (82 % de acuerdo) como en las pruebas de seguimiento (72 % de acuerdo).

“Este estudio es una demostración perfecta de cómo podemos aprovechar la experiencia en epidemiología, salud pública, aprendizaje automático y procesamiento de señales”, dijo el coautor principal, el Dr. Ignacio Pérez-Pozuelo.

Los investigadores dicen que sus resultados demuestran cómo los dispositivos portátiles pueden medir con precisión el estado físico, pero es necesario mejorar la transparencia si se quiere confiar en las mediciones de los dispositivos portátiles disponibles en el mercado.

“En principio, es cierto que muchos monitores de actividad física y relojes inteligentes brindan una medición del VO2max, pero es muy difícil evaluar la validez de esas afirmaciones”, dijo Brage. «Los modelos generalmente no se publican y los algoritmos pueden cambiar regularmente, lo que dificulta que las personas determinen si su estado físico realmente ha mejorado o si un algoritmo diferente solo lo está estimando».

“Todo en su reloj inteligente relacionado con la salud y el estado físico es una estimación”, dijo Spathis. “Somos transparentes acerca de nuestro modelado y lo hicimos a escala. Demostramos que podemos lograr mejores resultados con la combinación de datos ruidosos y biomarcadores tradicionales. Además, todos nuestros algoritmos y modelos son de código abierto y todos pueden usarlos”.

«Hemos demostrado que no se necesita una prueba costosa en un laboratorio para obtener una medida real de la condición física: los dispositivos portátiles que usamos todos los días pueden ser igual de poderosos, si tienen el algoritmo correcto detrás de ellos», dijo el autor principal. Profesora Cecilia Mascolo del Departamento de Ciencia y Tecnología Informática. “El ejercicio cardiovascular es un marcador de salud tan importante, pero hasta ahora no teníamos los medios para medirlo a escala. Estos hallazgos podrían tener implicaciones significativas para las políticas de salud de la población, por lo que podemos ir más allá de los indicadores de salud más débiles, como el índice de masa corporal (IMC)”.

Fuente: Universidad de Cambridge


<!–

icon comments light Niveles de condición física predichos con precisión utilizando dispositivos portátiles: no se requiere ejercicio Comment this news or article

–>

!function(f,b,e,v,n,t,s){if(f.fbq)return;n=f.fbq=function(){n.callMethod?
n.callMethod.apply(n,arguments):n.queue.push(arguments)};if(!f._fbq)f._fbq=n;
n.push=n;n.loaded=!0;n.version=’2.0′;n.queue=[];t=b.createElement(e);t.async=!0;
t.src=v;s=b.getElementsByTagName(e)[0];s.parentNode.insertBefore(t,s)}(window,
document,’script’,’https://connect.facebook.net/en_US/fbevents.js’);
fbq(‘init’, ‘1254095111342376’);
fbq(‘track’, ‘PageView’);



Source link

Deja un comentario

- Publicidad -spot_img

Selección

A %d blogueros les gusta esto: