Fall-detection in hospitalized patients using wearable sensors and machine-learning techniques

Le cadute in ospedale rappresentano un problema sia in campo sanitario che economico. In Europa, ogni anno si verificano approssimativamente 36.000 decessi correlati alle cadute (secondo i dati del 2010-2012) ed il costo dell'assistenza sanitaria per il trattamento delle lesioni legate alle cadute è di circa 25 miliardi [1]. Al giorno d’oggi, c'è una grande richiesta di soluzioni per il rilevamento delle cadute in tempo reale per prevenire gravi danni. È essenziale riconoscere e notificare se si è verificata una caduta al fine di fornire una rapida assistenza medica, soprattutto durante la notte, quando i controlli infermieristici negli ospedali sono meno frequenti. I pazienti con disturbi visivi, dell'equilibrio, dell'andatura, ortopedici, neurologici e psicologici sono i maggiori candidati a soffrire di questo problema [2], tuttavia, i pazienti anziani sono i più a rischio. L’obiettivo è progettare un sistema robusto in grado di rilevare una caduta e differenziarla dalle attività di vita quotidiana (ADLs). Il sistema dovrebbe mostrare elevata sensibilità mantenendo basso il tasso di falsi allarme. In questo studio sono stati esplorati due diversi approcci di apprendimento automatico. Un approccio machine-learning (ML) che ha previsto l’implementazione di classificatori come logistic regression, k-nearest neighbors (k-NN), e support vector machine (SVM) con funzione di kernel lineare, polinomiale e gaussiana (rbf) e un approccio deep-learning. Il primo approccio richiede un'analisi approfondita delle caratteristiche biomeccaniche dei segnali al fine di estrarre le più rilevanti che permettano di classificare i dati nelle rispettive classi, mentre, un vantaggio degli algoritmi basati sull’ apprendimento profondo è che possono derivare automaticamente le caratteristiche a partire dai dati grezzi. In questa tesi, sono stati utilizzati segnali di accelerazione corporea acquisiti durante uno studio svolto in laboratorio, in cui sono stati raccolti dati di caduta da volontari sani, e dati non di caduta contenenti ADLs resi disponibili da uno studio svolto in ospedale. Le prestazioni dei migliori modelli risultanti da entrambi gli approcci sono state confrontate. I risultati hanno mostrato che i modelli k-NN e LSTM bidirezionale sembrano essere i più promettenti e affidabili. Una ulteriore validazione dei modelli è stata effettuata utilizzando i dati di caduta provenienti da uno studio che include solo cadute avvenute a partire dalla posizione verticale del corpo. In questo caso, il classificatore k-NN ha rilevato tutti gli eventi di caduta 361/361 (100%), mentre la rete LSTM bidirezionale è stata in grado di rilevare 311/361 cadute (~ 86%).