Uso de la Wii Balance Board como mecanismo de reconocimiento y clasificación del riesgo de caídas en el adulto mayor

Abstract

ntroducción: En la práctica clínica las pruebas funcionales utilizadas para evaluar el riesgo de caídasrequieren de técnicas y elementos de precisión que eviten la subjetividad. El uso de la Wii Balance Board(WBB) es una alternativa ante lo expuesto, ya que es una herramienta económica,portátil y que permite extraer variables que se relacionan con el fenómeno en estudio.Objetivo: Clasificar las variables derivadas del centro de presión (CoP)durante la evaluación del control posturalpor medio de la WBB, en adultos mayores con y sin riesgo de caídas.Métodos: Se utilizó un diseñode investigación descriptivo. Se estudió a 40 adultos mayores, 20 con y 20 sin riesgo de caídas. El control postural fue evaluado mediante la WBB, extrayendo variables cinéticas y cinemáticas, que permitieron implementar un selector de atributos y el algoritmo SVM (SVMs, del inglés Support Vector Machines), identificando a los adultos mayorescon riesgo de caídas.Resultados: Las variables que mejor permiten clasificar a los adultos mayorescon y sin riesgo de caídafueronla velocidad, desplazamiento y fuerza media. Se construyó un clasificador de dos clases, cuyo mejor desempeño fueelíndice Kappa0,95(fuerza de concordancia casi perfecta),sensibilidad 98%, y especificidad 100%.Conclusiones: El uso de WBB puede ser considerada una alternativa de bajo costo para la evaluación del riesgo de caídasen adultos mayores.

Introduction:In clinical practice, the functional tests used to assess the risk of falls require precision techniques and elements that avoid subjectivity. The use of the Wii Balance Board (WBB) is an alternative to the above, since it is an inexpensive, portable toolthat allows extracting variables that are related to the phenomenon under study.Objective:To classify the variables derived from the center of pressure (CoP) during the evaluation of postural control through the WBB, in older adults with and without risk of falls.Methods:A descriptive research design was used. A total of 40 older adults were studied, 20 with and 20 without risk of falls. Postural control was evaluated using the WBB, extracting kinetic and kinematic variables, which allowed the implementation of an attribute selector and the SVM algorithm (SVMs, Support Vector Machines), identifying older adults at risk of falls.Results:The variables that best allow us to classify older adults with and without risk of falling were speed, displacement and mean force. A two-class classifier was built, whose best performance was the Kappa index 0.95 (almost perfect agreement strength), 98% sensitivity, and 100% specificity.Conclusions:The use of WBB can be considered a low-cost alternative for the evaluation of the risk of falls in older adults.