Villalba Meneses, Gandhi Fernando
Marín Boné, Javier (dir.) ; Marín Zurdo, José Javier (dir.)
Universidad de Zaragoza,
2024
Resumen: El dolor lumbar (LBP) es un trastorno prevalente que afecta a una gran parte de la población mundial, generando importantes consecuencias en términos de bienestar personal, capacidad laboral y costos sanitarios. La necesidad de abordar diagnósticos de tratamiento innovadores y eficaces nace debido a la complejidad del LBP y a la variabilidad de sus manifestaciones. En este sentido, la terapia de oscilación profunda, la captura de movimiento inercial (MoCap) y el Machine Learning (ML) se muestran como instrumentos de gran importancia para continuar con el entendimiento, análisis y tratamiento del LBP.
En la presente tesis doctoral, primero se ha realizado una investigación sobre la terapia de oscilación profunda, basada en una revisión sistemática que sigue metodologías estandarizadas para asegurar la fiabilidad y validez de los hallazgos. En segundo lugar, se desarrollaron y aplicaron pruebas utilizando MoCap, como BackMov, mediante protocolos de validación rigurosos que incluyen pruebas de test-retest con participantes sanos para establecer referencias de movilidad. Finalmente, se incorporó ML en el análisis de datos de MoCap, lo cual implicó la selección y evaluación de diversos algoritmos (como SVM, bosque aleatorio y MLP) para optimizar la clasificación y diagnóstico del LBP basándose en patrones de movimiento.
A pesar de que estudios muestran la necesidad de continuar realizando más estudios para la validación de las terapias de oscilación profunda, las investigaciones que se referencian muestran el potencial de esta terapia como método terapéutico para el LBP. Dentro del marco de la evaluación de la movilidad, la prueba BackMov, la cual está dentro de las evaluaciones MoCap, que se llevó a cabo tanto en pacientes con LBA como en individuos voluntarios, demostró ser herramientas eficaces para monitorizar la recuperación de los pacientes mediante el suministro de métricas precisas y objetivas. Finalmente, los algoritmos aplicados mediante ML a los datos de MoCap han demostrado ser favorables para alcanzar una alta precisión en la clasificación de los rangos de movimiento, resaltando la importancia de la utilización de estas técnicas en la identificación de patrones de movilidad asociadas con el LBP.
Se desprende de las investigaciones realizadas que la integración de métodos terapéuticos y tecnologías avanzadas ofrece un camino prometedor para el abordaje del LBP. La terapia de oscilación profunda necesita ser respaldada por investigaciones adicionales que confirmen su eficacia. Las pruebas basadas en MoCap y el análisis mediante ML aportan un enfoque novedoso y riguroso para la evaluación y seguimiento del LBP, favoreciendo estrategias de tratamiento personalizadas y basadas en evidencia.
La implementación de los enfoques terapéuticos manuales e innovadores tecnológicos en MoCap y ML representan una mejoría significativa en la gestión del LBP. Este abordaje multidisciplinario es prometedor tanto para la mejora en la precisión diagnostica, la efectividad del tratamiento, así como también para la contribución al desarrollo de protocolos de atención individualizadas y adecuadas a las necesidades de cada paciente que presenta LBP. En este contexto, las futuras investigaciones que se desarrollen deberían tomar en cuenta estos resultados y explorar su aplicación en clínicas y hospitales para potenciar sus beneficios a pacientes con LBP.
Resumen (otro idioma):
En la presente tesis doctoral, primero se ha realizado una investigación sobre la terapia de oscilación profunda, basada en una revisión sistemática que sigue metodologías estandarizadas para asegurar la fiabilidad y validez de los hallazgos. En segundo lugar, se desarrollaron y aplicaron pruebas utilizando MoCap, como BackMov, mediante protocolos de validación rigurosos que incluyen pruebas de test-retest con participantes sanos para establecer referencias de movilidad. Finalmente, se incorporó ML en el análisis de datos de MoCap, lo cual implicó la selección y evaluación de diversos algoritmos (como SVM, bosque aleatorio y MLP) para optimizar la clasificación y diagnóstico del LBP basándose en patrones de movimiento.
A pesar de que estudios muestran la necesidad de continuar realizando más estudios para la validación de las terapias de oscilación profunda, las investigaciones que se referencian muestran el potencial de esta terapia como método terapéutico para el LBP. Dentro del marco de la evaluación de la movilidad, la prueba BackMov, la cual está dentro de las evaluaciones MoCap, que se llevó a cabo tanto en pacientes con LBA como en individuos voluntarios, demostró ser herramientas eficaces para monitorizar la recuperación de los pacientes mediante el suministro de métricas precisas y objetivas. Finalmente, los algoritmos aplicados mediante ML a los datos de MoCap han demostrado ser favorables para alcanzar una alta precisión en la clasificación de los rangos de movimiento, resaltando la importancia de la utilización de estas técnicas en la identificación de patrones de movilidad asociadas con el LBP.
Se desprende de las investigaciones realizadas que la integración de métodos terapéuticos y tecnologías avanzadas ofrece un camino prometedor para el abordaje del LBP. La terapia de oscilación profunda necesita ser respaldada por investigaciones adicionales que confirmen su eficacia. Las pruebas basadas en MoCap y el análisis mediante ML aportan un enfoque novedoso y riguroso para la evaluación y seguimiento del LBP, favoreciendo estrategias de tratamiento personalizadas y basadas en evidencia.
La implementación de los enfoques terapéuticos manuales e innovadores tecnológicos en MoCap y ML representan una mejoría significativa en la gestión del LBP. Este abordaje multidisciplinario es prometedor tanto para la mejora en la precisión diagnostica, la efectividad del tratamiento, así como también para la contribución al desarrollo de protocolos de atención individualizadas y adecuadas a las necesidades de cada paciente que presenta LBP. En este contexto, las futuras investigaciones que se desarrollen deberían tomar en cuenta estos resultados y explorar su aplicación en clínicas y hospitales para potenciar sus beneficios a pacientes con LBP.
Resumen (otro idioma):
Pal. clave: biomecánica ; inteligencia artificial ; fisioterapia
Titulación: Programa de Doctorado en Ingeniería Biomédica
Plan(es): Plan 510
Área de conocimiento: Ingeniería y Arquitectura
Nota: Presentado: 21 11 2024
Nota: Tesis-Univ. Zaragoza, , 2024
Aportación del TFG/M a la Sostenibilidad: Garantizar una vida saludable y promover el bienestar para todos y todas en todas las edades. Desarrollar infraestructuras resilientes, promover la industrialización inclusiva y sostenible, y fomentar la innovación. Fortalecer los medios de ejecución y reavivar la alianza mundial para el desarrollo sostenible.
Fecha de embargo : 2026-11-21
Enlace permanente:
Visitas y descargas
Registro creado el 2025-03-12, última modificación el 2025-03-12
