Diseño de un sistema de prevención de caídas usando aprendizaje automático para reducir lesiones no intencionales en niños de tres a cinco años en hogares de bajos recursos de la ciudad Lima, 2023

Abstract

Según la Organización Mundial de la Salud, las caídas constituyen una de las causas más comunes de muerte accidental en todo el mundo. Es crucial destacar que los niños menores de cinco años tienen un alto riesgo de sufrir estos accidentes, muchas veces por la negligencia de quienes los cuidan. Estos incidentes, junto con las condiciones de pobreza en las que muchos niños se encuentran, convierten a las caídas en un serio problema de salud pública. Por tanto, es esencial encontrar soluciones para atenuar las consecuencias de estas caídas. El propósito de este estudio consistió en desarrollar un sistema de prevención de caídas utilizando aprendizaje automático. Se empleó una metodología cuantitativa, de carácter aplicativo, descriptivo y con un diseño no experimental. La construcción de la base teórica se fundamentó en la descripción de varias aportaciones científicas relevantes en el área, así como en los principios teóricos de diferentes autores que sustentan el desarrollo y la argumentación de la solución propuesta. Para desarrollar el sistema se utilizaron dos métodos de diseño: VDI-2221, que ayudó a identificar la solución óptima, y CRISP-DM, empleado para desarrollar el modelo de aprendizaje automático y el software del sistema embebido. Posteriormente, Se evaluaron diversos modelos de aprendizaje automático utilizando la matriz de confusión y la curva ROC para su análisis. El análisis efectuado revela la posibilidad de obtener datos (Dataset) con atributos específicos para el entrenamiento de modelos de Aprendizaje Automático, con el fin de prevenir caídas. Se examinaron cuatro de los modelos más populares para clasificar tres tipos de actividades infantiles: echado, sentado y saltando en una cama. De estos, el modelo de Redes Neuronales Artificiales (RNA) destacó con un rendimiento del 97.5%. Se generó un código hexadecimal mediante TensorFlow Lite, que se ejecutó en el entorno de desarrollo Arduino IDE con un ESP32, lo que permitió la predicción de movimientos riesgosos. Finalmente, se validó el sistema embebido utilizando datos nuevos, logrando un rendimiento del 90%.