Cómo mejora el big data a la teleasistencia

Jesús Conesa

Persona mayor usuaria de teleasistencia

El big data es una revolución y puede ayudar de múltiples formas a la teleasistencia. Te descubrimos cuáles son sus ventajas.

Cada vez son más las personas que viven solas y que, bien por el paso de los años, bien por alguna incapacidad, presentan dificultades para seguir siendo independientes. En algunos casos estas personas no cuentan con nadie que pueda ayudarles en su día a día. En otros casos, desean mantener una total independencia y son sus familiares los que querrían saber con rapidez y sin intromisiones si su familiar está bien. Gracias al big data y a la teleasistencia gran parte de estos deseos son hoy posibles.

Son ya muchos los que optan por esta solución para seguir viviendo de forma independiente con la tranquilidad de saber que si les pasa algo el servicio de teleasistencia se dará cuenta, les asistirá y avisará a sus familiares. Vamos a analizar cómo el big data puede ayudar en esta tarea.

 

Big data, aprendizaje automático

Hasta no hace mucho la teleasistencia no pasaba de una llamada rutinaria o de una visita cada cierto tiempo para comprobar que todo iba bien. Afortunadamente las nuevas tecnologías han mejorado este escenario permitiendo un control mucho más eficiente a la par que mínimamente intrusivo. De entre estas tecnologías destaca el big data. Es reciente la utilización en este entorno por su capacidad sin precedentes para monitorizar de forma, rápida, continua y precisa el estado del usuario. Básicamente el big data consiste en el análisis de grandes cantidades de datos sobre un determinado proceso para, mediante algoritmos de aprendizaje automático, extraer las reglas que lo caracterizan y dirigen.

 

Big data y teleasistencia

En el caso de la teleasistencia, los datos que el big data nos permite procesar son los del propio usuario durante su actividad diaria. Para ello las soluciones actuales de teleasistencia se sirven de sensores distribuidos por el hogar del usuario. Asimismo, el usuario suele llevar una pulsera similar a cualquier smartwatch. En general ninguno de estos dispositivos suele ser mucho mayor que un teléfono móvil y todos ellos proporcionan datos sobre la persona y su entorno. Datos como la localización dentro de la vivienda, la frecuencia cardiaca a lo largo del día, la actividad física realizada, la temperatura y la presión del ambiente o los periodos de vigilia y sueño. No obstante, no todas las soluciones utilizan todo tipo de sensores. Dependiendo de la cantidad y el tipo que integre, el sistema proporcionará más o menos información. Actualmente simplemente con una pulsera inteligente es posible obtener información tan variada como la frecuencia cardíaca, el número de pasos, la tensión arterial, el tiempo en reposo o en movimiento, el tiempo durmiendo o la acelerometría de la persona.

 

¿Para qué sirve recoger toda esta información?

Recoger toda esta información es útil porque gracias al big data y al aprendizaje automático es posible analizarla rápidamente y extraer los patrones que modelan la actividad diaria de la persona. Por ejemplo, su comportamiento más habitual o su estado de salud actual.

Es interesante destacar que la construcción de estos modelos no sólo puede llevarse a cabo con los datos de la propia persona, sino que también pueden emplearse los de otros usuarios. De esta forma el sistema puede aprender también a un nivel más general cuáles son los comportamientos y pautas más habituales en los diferentes tipos de personas. Además el usuario puede beneficiarse también de los modelos y recomendaciones que han demostrado ser más beneficiosos en las personas más parecidas a él. Por supuesto, esto último siempre personalizando y ajustando las recomendaciones a las características propias del usuario en función de su grado de similitud con los demás.

 

Algunos ejemplos concretos

La aplicación más clara e inmediata de todos estos datos es la de utilizarlos para comprobar que todo está bien en un determinado instante. Como mediante el big data y el aprendizaje automático podemos construir patrones que modelan lo habitual en la persona, y como el flujo de datos de ésta es ahora continuo, es posible, por ejemplo, chequear en cada momento si las constantes vitales que llegan son normales. En caso contrario, se contactaría automáticamente con la propia persona o con sus familiares. Todo ello en cuestión de minutos o incluso segundos. Éste es el caso de una subida o bajada excesiva de tensión o frecuencia cardíaca.

 

Detección de caídas

Asimismo, igual que muchas pulseras actuales son capaces de detectar el número de pasos o las escaleras subidas, existen modelos capaces de detectar movimientos más bruscos como, por ejemplo, caídas. Además es posible recibir llamadas telefónicas en la propia pulsera. En el caso de detectar un evento de este tipo y que el usuario no se pueda mover, sería posible llamarle directamente a la pulsera o incluso que él mismo lanzase una llamada de emergencia simplemente pulsando un botón.

 

Cambios de rutina

Además de sucesos o valores puntuales, gracias al big data podemos analizar, parametrizar y detectar situaciones anómalas más complejas y mantenidas en el tiempo. Por ejemplo, cambios en la rutina de la persona. Disminución o aumento del número de veces que va al baño, cambio en las horas de levantarse y acostarse, conductas erráticas y preocupantes como demasiado tiempo sin salir de una habitación o de casa, o sin entrar en otras fundamentales como la cocina o el baño, etc.

Por último, como se dispone de la información del usuario a lo largo de grandes periodos de tiempo, es posible combinar los registros actuales con el histórico para trazar su evolución. Es posible inferir su tendencia y proponer cambios en su rutina para que se dirija a los estados de salud más beneficiosos.

Por ejemplo, se puede detectar si la persona cada vez duerme menos, si su movimiento es cada vez menor, si su caminar es cada vez más impreciso o si su velocidad de la marcha está disminuyendo. Todos ellos indicadores de un cambio de estado a peor. Comparando estos cambios con su propio histórico de datos y los de otras personas, se puede detectar si el usuario está sufriendo un deterioro excesivo, recomendar actuaciones contrastadas en otros usuarios y alertar a sus familiares. También sería posible remitir un informe directamente al personal clínico del servicio de teleasistencia para que evalúe el caso con más detenimiento.

En definitiva, gracias al big data y al aprendizaje automático, la teleasistencia puede monitorizar de una forma más continua y precisa el estado de las personas con dependencia, siendo tranquilizador tanto para los propios usuarios como para sus familiares, pudiendo además recomendar pautas más beneficiosas. Puede también detectar con más antelación los deterioros de los usuarios y proponer de una forma más personalizada las recomendaciones más apropiadas para retrasarlo. Y todo ello de una manera mínimamente intrusiva.

Sobre el autor

Jesús Conesa

Ingeniero y doctor en informática, Jesús Conesa es un gran apasionado de la inteligencia artificial y el análisis de datos. En la actualidad trabaja en ATAM como científico de datos centrándose en el análisis de patrones de actividad de personas con dependencia, tratando de mejorar su calidad de vida dato a dato.

Ingeniero y doctor en informática, Jesús Conesa es un gran apasionado de la inteligencia artificial y el análisis de datos. En la actualidad trabaja en ATAM como científico de datos centrándose en el análisis de patrones de actividad de personas con dependencia, tratando de mejorar su calidad de vida dato a dato.

© ViveLibre Autonomía Personal S.L.U. 2019