Introducción

El envejecimiento poblacional es un fenómeno global que plantea grandes desafíos para la salud pública. Entre 2015 y 2050, la proporción mundial de personas mayores de 60 años se duplicará, pasando del 12% al 22%, y se estima que más del 80% residirá en países de ingresos bajos y medianos (1). América Latina y, en particular, Chile enfrenta un envejecimiento más acelerado, con una proyección de que para 2050 cerca del 30% de su población tendrá más de 65 años (2).

Las caídas son consideradas uno de los grandes síndromes geriátricos y constituyen la segunda causa de muerte por lesiones no intencionadas a nivel global. Anualmente, ocurren más de 37 millones de caídas que requieren atención médica y ocasionan la pérdida de más de 38 millones años de vida ajustados por discapacidad (AVAD, por sus siglas en inglés) (3), una carga superior a la de lesiones por transporte, ahogamiento y quemaduras combinadas (4). En contextos institucionales, la prevalencia de caídas puede superar el 40% y se ha asociado con deterioro funcional acelerado, aislamiento social y dependencia institucional. Estudios recientes en Estados Unidos muestran que aproximadamente la mitad de los residentes de hogares de cuidado prolongado experimentan al menos una caída al año, con consecuencias clínicas y organizacionales significativas (5).

A nivel clínico, más del 50% de las caídas en personas mayores resultan en lesiones y cerca del 20% reviste gravedad significativa, siendo las fracturas (especialmente de cadera) las más graves, con mortalidad al año de hasta un 30% (6). En Chile, la prevalencia anual de caídas en población mayor supera el 30%, y entre el 60% y el 70% de estas ocurren en establecimientos de larga estadía para adultos mayores (ELEAM), que afectan en su mayoría a mujeres entre 80 y 90 años, con polifarmacia y alta comorbilidad (7). Las intervenciones más efectivas son las multifactoriales, que combinan evaluación integral del riesgo, ejercicio físico, revisión de medicamentos y adaptación ambiental (8). No obstante, su implementación efectiva requiere herramientas que faciliten la recolección sistemática y el análisis de datos, lo que es especialmente desafiante en contextos institucionales en los que los registros de caídas suelen ser heterogéneos, manuales y sin capacidad de retroalimentación clínica.

En este escenario, el uso de tecnologías basadas en ML ofrece un enfoque innovador. Este subcampo de la inteligencia artificial (IA) permite procesar grandes volúmenes de datos, identificar patrones de riesgo, automatizar alertas y adaptar intervenciones en tiempo real (9). Los modelos de aprendizaje automático aplicados a la predicción de caídas en residencias de adultos mayores han demostrado una capacidad predictiva adecuada, con valores de AUC-ROC (por sus siglas en inglés) entre 0.710 y 0.750 en cohortes de validación externa, con el uso de predictores clínicos, como equilibrio, fuerza de agarre, fatiga, comorbilidad y edad (10). Por su parte, sistemas de detección de caídas en tiempo real que emplean algoritmos de aprendizaje profundo, como redes neuronales convolucionales (CNN, por sus siglas en inglés) y recurrentes (RNN, por sus siglas en inglés), y modelos, como XGBoost, han alcanzado niveles de precisión superiores al 95% en entornos controlados, con el uso de datos provenientes de sensores portables e infraestructura ambiental (11).

Existen actualmente diversos sistemas que integran ML para la gestión de caídas. Por ejemplo:

• STEADI (CDC): plataforma con recursos clínicos para evaluar y gestionar riesgos de caídas en atención primaria (12,13).

• Durcal: sistema móvil con geolocalización, alertas y registros automatizados para familiares y cuidadores (14).

• CarePredict: plataforma con sensores portables que monitorean actividades y predicen caídas mediante algoritmos ML.

• HomeCare Fall Prevention: herramienta de intervención domiciliaria cocreada con usuarios, que incluye registro digital y monitoreo predictivo (15).

• Azure Machine Learning e IBM Watson IoT: plataformas que permiten integrar sistemas de monitoreo, sensores ambientales y datos clínicos con modelos de predicción personalizados (16,17).

La clasificación participativa de causas de caídas resultante del trabajo de campo se resume en seis categorías principales (Figura 3).

Sin embargo, en Chile aún no existen sistemas consolidados de este tipo aplicados a ELEAM, y la ausencia de estadísticas nacionales y de registros digitales limita la identificación de patrones de riesgo, así como dificulta la prevención efectiva. De esta manera, es necesario realizar un estudio que permita construir el diseño de un prototipo funcional de sistema digital para el registro y análisis predictivo de caídas en personas mayores institucionalizadas, con el uso de técnicas de aprendizaje automático (ML) y un enfoque participativo con actores de ELEAM en Chile.

Metodología

Diseño del estudio

Se realizó un estudio observacional descriptivo de tipo prospectivo, con enfoque participativo, orientado al desarrollo, la implementación y validación preliminar de un prototipo funcional de sistema digital para el registro y análisis predictivo de caídas en adultos mayores institucionalizados. El estudio se desarrolló entre marzo y diciembre de 2023 en tres ELEAM de carácter público en la Región del Biobío (Chile). La metodología se estructuró en tres fases: a) caracterización del problema, b) construcción del prototipo digital basado en ML y c) validación técnica y contextual.

Este estudio se diseñó conforme a las recomendaciones de la guía STROBE (por sus siglas en inglés) para estudios observacionales, con el fin de resguardar la transparencia en el diseño, los participantes, el análisis y la interpretación de resultados (18).

Participantes y contexto

Los participantes incluyeron a profesionales y técnicos responsables del cuidado directo de los residentes en ELEAM, así como a encargados de gestión institucional. La muestra fue intencionada y se definió en colaboración con el Servicio Nacional del Adulto Mayor (SENAMA), organismo estatal encargado de coordinar políticas públicas y promover el bienestar y protección de los derechos de las personas mayores en Chile (19).

Los tres ELEAM seleccionados pertenecen a la red pública de SENAMA y fueron priorizados por su disposición a participar en procesos de innovación y mejora tecnológica. La participación fue voluntaria y se solicitó consentimiento informado mediante un formulario escrito.

El estudio fue aprobado por el Comité de Ética Institucional de la Universidad de Santiago de Chile. Además, el protocolo completo del estudio (incluidos todos los instrumentos, procedimientos y fases de validación) recibió aprobación formal mediante el Informe Ético n.º 263/2020. El mapa de actores y la matriz de poder/interés que orientaron la priorización de entrevistas y focos de intervención se presentan en la Figura 1 y Figura 2. Se obtuvo consentimiento informado escrito de todos los participantes. No se utilizó información clínica sensible ni identificable de residentes de los ELEAM, así como los datos fueron tratados bajo estrictos principios de confidencialidad y anonimización.

Procedimiento y desarrollo del sistema

El estudio adoptó el modelo doble diamante, una herramienta de design thinking desarrollada por el Design Council del Reino Unido (2004) y ampliamente utilizada en innovación sanitaria (20). Este modelo comprende cuatro fases: a) discover (explorar y comprender el problema), b) define (definir claramente el reto), c) develop (idear y prototipar soluciones) y d) deliver (evaluar y refinar prototipos) (21). Este encuadre metodológico se apoyó con técnicas participativas para caracterizar causas y barreras (Figura 3).

Varios estudios en contextos de salud digital han demostrado que este enfoque facilita la alineación entre las necesidades reales de usuarios y la evolución de prototipos iterativos, así como mejora su aceptación y utilidad final (22).

Fase 1: Caracterización y codiseño

Se aplicó un proceso de caracterización contextual que incluyó observación directa, entrevistas semiestructuradas y análisis documental de registros de caídas existentes en los ELEAM. Para las entrevistas, se utilizó un guion cualitativo diseñado ad hoc, validado por expertos en gerontología y sistemas de información. El guion abordó dimensiones, como el uso actual de registros, percepción del riesgo, procedimientos institucionales y barreras tecnológicas. Este instrumento está representado esquemáticamente en la Figura 1.

La información recogida permitió identificar las variables relevantes para el diseño del sistema digital y necesidades de usabilidad por parte del personal. En esta etapa, se empleó un enfoque de codiseño con los equipos técnicos y administrativos de los ELEAM, que integró sus sugerencias en la arquitectura funcional del sistema.

Estrategia de desarrollo incremental: PMV

Como parte del enfoque metodológico adoptado, se desarrolló un PMV del sistema digital, el cual representa una versión funcional primaria que incluye únicamente las características esenciales para operar y generar retroalimentación de usuarios reales (23) en ELEAM. Esta estrategia, inspirada en el enfoque Lean Startup, permite iterar ágilmente, reducir riesgos y validar supuestos críticos antes del escalamiento del sistema. Específicamente, en proyectos de salud digital, el uso de PMV facilita el involucramiento temprano de profesionales clínicos, la mejora continua mediante build-measure-learn, así como garantiza una adecuada aceptación tecnológica y cumplimiento normativo (24).

El PMV implementado incluyó ingreso estructurado de datos de incidentes, módulo básico de análisis predictivo con ML y visualización gráfica de eventos. A pesar de no integrar aún interoperabilidad con historiales clínicos institucionales, esta versión permitió validar la funcionalidad básica y la aceptación definitiva del prototipo por parte del personal de tres ELEAM, alineándose con prácticas recomendadas en el desarrollo de tecnologías sanitarias (25).

Fase 2: Construcción del prototipo

El prototipo digital fue desarrollado como una plataforma de registro estructurado, alojada localmente, con capacidad de análisis automático y visualización de datos. Las variables incluidas fueron edad, sexo, diagnóstico principal, fecha y hora del incidente, ubicación, tipo de lesión, uso de ayudas técnicas, número de medicamentos y factores ambientales reportados (26).

Tabla 2.Matriz AHP de requerimientos de un sistema de registro de caídas

Se incorporó una capa predictiva con el uso de algoritmos supervisados (regresión logística, Random Forest y XGBoost), entrenados con una base simulada de eventos basada en datos históricos anonimizados de los ELEAM participantes. La estructura del modelo consideró variables de entrada relevantes clínicamente, y se aplicaron criterios de interpretación que usaron técnicas SHapley Additive exPlanations (SHAP). Las especificaciones de requerimientos empleadas en la priorización se detallan en laTabla 2,y sus pesos normalizados se presentan en la Tabla 3. La comparación de alternativas mediante matriz de Pugh se sintetiza en la Tabla 4.

Tabla 3. Matriz normalizada de requerimientos de un sistema de registro de caídas

Análisis de datos

El procesamiento se realizó en Python 3.10 y se utilizaron las librerías pandas, scikit-learn, XGBoost y Matplotlib. Se aplicó validación cruzada k-fold (k=5) para estimar el rendimiento de los modelos, así como se calcularon métricas de precisión, sensibilidad, especificidad y área bajo la curva (AUC). Se priorizó el equilibrio entre sensibilidad y especificidad para asegurar una adecuada detección de riesgo sin sobrecarga de alertas falsas (27).

Validación del prototipo

Se realizó una validación técnica funcional mediante pruebas controladas en entorno de simulación y una validación contextual a través de talleres participativos con funcionarios de los ELEAM. En estas sesiones, se evaluaron aspectos de usabilidad, claridad del sistema, pertinencia del modelo predictivo y potenciales barreras de adopción.

Los resultados cualitativos fueron sistematizados mediante matrices de análisis con categorías predefinidas, elaboradas a partir del guion cualitativo. La retroalimentación obtenida permitió ajustar el sistema antes de finalizar la versión funcional. La arquitectura de navegación y mapa del sitio empleados en las pruebas se ilustran en la Figura 5.

Resultados

Los resultados del estudio se presentan organizados según las cuatro fases metodológicas definidas en el diseño del proyecto: a) caracterización y levantamiento de causas, b) priorización de requisitos, c) diseño conceptual del sistema y d) validación del prototipo. Esta estructura permite observar la progresión lógica entre el diagnóstico participativo, la toma de decisiones técnicas y la validación funcional y contextual del producto final.

Fase 1: Caracterización de causas de caídas y mapeo participativo

Durante esta fase se realizaron entrevistas semiestructuradas a 15 profesionales de la salud y cuidado en ELEAM, complementadas con herramientas participativas, como el diagrama de Ishikawa, el mapa de actores y la matriz de poder/interés. De este proceso emergieron seis categorías principales que agrupan los factores de riesgo:

• Fisiológicos (fragilidad, deterioro motor)

• Salud (polifarmacia, comorbilidades)

• Medio ambiente (infraestructura, iluminación)

• Educación y sensibilización (formación del personal/ residentes)

• Situación residencial (estructura organizacional, personal disponible)

• Diseño de ayudas técnicas (adecuación y mantención de dispositivos)

La clasificación resultante se muestra en la Figura 3.

Estos hallazgos permitieron establecer una comprensión integral y multicausal del fenómeno de caídas en contextos institucionales, así como fundamentaron la necesidad de un sistema de registro adaptado a esa complejidad.

Fase 2: Priorización de requisitos mediante matriz AHP

Para seleccionar los componentes mínimos del sistema a desarrollar, se aplicó el método Analytic Hierarchy Process (AHP), que integra la visión de profesionales de la salud y gestión. A partir de la comparación entre pares de criterios y subcriterios, se establecieron las siguientes cinco prioridades:

• Facilidad de uso

• Pertinencia clínica de las variables

• Integración con protocolos existentes (p. ej., SENAMA)

• Soporte a decisiones clínicas

• Visualización de patrones de riesgo

Los requerimientos y sus pesos se presentan en la Tabla 2 y la Tabla 3, respectivamente, mientras la comparación de alternativas se resume en la Tabla 4.

Tabla 4. Matriz de PUGH

Estas prioridades se utilizaron directamente como insumo para orientar el diseño funcional representado en la Figura 4.

Fase 3: Diseño conceptual del sistema: desde los requerimientos al PMV

A partir de las prioridades definidas en la matriz AHP (Fase 2), se sistematizaron las necesidades funcionales y no funcionales más relevantes según los equipos de salud, así como se identificaron los siguientes requerimientos clave:

• Registro simple y rápido de caídas (menos de 2 minutos)

• Visualización gráfica de eventos por zona y hora

• Campos adaptados a lenguaje institucional

• Capacidad de exportación (Excel/formato SENAMA)

• Inclusión de predicción de riesgo con base en datos históricos

Estos requerimientos sirvieron de base para el diseño de un PMV, es decir, una versión inicial y funcional del sistema con las características mínimas necesarias para ser probado por usuarios reales. Esta estrategia permitió una validación iterativa del desarrollo, siguiendo principios de diseño centrado en el usuario y metodologías ágiles (28). La derivación de elementos mínimos del PMV se ilustra en la Figura 4 y el mapa del sitio en la Figura 5.

Fase 4: Validación técnica, funcional y contextual

A continuación, los resultados se organizan en tres subcomponentes.

Resultados cualitativos: percepción de los usuarios

Participaron 21 funcionarios distribuidos en tres ELEAM. A través de sesiones grupales y un guion de evaluación de usabilidad (Figura 5), se identificaron tres fortalezas principales:

• Usabilidad intuitiva

• Pertinencia de variables

• Valor preventivo de la visualización

También se identificaron barreras, como conectividad, carga de trabajo y resistencias iniciales a la digitalización. VerFigura 6, Figura 7y Figura 8 para flujos e interfaz.

Validación cuantitativa: desempeño de modelos ML

Se utilizó una base de datos simulada con 500 registros balanceados (250 caídas / 250 no caídas), estructurada con base en variables validadas clínicamente. Se comparó el desempeño de tres modelos de clasificación: regresión logística (RL), Random Forest (RF) y XGBoost, aplicando validación cruzada 5-fold. El desempeño comparativo de RL, RF y XGBoost se resume en la Tabla 1.

Tabla 1.Comparativa de tres algoritmos

El modelo eXtreme Gradient Boosting (XGBoost) fue seleccionado para su integración en el prototipo debido a su mejor desempeño global, destacando en precisión, sensibilidad y AUC-ROC, lo que lo convierte en una herramienta robusta para la predicción de caídas en entornos institucionales. Este algoritmo tiene la capacidad de modelar relaciones no lineales y manejar datos con ruido o desequilibrio, características comunes en registros clínicos y residenciales.

Asimismo, su alta capacidad de interpretación mediante técnicas como SHAP permite transparentar los factores que más influyen en la predicción, así como facilitar su integración clínica y la confianza del personal en los resultados del sistema.

Fase 4: Diseño visual (wireframe) y validación de la interfazElaboración de wireframes

Se diseñaron wireframes, o bosquejos, de baja fidelidad que representaban las principales pantallas del sistema: ingreso de incidentes, panel de visualización y módulo de exportación. Estos fueron presentados a usuarios clave para recoger observaciones sobre estructura, navegación y lenguaje (Figura 5).Este proceso permitió anticipar problemas de interfaz antes del desarrollo técnico.

Validación de la interfaz: cinco procesos complementarios

Una vez desarrollado el PMV, se implementaron cinco procesos de validación de interfaz y contexto:

1. Validación funcional: 12 sesiones de prueba permitieron verificar la navegación completa, sin errores críticos ni trabas técnicas.

2. Validación de usabilidad: Se aplicaron heurísticas simplificadas para evaluar claridad del diseño, carga cognitiva, lenguaje y retroalimentación del sistema.

3. Validación de contenido: Se revisó con usuarios si los campos del sistema correspondían a la práctica clínica real, que resultó en ajustes de nomenclatura.

4. Validación predictiva: Se verificó que los resultados de riesgo generados por el algoritmo (XGBoost) fueran consistentes y comprensibles.

5. Validación contextual: Se exploró la integración del sistema en flujos de trabajo reales, así como compatibilidad con formatos existentes y niveles de conectividad.

Discusión

Optimizar los registros de caídas en ELEAM en Chile

Este estudio reafirma la necesidad urgente de estandarizar y mejorar los sistemas de registro de caídas en ELEAM chilenos. El crecimiento sostenido de esta modalidad asistencial demanda procesos eficientes que aseguren calidad de atención y uso óptimo de recursos, especialmente considerando la vulnerabilidad de sus residentes. La literatura reciente respalda este enfoque: Kamel et al. (29) señalaron que la heterogeneidad en los registros dificulta la evaluación eficaz de riesgos en entornos geriátricos institucionales.

Los sistemas actuales presentan inconsistencias en terminología, datos faltantes y desalineación con protocolos nacionales, lo que limita la toma de decisiones informadas. Este déficit fomenta prácticas rutinarias inadecuadas y aumenta el riesgo de caídas, como lo han advertido otros investigadores en contextos similares. Las discrepancias observadas entre elementos protocolares y elementos estructurales efectivamente implementados durante el levantamiento se sintetizan en la Tabla 5, lo que evidencia oportunidades de mejora en infraestructura y equipamiento.

Tabla 5. Diferencias entre elementos descritos en protocolos y los implementados

Interdisciplinariedad y enfoque preventivo con ML

La integración de ML representa una solución prometedora para mejorar la gestión de caídas. Sin embargo, su aplicación exitosa exige un enfoque interdisciplinario, que articule diseñadores, ingenieros, clínicos y autoridades regulatorias. De hecho, un estudio reciente sobre la implementación de IA en hospitales destacó que la colaboración multidisciplinaria es fundamental para alinear la innovación con las prácticas clínicas reales y superar barreras operacionales (29).

PMV y gestión de expectativa

La definición del PMV fue compleja debido a la multifactorialidad de los cuidados en ELEAM. Su desarrollo se enfocó en datos esenciales: perfil del residente, acciones preventivas y registro de eventos. Esta estrategia se alinea con enfoques Lean Startup en salud, en el que se prioriza entregar valor rápido y generar retroalimentación clínica temprana.

Las pruebas de usuario confirmaron que el prototipo simplificado ayudó a gestionar expectativas y facilitó la comprensión del sistema. Los estudios similares en herramientas de salud digital han mostrado que iterar con prototipos “funcionales” mejora la aceptación y redunda en diseños más útiles (30).

Rendimiento de XGBoost y apoyos científicos

La elección de XGBoost, respaldada por un AUC de 0.84 y sensibilidad de 0.86, respondió a su capacidad para manejar variables no lineales y datos con ruido. Estudios recientes en contextos similares (residencias en EE. UU. y China) han reportado AUC entre 0.84 y 0.85, que confirma la idoneidad de este enfoque predictivo. Además, el uso de SHAP para explicar las predicciones fortalece la confianza del personal clínico en el sistema, una práctica emergente en AI aplicada a salud para mejorar la interpretabilidad de los modelos (31).

Validación multicomponente e implicancias organizacionales

La validación del prototipo incluyó aspectos funcionales, de usabilidad, contenido, predictivos y organizacionales, para garantizar una evaluación integral. Este enfoque coincide con las recomendaciones de revisiones sobre estrategias de prevención en hogares de larga estadía, que advierten la necesidad de adaptación al entorno y capacitación del personal.

El enfoque participativo permitió identificar barreras reales, como conectividad y carga laboral, y adaptar el prototipo antes de su despliegue, para mejorar su escalabilidad futura.

Fortalezas y limitacionesFortalezas

• Enfoque mixto y estructurado según STROBE

• Validación cultural y organizacional

• Uso de un PMV ágil y conectable

• Selección informada de un algoritmo robusto e interpretativo

Limitaciones

1. El uso de datos simulados limita la validez externa

2. Falta de interoperabilidad con sistemas clínicos en producción

3. La escalabilidad real aún no se ha evaluado longitudinalmente

Líneas futurasSe recomienda

1. Evaluar el sistema con datos reales de ELEAM en cohortes longitudinales

2. Integrar sensores e IoT (por sus siglas en inglés) para enriquecer la detección y validación en tiempo real (32)

3. Fortalecer regulaciones nacionales que promuevan e-health y registros estandarizados

4. Promover alianzas interdisciplinarias para desarrollo contextualizado

5. Involucrar a los residentes desde la etapa de diseño para fomentar la autonomía informada

Conclusiones

El desarrollo colaborativo de un prototipo de registro digital con ML demostró ser funcional, aceptable y con desempeño predictivo adecuado para ELEAM. La combinación de métodos cualitativos y cuantitativos, junto con el uso de PMV e interdisciplinariedad, establece una base sólida para escalar hacia un sistema preventivo e institucionalmente útil. Con validación adicional y ajustes en interoperabilidad, este enfoque podría transformarse en una herramienta efectiva para la prevención real de caídas en contextos de cuidado prolongado.

Conflicto de intereses

Los autores declaran no tener conflictos de intereses.

Financiación

Los autores declaran que este trabajo se desarrolló gracias al aporte del Proyecto Fondecyt Regular No. de ANID 1251564.

Referencias

1. World Health Organization. Ageing and health [Internet]. Ginebra: WHO; 2022. Recuperado a partir de: https://www.who.int/news-room/fact-sheets/detail/ageing-and-health

2. Gutiérrez-Murillo RS. Population aging in Latin America: a salutogenic understanding is needed. Eur J Environ Public Health [Internet]. 2022;6(2):em0121. doi: https://doi.org/10.21601/ejeph/12322

3. Ghasemi H, Kharaghani MA, Golestani A, Najafi M, Khosravi S, Malekpour MR, et al. The national and subnational burden of falls and its attributable risk factors among older adults in Iran from 1990 to 2021: findings from the global burden of disease study. BMC Geriatr [Internet]. 2025;25(1):253. doi: https://doi.org/10.1186/s12877-025-05909-6

4. World Health Organization. Falls [Internet]. Ginebra: WHO; 2021. Recuperado a partir de: https://www.who.int/news-room/fact-sheets/detail/falls

5. Shao L, Shi Y, Xie XY, Wang Z, Wang ZA, Zhang JE. Incidence and risk factors of falls among older people in nursing homes: systematic review and meta-analysis. J Am Med Dir Assoc [Internet]. 2023;24(11):1708-1717. doi: https://doi.org/10.1016/j.jamda.2023.06.002

6. Stefanacci RG, Wilkinson JR. Falls in older adults. MSD Manual Professional Edition. [Internet]. 2023. Recuperado a partir de: https://www.msdmanuals.com/professional/geriatrics/falls-in-older-adults/falls-in-older-adults

7. Campiño-Valderrama SM, Serna-Zuluaga AS, Ayala IC. Riesgo de caídas y su relación con la capacidad física y cognitiva en una residencia de adultos mayores de Santiago de Chile. Cultura del Cuidado [Internet]. 2020;17(2):61-74. doi: https://doi.org/10.18041/1794-5232/cultrua.2020v17n2.7658

8. Gillespie LD, Robertson MC, Gillespie WJ, Sherrington C, Gates S, Clemson LM, et al. Interventions for preventing falls in older people living in the community. Cochrane Database Syst Rev [Internet]. 2012;9:CD007146. doi: https://doi.org/10.1002/14651858.cd007146.pub3

9. Tiwari P, Colborn KL, Smith DE, Xing F, Ghosh D, Rosenberg MA. Assessment of a machine learning model applied to harmonized electronic health record data for the prediction of incident atrial fibrillation. JAMA Netw Open [Internet]. 2020;3(1):e1919396. doi: https://doi.org/10.1001/jamanetworkopen.2019.19396

10. Shao L, Wang Z, Xie X, Xiao L, Shi Y, Wang ZA, et al. Development and external validation of a machine learning–based fall prediction model for nursing home residents: a prospective cohort study. J Am Med Dir Assoc [Internet]. 2024;25(9):105169. doi: https://doi.org/10.1016/j.jamda.2024.105169

11. Islam M, Tayan O, Islam R, Islam S, Nooruddin S, Nomani-Kabir M, et al. Deep learning based systems developed for fall detection: a review. IEEE Access [Internet]. 2020;8:166117-37. doi: https://doi.org/10.1109/ACCESS.2020.3021943

12. Stevens JA, Phelan EA. Development of STEADI: a fall prevention resource for health care providers. Health Promot Pract [Internet]. 2013;14(5):706-14. doi: https://doi.org/10.1177/1524839912463576

13. Lin CC, Meardon S, O’Brien K. The predictive validity and clinical application of Stopping Elderly Accidents, Deaths & Injuries (STEADI) for fall risk screening. Adv Geriatr Med Res [Internet]. 2022;4(3):e220008. doi: https://doi.org/10.20900/agmr20220008

14. Marín-Úbeda J, Berna-Martínez J (dir). Diseño y desarrollo de una app de monitorización geoespacial para la supervisión de personas dependientes [tesis en Internet]. 2024; Valencia: Universidad de Alicante; 2023. Recuperado a partir de: https://rua.ua.es/entities/publication/1cd22bf1-46bc-4d98-945a-957e5a34feb7

15. Linnerud S, Hartford-Kvael LA, Graverholt B, Idland G, Taraldsen K, Brovold T. Stakeholder development of an implementation strategy for fall prevention in Norwegian home care: a qualitative cocreation approach. BMC Health Serv Res [Internet]. 2023;23(1):1390. doi: https://doi.org/10.1186/s12913-023-10394-x

16. Borra P. The Transformative Role of Microsoft Azure AI in Healthcare. Int J Emerg Trends Eng Res [Internet]. 2024;12(7):108-13. doi: https://doi.org/10.30534/ijeter/2024/021272024

17. Kadayat Y, Sharma S, Agarwal P, Mohan S. Internet- of-Things Enabled Smart Health Monitoring System Using AutoAI: A Graphical Tool of IBM Watson Studio. Communication Technologies and Security Challenges in IoT [Internet]. 2024:427-45. doi: https://doi.org/10.1007/978-981-97-0052-3_21

18. Fragoso-Mendoza MI, Dávila-Mendoza R, López-Ortiz G. Importancia y uso de guías para reportar los principales tipos de estudio en investigación médica. Cir Cir [Internet]. 2023;91(2):277-283. doi: https://doi.org/10.24875/CIRU.22000122

19. Beninho SG, Rosales Plaza F (dir). Análisis de la arquitectura institucional del servicio nacional de adultos mayores (SENAMA): una mirada hacia protección social de la vejez en Chile [tesis en Internet]. 2024; Santiago de Chile: Universidad de Chile; 2017. Recuperado a partir de: https://repositorio.uchile.cl/handle/2250/150604

20. Majka M. Mastering product development with the double diamond framework. ResearchGate [Internet]. 2024. Recuperado a partir de: https://www.researchgate.net/publication/384691492_Mastering_Product_Development_with_the_Double_Diamond_Framework

21. Wang X, Huang Z, Xu T, Li Y, Qin X. Exploring the future design approach to ageing based on the double diamond model. Systems [Internet]. 2023;11(8):404. doi: https://doi.org/10.3390/systems11080404

22. Arcia A, Stonbraker S, Mangal S, Lor M. A practical guide to participatory design sessions for the development of information visualizations: tutorial. J Particip Med [Internet]. 2024;16:e64508. doi: https://doi.org/10.2196/64508

23. Stevenson R, Burnell D, Fisher G. The minimum viable product (MVP): theory and practice. J Manag [Internet]. 2024;50(8):3202-31. doi: https://doi.org/10.1177/01492063241227154

24. Cook DA, Bikkani A, Poterucha-Carter MJ. Evaluating education innovations rapidly with build-measure-learn: applying lean startup to health professions education. Med Teach [Internet]. 2023;45(2):167-78. doi: https://doi.org/10.1080/0142159X.2022.2118038

25. Solomon DH, Rudin RS. Digital health technologies: opportunities and challenges inrheumatology. Nat Rev Rheumatol [Internet]. 2020;16:525-35. doi: https://doi.org/10.1038/s41584-020-0461-x

26. Leiva-Caro JA, Salazar-González BC (dir). Relación entre competencia, usabilidad, ambiente y caídas en el adulto mayor [Tesis de grado]. Nuevo León: Universidad Autónoma de Nuevo León; 2013. Recuperado a partir de: http://eprints.uanl.mx/3525/

27. Fernandes C, Miles S, Pereira-Lucena CJ. Detecting false alarms by analyzing alarm-context information: algorithm development and validation. JMIR Med Inform [Internet]. 2020;8(5):e15407. doi: https://doi.org/10.2196/15407

28. Zorzetti M, Signoretti I, Salerno L, Marczak S, Bastos R. Improving agile software development using user-centered design and lean startup. Inf Softw Technol [Internet]. 2022;141:106718. doi: https://doi.org/10.1016/j.infsof.2021.106718

29. Kamel-Rahimi A, Pienaar O, Ghadimi M, Canfell OJ, Pole JD, Shrapnel S, et al. Implementing AI in hospitals to achieve a learning health system: systematic review of current enablers and barriers. J Med Internet Res [Internet]. 2024;26:e49655. doi: https://doi.org/10.2196/49655

30. Cahoolessur DK, Rajkumarsingh B. Fall detection system using XGBoost and IoT. R&D Journal [Internet]. 2020;36:8-18. doi: https://doi.org/10.17159/2309-8988/2020/v36a2

31. Kang CW, Yan ZK, Tian JL, Pu XB, Wu LX. Constructing a fall risk prediction model for hospitalized patients using machine learning. BMC Public Health [Internet]. 2025;25(1):242. doi: https://doi.org/10.1186/s12889-025-21284-8

32. Jahandideh S, Hutchinson AF, Bucknall TK, Considine J, Driscoll A, Manias E, et al. Using machine learning models to predict falls in hospitalised adults. Int J Med Inform [Internet]. 2024;187:105436. doi: https://doi.org/10.1016/j.ijmedinf.2024.105436

Notas de autor

jcbriede@gmail.com

Información adicional

Cómo citar.: Dinamarca-Montecinos JL, Flores-Moraga MJ, Durán-Novoa RA, Briede-Westermeyer JC. Construcción de un prototipo de registro de caídas basado en machine learning para mayores institucionalizados. MedUNAB [Internet]. 2025;28(1):154-169. doi: https://doi.org/10.29375/01237047.5165

Contribución de los autores: JLDM. Conceptualización, redacción y preparación del borrador original. MJFM. Conceptualización, visualización e investigación. RADN. Redacción, revisión, edición y supervisión. JCBW. Conceptualización, redacción, revisión y edición.

Información adicional

redalyc-journal-id: 719

Enlace alternativo

https://revistas.unab.edu.co/index.php/medunab/article/view/5165 (html)

https://revistas.unab.edu.co/index.php/medunab/article/view/5165/4217 (pdf)

https://revistas.unab.edu.co/index.php/medunab/article/view/5165/4265 (xml)