Contribuciones al desarrollo de una plataforma de e-health para la atención física y emocional de personas mayores usando técnicas de inteligencia artificial y cloud computing

[ESP] El envejecimiento poblacional plantea retos significativos para los sistemas sanitarios, especialmente en la atención a personas mayores en situación de fragilidad, donde la prevención de caídas y el deterioro funcional son prioridades clínicas. Este fenómeno, con implicaciones sociales y económicas, exige soluciones innovadoras que permitan evaluaciones objetivas y continuas en entornos no especializados. En este contexto, esta tesis tiene como objetivo diseñar y desarrollar una plataforma de e-Health en la nube que integre la evaluación física y cognitiva en un ecosistema digital, ofreciendo un entorno seguro, escalable e interoperable para la planificación y aplicación asíncrona de terapias, la monitorización continua y el apoyo a la toma de decisiones clínicas. La metodología incluyó el diseño de una arquitectura modular desplegada en Google Cloud Platform, que integra servicios gestionados, APIs REST seguras y un modelo de datos escalable para garantizar trazabilidad y protección de la información clínica. Sobre esta base se desarrollaron dos aplicaciones locales: una para la dimensión física, basada en sensores RGB-D y algoritmos de estimación de pose, y otra para la dimensión cognitiva, que combina EEG, análisis facial 3D y juegos serios. Además, se incorporaron modelos de IA para automatizar la puntuación clínica y una aplicación web para terapeutas que permite la planificación, prescripción y análisis longitudinal de las evaluaciones. Los resultados muestran avances relevantes: la calibración de WorldLandmarks redujo errores de profundidad a menos de 2 cm; la red neuronal para inclinación del tronco alcanzó un 94% de exactitud y la CNN para postura de brazos cruzados logró métricas perfectas en validación interna y 90% en datos externos. La concordancia entre evaluación tradicional y digital fue del 87,5%, y la usabilidad obtuvo una puntuación SUS de 82,5/100, considerada excelente. Los estudios con usuarios evidenciaron alta aceptación del BCI, aunque la calidad de la señal EEG presentó variabilidad. En conclusión, la plataforma desarrollada demuestra viabilidad técnica, relevancia clínica y alto potencial de adopción como herramienta complementaria en la atención geriátrica. Si bien persisten retos como la variabilidad en la calidad de la señal EEG y la necesidad de ampliar la validación en entornos reales y heterogéneos, estos aspectos se abordan en las líneas futuras.[ENG] Population aging presents major challenges for healthcare systems, particularly in the care of older adults with frailty, where preventing falls and functional decline are clinical priorities. This phenomenon, with significant social and economic implications, demands innovative solutions that enable objective and continuous assessments in non-specialized settings. In this context, this dissertation aims to design and implement a cloud-based e-Health platform that integrates physical and cognitive evaluation within a unified digital ecosystem, providing a secure, scalable, and interoperable environment for asynchronous therapy planning, continuous monitoring, and clinical decision support. The methodology involved developing a modular architecture deployed on Google Cloud Platform, integrating managed services, secure REST APIs, and a scalable data model to ensure traceability and protection of clinical information. Based on this infrastructure, two local applications were developed: one for physical assessment, using RGB-D sensors and pose estimation algorithms, and another for cognitive assessment, combining EEG, 3D facial analysis, and serious games. Additionally, AI models were incorporated to automate clinical scoring, along with a web application for therapists to plan, prescribe, and perform longitudinal analysis of evaluations. The results demonstrate significant progress: WorldLandmarks calibration reduced depth errors to under 2cm; the neural network for trunk inclination achieved 94% accuracy, and the CNN for crossed-arm posture reached perfect metrics in internal validation and 90% on external data. Agreement between traditional and digital assessments was 87.5%, and usability scored 82.5/100 on the SUS scale, rated as excellent. User studies indicated strong acceptance of the BCI, although EEG signal quality showed variability. In conclusion, the proposed platform proves technically feasible, clinically relevant, and highly promising as a complementary tool in geriatric care. Remaining challenges include variability in EEG signal quality and the need for broader validation in real-world, heterogeneous environments, which are addressed in future work.

Author

• Blasco García, Jesús Damián

• Fragilidad
• Computación en la nube
• Sensores RGB-D
• Electroencefalografía (EEG)
• Monitorización clínica

Identifier

hdl:10317/24365

OAI identifier oai:identifier

oai:repositorio.upct.es:10317/24365