在这项工作中，脆弱状态的检测和诊断包括两个基本方面。第一个涉及通过加速度计传感器收集和处理步态信息，这是虚弱检测的一个重要元素。第二是研究患者记录中发现的所有虚弱风险因素(包括步态分析信息)，提供有效的结果，并以准确客观的方式观察虚弱和前期虚弱的检测和诊断，供医生在移动设备上(如手机)进行解释。

脆弱性因素的识别包括识别与脆弱性相关的相关因素。这些因素必须作为脆弱性变量包含在系统中。当医生进行虚弱评估时，需要考虑一系列相关因素。埃斯皮诺萨从虚弱表型和系统回顾中确定了一组可能的风险因素[ 16］．此外，虚弱的物理特征也被考虑在内;然而，每一项的重要性并没有被指出，至少没有以定量的方式。

如前所述，与虚弱相关的临床变量来自患者记录。测试和量表的分数、实验室报告的结果以及一般信息等都由医生存储，以便在需要时进行研究。同时，由于社会和心理指标与患者的记录没有直接关系，因此没有考虑这些指标。最常见的指标与中提出的临床分组有关 表1［ 17(所有这些项目都很容易量化)。

功能评估是确定虚弱最重要的领域，也是首先要研究的。为此，医生应用步态和平衡测试来评估几个特征，主要基于Tinetti测试[ 18］．在进行这些活动时，使用系在老人腰部的加速度计收集有关步态和平衡的数据。Fontecha等人从运动分析中确定了以下指标作为加速度测量指标(针对三个轴)[ 19]:算术平均数、标准偏差、绝对平均数差、加速度平均数、方差、幅值和皮尔逊变异系数。这组新的参数也被认为是脆弱性评估的一部分。我们建议用手机收集和分析这些运动参数。（ 图1显示移动装置在长者腰间的正确位置。)除了这些因素外，还可以确定新的参数，以促进最终评估。

所开发的系统是基于以前工作中提出的模型[ 20.]，这有利于开发移动工具来分析已识别的脆弱性风险因素。

该模型分为两部分:概念和功能。概念部分定义了构成模型的实体集(即，哪些元素对于脆弱性评估是必要的)。在这种情况下，手机是模型的关键，也是最重要的实体。这些实体被分为以下五类:(1)设备，指环境中必要的设备，如手机、加速度计和服务器;(2)用户 ，(3)工件，由测量与虚弱相关方面的问卷和医疗器械组成;(4)程序，对应于与临床数据存储(来自患者记录和虚弱评估系统)相关的要素;(5)服务，对应于用于数据获取、数据处理、数据存储和结果创建的内部服务。

此外，每个实体负责一个或多个操作(称为实体角色)。中给出了关于实体及其关系的更详细信息 多媒体附件1．

另外，功能部分描述了前面的项目如何根据它们的角色工作。因此，功能将通过面向服务的方法来提供，其中确定了两种服务(移动服务和Web服务)。第一种包括可以由移动设备或智能手机部署的内部服务。第二个与作为Web服务托管在服务器上的服务有关。对于第二种服务，需要移动设备和服务器之间的网络连接(通过无线网络)。

在实际场景中，服务按照顺序运行 表2，有输入和输出。输入表示运行服务所需的元素或流程，而输出是服务提供的结果。

如果一个病人被研究了不止一次，这就意味着脆弱变量的新值的收集。因此，考虑到以上所有情况，我们可以使用患者实例的集合而不是患者的集合，其中一个实例由与给定时刻的患者相关的完整的脆弱性变量集组成，正如Fontecha定义的[ 19］．

该工具的主要目的涉及到脆弱性评估，对脆弱性产生更准确和集中的结果，侧重于主要参数的分析和相似算法的应用。此外，我们建议使用层次结构，如树图[ 21]，在移动设备上显示最终结果。树图是一种使用嵌套的彩色矩形以紧凑的方式显示层次信息的方法，最大限度地利用可用空间(在本例中是移动设备的显示)，有利于对结果的解释。

脆弱性评估过程的实现使用聚类分析特征和相似算法，为特定老年人群中与相对脆弱性评估相关的每个老年人提供一个系数。这个过程包括三个阶段。首先是相关变量的选择，选取前面详细的脆弱风险因素进行研究。第二步是变量的归一化，这是一个必要的过程，因为所选变量可能有不同的类型(定量的、定性的或二进制的)和单位。因此，在相似性计算之前，所有识别的变量都被归一化或标准化。这意味着一个变量的不同实例(如重量)必须用相同的单位(如千克)来测量。第三个阶段是计算相似度。相似度度量表明了两个对象之间关系的强度。在我们的例子中，每个对象都指的是一位老年病人。

聚类的主要特征之一是计算个体之间的相似度。有几种方法可以计算相似度、不相似度和距离矩阵[ 22]在种群中的个体之间。此时，当存在不同数据类型的变量时，高尔一般相似系数是最受欢迎的接近性或相似性度量方法之一[ 23］．高厄系数用于确定两个个体或案例之间的相似程度( 我,我)，提供二进制、定性和定量数据。其他算法不具备这些优势。在 多媒体附件2，详细描述了基于高尔系数计算相似值的数学公式。

在我们的例子中，根据脆弱因素计算相似系数涉及我们上面提到的混合变量(定性、定量和二进制)，甚至根据情况创建诊断;因此，Gower算法的应用在这种情况下是非常合适的。通过使用这个系数，可以根据医生当时确定的重要性，独立地对脆弱变量进行加权。因此，医生可以针对特定领域进行虚弱评估，如身体、营养、认知和人体测量等。

图2介绍了根据本文所描述的技术指标所开发的系统的概况。该模型集成了所有组件，并允许开发移动应用程序，以确定最终的脆弱性评估。该系统的体系结构被划分为层和块，对应于每个描述的部分。从这个意义上说，该模型确保了其余元素之间的互操作性，从而导致在移动电话上用于数据采集、处理和脆弱结果可视化的服务。

在这种方法中，已经开发了一个移动应用程序，通过考虑以前研究的一组老年人的数据，为每个新入行的老年患者提供衰弱评估。这个应用程序允许我们从患者记录中显示每个虚弱变量的值，从步态运动中提取离散度测量值，调整变量权重，并可视化相似结果。 图3显示移动应用程序流程以及用户要选择的选项 图4而且 5显示与这些选项对应的屏幕截图。

结果显示在树图视图中(参见 图5)，为医生提供影像支持，以便对选定的病人作出最终诊断。在我们的例子中，这个树状图由节点组成，其中每个节点(由矩形表示)都是一个动态对象，用户可以通过它访问由该特定节点表示的患者实例的完整信息，包括脆弱变量的所有值。具体来说，一个节点对象包含以下属性:父实例ID，对应于父节点的患者实例标识符;实例ID，指与该节点关联的当前患者实例(要研究的实例)的标识符;年龄，指该节点所代表的患者年龄;和“相似系数”，表示父节点与当前节点的相似系数值。

显然，如果有大量的患者实例，系统将需要更大的处理能力、更多的存储资源、更好的内存管理以及更多的时间来生成相似度结果。然而，除了优化这些系统特征之外，我们还建议减少树图的深度(最多三层)和每个父节点的最大子节点数量(最多三层)。提出这些建议的原因是，随着树级别和子节点数量的增加，脆弱性评估服务将需要更多的处理时间(取决于存储的患者实例)，并且最终结果对医生也没有多大用处(因为与根节点对应的研究实例相比，每个树级别上的相似系数值都较低)。在我们的例子中，在来自20个不同患者的64个实例上生成一个完整的树图的最大时间是2.55秒(请参阅下一节)。虽然计算了四个节点列表(对于根节点和第二个树级别的三个子节点)，但根据它们的相似系数，只显示了最具代表性的节点。

该系统对20例老年患者进行了评估，平均年龄83.58岁(SD 3.98)，其中女性10例(平均年龄85.43岁，SD 3.22岁)，男性10例(平均年龄81.80岁，SD 4.74岁)。在一年的时间里，每名患者的信息被收集了三次。收集的信息包括患者记录中所有可能的虚弱变量值和与步态运动相关的变量值。在 表3而且 4，我们提出了所有研究实例，考虑到6个不同的领域(见“虚弱因素的识别”部分):人体测量(9个变量)，功能(6个变量)，营养(13个变量)，认知(2个变量)，老年综合征(11个变量)，和离散度测量(20个变量)。

考虑每个组的所有前面的变量(见表标题) 表3而且 4)，我们发现有些变量由于两个不同的原因而没有价值。第一，当测量一个变量时，其值在范围内(在临床正常范围内)，没有测量该变量的因变量(如“如果总蛋白在正常范围内，不能给予血清白蛋白”);这包括临床决策。其次，某些值根本不会出现。 表5的现有值的总数的摘要 表3而且 4．

根据与变量相关的值，第一次迭代(从实例1到20)给出了更多给定值。因此，我们选择这个迭代作为脆弱性评估的代表示例，因为更多的值意味着更高的准确性。假设从实例1开始进行脆弱性评估(所有变量的最大重要性为100%)。通过相似性过程，将该实例与其他19个实例进行比较。然后，根据节点的相似系数，从当前实例计算出一个节点列表。对每个子节点重复此过程(每个树级别最多三个节点，两个级别)。 多媒体展示这些结果，这些结果在树状图结构中形式化，它们的顺序由它们的相似系数，并可在移动设备上显示。

在本例中，实例1与实例12(对应患者12)相似度为73.4%，与实例16相似度为72%，与实例2相似度为71.6%。以同样的方式，从这些最后的实例计算相似系数。最后一个节点的实例的相似性值较低，这是从它们的父节点计算出来的。在这种情况下，第二级的第三个节点(实例ID=2，对应患者2)相似系数最差，其子节点相似度分别为71.9%、71.6%和69.9%。这表明与其他节点相比，相似度较低。这种情况可以外推到任何其他生成的树。对于老年病专家来说，计算更多的子节点会导致混淆的解释和无用的结果。

然而，考虑到整个实例组，生成结果中的那些对应于有限年龄范围内的患者。在这种情况下，没有结果显示研究实例与那些小于80岁或大于90岁的患者之间的相似性。在我们的实验中，我们有一名92岁的妇女和4名年龄在80岁以下的人。这表明在进行相似性计算之前，根据性别和年龄设置聚类的重要性，优化系统的结果(目前不提供此功能)。

这些结果有助于医生确定特定患者的虚弱状况与老年人群中其他患者的关系。此外，根据这些结果，医生可以根据影响他们护理和治疗的相似程度对老年人进行分组。

在第二项研究中，使用虚弱评估移动应用程序，从最初的20名老年患者中，根据老年医生的标准，对10名营养缺乏的老年患者(5男5女)进行评估。在这种情况下，我们只考虑营养和人体测量领域的一些脆弱变量，具体如下:体重、体重指数、脂肪质量、瘦质量、总水、总蛋白质、血红蛋白、血清白蛋白和淋巴细胞。在移动应用程序中，这些变量的权重设置为1(重要性的100%)，其余变量的权重设置为0(重要性的0%)。

我们建立了以下三个阶段来评估每位长者。阶段1是初始评估，指从存储在系统中的每个患者的第一个实例中获取先前的虚弱参数。阶段2是自发进化，对应于对患者考虑的整个组参数的第二次评估。9个月后，创建了患者的第二个实例，并研究了他们的虚弱变量的值。第三阶段是补充蛋白质后的评估，参考老年患者组的最后一次评估。在本例中，老年患者服用220毫升蛋白质补充剂，每天两次，持续2个月。在此之后，创建第三个患者实例，并再次分析新实例的脆弱变量值。

从第一阶段开始，我们对小组进行了大致的描述。我们观察到男性的平均体重更高，瘦质量和总水的值也更高。而女性的体重指数和脂肪含量较高。根据世界卫生组织确定的体重指数标准，2名男性和1名女性有营养不良的危险。总蛋白、淋巴细胞均过低。 表6，阶段1，显示了研究变量的平均值，男性和女性，最初。 表6阶段2和阶段3为自发进化评估和补充蛋白质后评估中相同变量的对应值。

从第一阶段到第二阶段，男性和女性的大多数价值观都下降了。提示老年患者衰弱状态的增加。此外，在临床自发进化中，老年病专家确定生化参数比人体测量参数更早受到影响。

另一方面，从阶段2到阶段3，大多数变量保持其值，甚至其中一些值是增加的。这是由于补充。在这种情况下，女性比男性在更多变量的值上表现出更大的增长。 图6显示了几个关于男性和女性脆弱变量值的图表，涉及阶段2和3。

在这项研究中，脆弱移动应用程序从营养的角度进行进化分析，考虑到变量的子集(从应用程序中修改它们的权重)。此外，我们观察到补充后生化和人体测量值的改善。在男性中，生化变量的值得到了改善。在女性中，人体测量和生化领域的值增加，从营养的角度观察，在某些情况下，蛋白质补充剂的管理可能有助于延缓虚弱。

如何建立一个确定老年患者衰弱程度的绝对指标，仍然是一个未解决的问题。然而，正如我们在一些相关的工作中所看到的，一些建议提供了接近这一目标的方法。在这项工作中，我们提出了一个具有几个特征的模型，以开发用于脆弱性评估的移动工具。此外，我们实现了一个基于该模型的移动系统，以支持医疗保健环境中的老年人虚弱诊断。所提议的系统由一个模型组成，该模型定义了用于脆弱性评估所需的所有元素、关系和功能(使用面向服务的方法)。

如今，许多医生强调缺乏一种集中的方法来提供基于现有测试结果和临床信息的虚弱评估。为此，我们可以利用移动设备的特性，如加速度计传感器、无线通信能力和处理能力等，来开发新的方法和机制，从而对脆弱性进行客观评估。此外，该系统可以部署在其他设备上，特别是为了更好的结果可视化(例如，宽屏);然而，由于临床环境的异质性和移动性，移动设备也用于这项任务，在任何时候(当医生需要时)获得评估。

以一种补充的方式，我们考虑使用相似算法，它考虑了患者记录中所有相关的虚弱变量，以支持关于老年人与老年人群的虚弱状态的临床决策。在这种情况下，由于研究变量的性质(定量、定性和二进制)，Gower算法为我们提供了从一组患者实例中获得相似值的最合适的方法。此外，将得到的结果转换为称为节点的对象，并根据每个节点的相似值以树图结构表示。有了更多的患者实例和与脆弱变量相关的现有值，系统结果将提高准确性和可靠性。

在文献中缺乏类似的系统意味着我们不能将我们的建议与其他系统进行比较。然而，移动计算在医疗保健领域的发展，以及由于发达国家老年人口的增长而对虚弱研究的兴趣，是开发具有类似方法的新系统的主要原因。

在进行的两项研究中，我们检查了移动应用程序在支持虚弱诊断方面的有用性以及其他类型的相关研究。在本例中，我们还介绍了使用移动应用程序来执行基于营养参数和老年患者子集的进化分析。

最后，考虑到成人和老年患者的不同人群，我们可以进一步评估系统中聚类技术的集成，作为全面研究的补充。为此，有必要拥有大量年龄范围广泛的患者实例。虽然这一特征可以应用于我们的老年人评估组，但结果并不可靠，因为样本太小，很难建立基于年龄的广义界限。此外，为了处理相应的大量数据，可能需要进行与处理和性能相关的优化。