Konstruktion av ett AI-system för automatisk övervakning av axelrehabiliteringsövningar (Rehab-SPIA) (Rehab-SPIA)

Den nuvarande historiska fasen och det växande behovet av rehabilitering i världen gör telerehabiliteringssystem och e-hälsa i allmänhet till grundläggande verktyg för att öka patientens engagemang och efterlevnad av vården, avgörande element för bevarandet av NHS ur en utgiftsöversyn och resursoptimering.

I synnerhet har rehabiliteringspatienten i genomsnitt en följsamhet till Home Exercise Program (HEP) mellan 30-50 %, till vilket ofta läggs en minskad effektivitet av motorisk inlärning på grund av bristen på feedback om gestens noggrannhet, som det händer på sjukhuset eller öppenvården under överinseende av en terapeut.

De nya beräkningsmetoderna för analys av data om mänskliga rörelser, som syftar till att utveckla algoritmer för att automatiskt övervaka noggrannheten av patientens gest under utövandet av självbehandling i hemmet, försöker lösa denna sista kritiska fråga.

Bland de mest lovande tillvägagångssätten är de som är baserade på artificiell intelligens (AI) och maskininlärning (ML), särskilt de från den senaste generationen, kallade subsymboliska (eller konnektionistiska).

Dessa algoritmer väcker stort intresse för deras förmåga att automatiskt extrahera de framträdande egenskaperna hos rörelsen, vilket minskar experternas ingripande för insamlingen av all data och för den möjliga märkningen av exemplen (5) I alla fall, litteraturen visar en brist på modeller utvecklade med direkt involvering av läkare och en brist på datamängder skapade med patientpopulationer.

Dessutom har de flesta av de modeller som finns i litteraturen skapats med hjälp av ett flertal inmatningsenheter, ofta med hög teknologisk takt med avsevärda kostnader för att implementera en eventuell tjänst hemma hos patienten.

Av dessa skäl vill vi skapa en klinisk datauppsättning för specialister, med utgångspunkt från övningarnas videor, som involverar specifika populationer efter patologi och byggd på basis av klinisk bedömning. Med dessa egenskaper syftar detta projekt till att automatisera rörelseanalysprocessen så mycket som möjligt, enormt minska kostnaderna för användningen av teknologier och minimera mänskliga fel, allt genom att utnyttja de senaste beräkningsmetoderna för att skapa en användbar och låg- kostnadsverktyg för hemfunktionell omskolning.

Med tanke på vikten av hemmaträningsprogrammet vid axelsjukdom beslutades det att välja en population av patienter som drabbats av de huvudsakliga patologierna som påverkar denna led.

Huvudsyftet med studien är att skapa och validera ett mjukvaruverktyg för automatisk och expertanalys av korrekt utförande av de viktigaste rehabiliteringsövningarna för funktionell återhämtning av axeln efter ortopediska patologier.