(AGENPARL) - Roma, 15 Settembre 2023[lid] Il metodo di apprendimento automatico funziona sulla maggior parte dei dispositivi mobili e potrebbe essere ampliato per valutare altri disturbi motori al di fuori dello studio medico.
Può essere una seccatura raggiungere lo studio del medico. E il compito può essere particolarmente impegnativo per i genitori di bambini con disturbi motori come la paralisi cerebrale, poiché un medico deve valutare il bambino di persona su base regolare, spesso per un’ora alla volta. Arrivare a queste frequenti valutazioni può essere costoso, dispendioso in termini di tempo ed emotivamente faticoso.
Gli ingegneri del MIT sperano di alleviare parte di questo stress con un nuovo metodo che valuta a distanza la funzione motoria dei pazienti. Combinando tecniche di visione artificiale e di apprendimento automatico, il metodo analizza i video dei pazienti in tempo reale e calcola un punteggio clinico della funzione motoria sulla base di determinati modelli di pose rilevati nei fotogrammi video.
I ricercatori hanno testato il metodo sui video di oltre 1.000 bambini affetti da paralisi cerebrale. Hanno scoperto che il metodo poteva elaborare ciascun video e assegnare un punteggio clinico che corrispondeva con una precisione superiore al 70% a ciò che un medico aveva precedentemente determinato durante una visita di persona.
L’analisi video può essere eseguita su una vasta gamma di dispositivi mobili. Il team prevede che i pazienti possano essere valutati sui loro progressi semplicemente configurando il loro telefono o tablet per registrare un video mentre si muovono nella propria casa. Potrebbero quindi caricare il video in un programma che analizzerebbe rapidamente i fotogrammi video e assegnerebbe un punteggio clinico o livello di progresso. Il video e la colonna sonora potrebbero quindi essere inviati a un medico per la revisione.
Il team sta ora adattando l’approccio per valutare i bambini affetti da leucodistrofia metacromatica, una rara malattia genetica che colpisce il sistema nervoso centrale e periferico. Sperano anche di adattare il metodo per valutare i pazienti che hanno avuto un ictus.
“Vogliamo ridurre un po’ lo stress dei pazienti non dovendo andare in ospedale per ogni valutazione”, afferma Hermano Krebs, principale ricercatore presso il Dipartimento di Ingegneria Meccanica del MIT. “Riteniamo che questa tecnologia potrebbe essere potenzialmente utilizzata per valutare a distanza qualsiasi condizione che influenzi il comportamento motorio”.
Krebs e i suoi colleghi presenteranno il loro nuovo approccio alla conferenza IEEE sulle reti di sensori corporei in ottobre. Gli autori dello studio del MIT sono il primo autore Peijun Zhao, il ricercatore co-principale Moises Alencastre-Miranda, Zhan Shen e Ciaran O’Neill, insieme a David Whiteman e Javier Gervas-Arruga del Takeda Development Center Americas, Inc.
Formazione in rete
Al MIT, Krebs sviluppa sistemi robotici che lavorano fisicamente con i pazienti per aiutarli a ritrovare o rafforzare la funzione motoria. Ha anche adattato i sistemi per valutare i progressi dei pazienti e prevedere quali terapie potrebbero funzionare meglio per loro. Sebbene queste tecnologie abbiano funzionato bene, sono significativamente limitate nella loro accessibilità: i pazienti devono recarsi in un ospedale o in una struttura in cui sono presenti i robot.
“Ci siamo chiesti: come potremmo estendere i buoni risultati ottenuti con i robot per la riabilitazione a un dispositivo onnipresente?” Krebs ricorda. “Poiché gli smartphone sono ovunque, il nostro obiettivo era sfruttare le loro capacità per valutare a distanza le persone con disabilità motorie, in modo che potessero essere valutate ovunque”.
Immagine: set di dati creato dallo Stanford Neuromuscular Biomechanics Laboratory in collaborazione con Gillette Children’s Specialty Healthcare
I ricercatori hanno esaminato innanzitutto la visione artificiale e gli algoritmi che stimano i movimenti umani. Negli ultimi anni, gli scienziati hanno sviluppato algoritmi di stima delle pose progettati per riprendere un video – ad esempio, di una ragazza che calcia un pallone da calcio – e tradurre i suoi movimenti in una serie corrispondente di pose scheletriche, in tempo reale. La sequenza risultante di linee e punti può essere mappata su coordinate che gli scienziati possono analizzare ulteriormente.
Krebs e i suoi colleghi miravano a sviluppare un metodo per analizzare i dati della posa dello scheletro di pazienti con paralisi cerebrale, un disturbo che è stato tradizionalmente valutato lungo il Gross Motor Function Classification System (GMFCS), una scala a cinque livelli che rappresenta la funzione motoria generale di un bambino. . (Più basso è il numero, maggiore è la mobilità del bambino.)
Il team ha lavorato con una serie di dati di posa dello scheletro disponibili al pubblico, prodotti dal Laboratorio di biomeccanica neuromuscolare dell’Università di Stanford. Questo set di dati comprendeva video di oltre 1.000 bambini affetti da paralisi cerebrale. Ogni video mostrava un bambino che eseguiva una serie di esercizi in un ambiente clinico e ogni video era contrassegnato con un punteggio GMFCS che un medico assegnava al bambino dopo la valutazione di persona. Il gruppo di Stanford ha eseguito i video attraverso un algoritmo di stima della posa per generare dati sulla posa dello scheletro, che il gruppo del MIT ha poi utilizzato come punto di partenza per il loro studio.
I ricercatori hanno quindi cercato modi per decifrare automaticamente i modelli nei dati sulla paralisi cerebrale che sono caratteristici di ciascun livello di funzione motoria clinica. Hanno iniziato con una rete neurale convoluzionale con grafico spazio-temporale, un processo di apprendimento automatico che addestra un computer a elaborare dati spaziali che cambiano nel tempo, come una sequenza di pose dello scheletro, e ad assegnare una classificazione.
Prima di applicare la rete neurale alla paralisi cerebrale, il team ha utilizzato un modello pre-addestrato su un set di dati più generale, che conteneva video di adulti sani che eseguivano varie attività quotidiane come camminare, correre, sedersi e stringere la mano. Hanno preso la struttura portante di questo modello pre-addestrato e vi hanno aggiunto un nuovo livello di classificazione, specifico per i punteggi clinici relativi alla paralisi cerebrale. Hanno messo a punto la rete per riconoscere modelli distintivi all’interno dei movimenti dei bambini con paralisi cerebrale e classificarli accuratamente all’interno dei principali livelli di valutazione clinica.
Hanno scoperto che la rete preaddestrata ha imparato a classificare correttamente i livelli di mobilità dei bambini, e lo ha fatto in modo più accurato che se fosse stata addestrata solo sui dati della paralisi cerebrale.
“Poiché la rete è addestrata su un set di dati molto ampio di movimenti più generali, ha alcune idee su come estrarre caratteristiche da una sequenza di pose umane”, spiega Zhao. “Sebbene il set di dati più ampio e quello sulla paralisi cerebrale possano essere diversi, condividono alcuni modelli comuni di azioni umane e il modo in cui tali azioni possono essere codificate”.
Il team ha testato il metodo su una serie di dispositivi mobili, inclusi vari smartphone, tablet e laptop, e ha scoperto che la maggior parte dei dispositivi poteva eseguire con successo il programma e generare un punteggio clinico dai video, quasi in tempo reale.
I ricercatori stanno ora sviluppando un’app che, secondo loro, genitori e pazienti potrebbero un giorno utilizzare per analizzare automaticamente i video dei pazienti, ripresi nel comfort del proprio ambiente. I risultati potrebbero quindi essere inviati a un medico per un’ulteriore valutazione. Il team sta inoltre pianificando di adattare il metodo per valutare altri disturbi neurologici.
“Questo approccio potrebbe essere facilmente espandibile ad altre disabilità come l’ictus o il morbo di Parkinson una volta testato su quella popolazione utilizzando parametri appropriati per gli adulti”, afferma Alberto Esquenazi, direttore medico del Moss Rehabilitation Hospital di Filadelfia, che non è stato coinvolto nello studio. studio. “Potrebbe migliorare l’assistenza e ridurre il costo complessivo dell’assistenza sanitaria e la necessità per le famiglie di perdere tempo di lavoro produttivo, e spero che [che possa] aumentare la compliance”.
“In futuro, questo potrebbe anche aiutarci a prevedere come i pazienti risponderebbero più rapidamente agli interventi”, afferma Krebs. “Perché potremmo valutarli più spesso, per vedere se un intervento sta avendo un impatto”.
Questa ricerca è stata supportata dal Takeda Development Center Americas, Inc.
