Un programma di apprendimento automatico applicato a sensori di movimento indossabili si è dimostrato efficace per la riabilitazione dopo l’ictus
Un programma di apprendimento automatico applicato a sensori di movimento indossabili si è dimostrato efficace quasi all’80% nell’identificare e conteggiare i movimenti del braccio prescritti durante gli esercizi di riabilitazione nei pazienti che hanno avuto un ictus, secondo i risultati di uno studio pubblicato sulla rivista PLOS Digital Health.
Secondo i Centers for Disease Control and Prevention (CDC), l’ictus colpisce quasi 800mila statunitensi ogni anno, in oltre la metà dei quali la mobilità del braccio risulta gravemente ridotta. La maggior parte delle persone che hanno un’ischemia presenta deficit motori persistenti in un arto superiore, con una conseguente perdita significativa della funzionalità e dell’indipendenza nelle attività della vita quotidiana.
Precedenti ricerche sugli animali hanno suggerito che un esercizio ad alta intensità della parte superiore del corpo può favorire il recupero. Tuttavia la ricerca sugli esseri umani ha mostrato che le persone che hanno avuto un ictus ricevono in media un decimo dell’allenamento che si è rivelato efficace negli animali. Questo, secondo i ricercatori, è principalmente dovuto al fatto che fino a oggi non esisteva un modo semplice per tracciare accuratamente i movimenti del braccio.
«Sapere quanta riabilitazione fisica devono recuperare i pazienti che hanno avuto un’ischemia è stato ostacolato dall’incapacità di contare facilmente i movimenti di allenamento» ha affermato la coautrice senior Heidi Schambra, professore associato di neurologia e medicina riabilitativa presso la New York University (NYU) Langone Health. «Nel nostro studio abbiamo mostrato che è possibile identificare e contare i movimenti per l’allenamento nel braccio con problemi di mobilità con un approccio che utilizza sensori di movimento indossabili e apprendimento automatico. Il nostro strumento di misurazione è un passo entusiasmante verso l’acquisizione e il dosaggio oggettivo della riabilitazione per massimizzare il recupero».
Uno strumento per massimizzare il recupero della capacità funzionali
I ricercatori della NYU Grossman School of Medicine hanno utilizzato lo strumento PrimSeq per valutare le registrazioni dei movimenti della parte superiore del corpo in 41 pazienti adulti con ictus durante gli esercizi di routine per recuperare l’uso delle braccia e delle mani.
Hanno registrato oltre 51mila movimenti degli arti superiori tramite nove sensori, con registrazioni digitali di ogni movimento del braccio, che hanno poi abbinato a categorie funzionali, tra cui riuscire a raggiungere un oggetto o tenerlo fermo.
I sensori fissati alle braccia e alla schiena sono stati utilizzati per tracciare i movimenti in tre dimensioni. Gli sviluppatori prevedono di effettuare ulteriori test su più pazienti per perfezionare il loro modello, ridurre il numero di sensori necessari e quindi sviluppare un prototipo più piccolo del dispositivo che possa essere indossato sul braccio e sulla parte superiore del corpo.
Tramite un software di apprendimento automatico sono stati rilevato gli schemi all’interno dei dati, che erano collegati a movimenti specifici. Il programma PrimSeq è stato quindi nuovamente testato su un gruppo separato di pazienti con ictus e ha valutato con successo la maggior parte dei movimenti nei soggetti con menomazioni del braccio da lievi a moderate causate da ischemia.
«Riteniamo importante che questo strumento sia rapidamente disponibile per ricercatori e terapeuti, quindi abbiamo reso disponibile gratuitamente il nostro algoritmo di apprendimento automatico» ha fatto presente Schambra. «Potrebbe essere utilizzato dai ricercatori per identificare quali sono le intensità di allenamento che funzionano meglio, così da massimizzare il recupero della capacità dei pazienti di muoversi autonomamente e prendersi cura di sè stessi dopo un ictus».
«PrimSeq ha prestazioni all’avanguardia in termini di identificazione e conteggio dei movimenti funzionali in questi pazienti e stiamo raccogliendo più dati per continuare ad aumentarne l’accuratezza» ha aggiunto il coautore Carlos Fernandez-Granda, professore associato di matematica e scienza dei dati alla New York University. «Il nostro strumento è molto promettente per l’uso clinico, dal momento che l’alternativa è non disporre di conteggi accurati. Se avranno successo anche le prossime valutazioni, testeremo ovviamente il sistema in studi clinici».
Bibliografia
Parnandi A et al. PrimSeq: A deep learning-based pipeline to quantitate rehabilitation training. PLOS Digit Health 1(6): e0000044.