Sztuczna inteligencja w rehabilitacji i fizjoterapii

 

 

Liczba publikacji naukowych dotyczących wykorzystania AI w rehabilitacji dynamicznie rośnie od lat 2004 roku, jednak nadal nie jest ich wiele: 796 od 1986 r. Sytuacja w przypadku zastosowań AI w fizjoterapii wygląda jeszcze gorzej: 124 publikacje naukowe od 1995 r. [1]. Pandemia koronawirusa przyśpieszyła te zmiany, jednak problem wydaje się palący, gdyż podczas pandemii dostęp do rehabilitacji był utrudniony, a liczba pacjentów z „zaległymi” zabiegami wciąż rośnie – stąd pilne zapotrzebowania na nowe, możliwie zautomatyzowane systemy diagnostyki, predykcji, wnioskowania klinicznego w rehabilitacji i fizjoterapii.

AI w fizjoterapii

Najlepiej rozwiniętym obszarem zastosowań AI w fizjoterapii jest kliniczna analiza chodu, w której wykorzystuje się zarówno klasyczne klasyfikatory, jak i uczenie maszynowe, a także logikę rozmytą (w tym skierowane liczy rozmyte) i analizę fraktalną [2-7]. Widoczne jest tu zapotrzebowanie na szybkie, tanie i proste rozwiązania związane z obiektywizacją wyników fizjoterapii: diagnostyką, monitorowaniem ćwiczeń i korektą planu fizjoterapii, szczególnie w wersjach na urządzenia mobilne, dedykowane zarówno pacjentom ze schorzeniami i urazami, jak i osobom zdrowym uprawiający sport amatorsko lub wyczynowo (w tym do predykcji przeciążeń i urazów). Istnieje też potencjał dla łączenia ich w większe środowiska, w tym inteligentnych robotów rehabilitacyjnych mogących poprawić codzienną praktykę fizjoterapeutyczną, w tym poprzez informatyzację i automatyzację ćwiczeń, ale także sztuczno inteligentny ich dobór, analizę parametrów i wyników pacjenta, klasyfikację i przewidywanie zmian w stanie zdrowia pacjentów [8].

AI w rehabilitacji

Rehabilitacja obejmuje pełniejsze podejście do poprawy zdrowia pacjenta niż fizjoterapia, dokładając m.in. narzędzia diagnozujące funkcje poznawcze. Stąd zapotrzebowanie na efektywne systemy diagnostyczno-analityczne badające współdziałanie funkcji ruchowych i poznawczych w czynnościach codziennego życia. Szczególnej uwagi wymaga zastosowanie AI w:

· lepszym zrozumieniu potrzeb i preferencji pacjentów w zakresie projektowania i funkcjonalności nowo opracowanych technologii,

· testowaniu wykonalności i użyteczności prototypowych rozwiązań technologicznych,

· pozyskiwaniu, analizie i wnioskowaniu z danych na temat funkcjonowanie poszczególnych rozwiązań technologicznych (np. wykrywania upadków czy przekroczenia wartości alarmowych parametrów życiowych) [9, 10].

AI w telerehabilitacji

Szacuje się, że liczba osób w wieku powyżej 60 lat na świecie wzrośnie do 2,1 mld w 2050 roku, a ok. 80% z nich będzie mieszkać w krajach rozwijających się [9, 10]. Stąd potrzeba powstania rozwiązań nie tylko skutecznych, ale i tanich. Telerehabilitacja wsparta AI to po prostu już konieczność. Dodatkowo nawet w przypadku wysokiej jakości edukacji pacjenta, zmiana zachowań na prozdrowotne nie musi nastąpić, stąd potrzebne są solidniejsze

diagnostyczne i monitorujące podejścia telemedyczne [11]. Zakres wsparcia obejmuje zwykle wybrane spośród nw. deficytów:

· funkcji fizycznych: zmniejszona mobilność i szybkość chodzenia, upadki, osłabienie, zmniejszona szybkość chodzenia, trudności w wykonywaniu czynności życia codziennego,

· funkcji sensorycznych: osłabienie lub utrata słuchu, zaćma i wady refrakcji, starczowzroczność,

· funkcji poznawczych, np. problemy z pamięcią,

· zaburzenia behawioralne i psychologiczne,

· problemy z izolacją społeczną,

· relatywnie niska jakość życia [12]

AI w zaopatrzeniu rehabilitacyjnym

Wybór i dopasowanie zaopatrzenia rehabilitacyjnego wymaga ogromnego doświadczenia, a asortyment w tym zakresie powiększa się z roku na rok. korzystają z niego nie tylko osoby niepełnosprawne i w podeszłym wieku, ale również osoby z osłabieniami w procesie powrotu do zdrowia czy sportowcy w celu zabezpieczenia przed przeciążeniami.

Ograniczenia

Poprawę wykorzystania AI w opiece zdrowotnej w zakresie fizjoterapii i rehabilitacji trzeba dokonać jednocześnie na trzech poziomach: strategii opieki zdrowotnej, świadczenia usług i codziennej praktyki klinicznej [11]. Problemem może być niekiedy fakt, że część pacjentów zwleka z rozpoczęciem rehabilitacji, pogarszając rokowania, a następnie, po uzyskaniu poprawy, dość szybko rezygnuje z jej kontynuacji, być może nie uzyskując maksymalnego efektu. Obiektywizacja oparta na AI pozwoliłaby lepiej zbadać również to zjawisko.

Kierunki rozwoju

W gospodarkach, zwłaszcza rozwijających się, wzrasta zachorowalność na schorzenia układu mięśniowo-szkieletowego oraz ich udział w zachorowalności na choroby wielonarządowe [11]. Jednocześnie rehabilitacja jest procesem długotrwałym, wspomagającym przywrócenie pacjenta do najlepszego osiągalnego dla niego stanu zdrowia, zgodnie zasadami Polskiej szkoły rehabilitacji (kompleksowość, powszechność, wczesność i ciągłość.). Stąd, przy ograniczonych zasobach kadrowych i finansowych, konieczny jest szybki rozwój narzędzi wspierających proces rehabilitacji. Świadomość i doświadczenie fizjoterapeutów z nowymi technologiami będą rosły, a umiejętność analizy danych stanie się elementem planu rozwoju zawodowego [8].

Podsumowanie

Korzystne jest, by liczba badań dotyczących wykorzystania AI w rehabilitacji i fizjoterapii wzrosła. W szczególności dotyczy to wsparcia i odciążenia fizjoterapeutów oraz przeniesienia części zabiegów, a może i diagnostyki, do domu pacjenta.

 

Dziękujemy za przeczytanie całego artykułu. Mamy nadzieję, że przyniósł on Państwu odpowiedzi na nasuwające się Państwu pytania. Jeżeli potrzebujecie Państwo więcej wiedzy w tym zakresie, zapraszamy do czytania pozostałych artykułów na naszym portalu.

 

Literatura

1. National Library of Medicine, National Center for Biotechnology Information https://pubmed.ncbi.nlm.nih.gov – dostęp 27.05.2021 r.

2. Prokopowicz P., Mikołajewska E., Mikołajewski D., Kotlarz P. Analysis of temporospatial gait parameters. W: Prokopowicz P., Czerniak J., Mikołajewski D., Apiecionek Ł., Ślęzak D. Theory and applications of Ordered Fuzzy Numbers A tribute to Professor Witold Kosiński. Part of the Studies in Fuzziness and Soft Computing book series (STUDFUZZ), vol. 356, Springer 2017. pp. 289-302.

3. Prokopowicz P., Mikołajewski D., Tyburek K., Mikołajewska E. Computational gait analysis for post-stroke rehabilitation purposes using fuzzy numbers, fractal dimension and neural networks. Bulletin of the Polish Academy of Sciences – Technical Science, 2020, 68(2):191-198.

4. Prokopowicz P., Mikołajewski D., Tyburek K., Mikołajewska E., Kotlarz P. AI-Based Analysis of Selected Gait Parameters in Post-stroke Patients. In: Choraś M., Choraś R. (eds.) Image Processing and Communications. IP&C 2019. Advances in Intelligent Systems and Computing, vol 1062. Springer, Cham, pp. 197-205.

5. Prokopowicz P., Mikołajewski D., Mikołajewska E., Kotlarz P. Fuzzy System as an Assessment Tool for Analysis of the Health-Related Quality of Life for the People After Stroke W: Rutkowski L., Korytkowski M., Scherer R., Tadeusiewicz R., Zadeh L. A., Zurada J. M. (red.) Artificial Intelligence and Soft Computing: 16th International Conference, ICAISC 2017, Springer International Publishing AG, 2017 Seria: Lecture Notes in Artificial Intelligence, s. 710-721.

6. Prokopowicz P., Mikołajewski D., Mikołajewska E., Tyburek K. Modeling Trends in the Hierarchical Fuzzy System for Multi-criteria Evaluation of Medical Data W: Kacprzyk J., Szmidt E., Zadrożny S., Atanassov K. T., Krawczak M. Advances in Fuzzy Logic and Technology 2017 : Proceedings of EUSFLAT- 2017 – The 10th Conference of the European Society for Fuzzy Logic and Technology. Vol. 3. Springer, 2017 Seria: Advances in Intelligent Systems and Computing, vol. 643, s. 207-219.

7. Mikołajewska E., Prokopowicz P., Mikolajewski D. Computational gait analysis using fuzzy logic for everyday clinical purposes – preliminary findings. Bio-Algorithms and Med-Systems, 2017; 13(1):37-42.

8. Tack C. Artificial intelligence and machine learning applications in musculoskeletal physiotherapy. Musculoskelet Sci Pract. 2019; 39:164-169.

9. Xie B., Tao C., Li J., Hilsabeck R. C., Aguirre A. Artificial Intelligence for Caregivers of Persons With Alzheimer’s Disease and Related Dementias: Systematic Literature Review. JMIR Med Inform. 2020; 8(8):e18189.

10. Ganesan B., Gowda T., Al-Jumaily A., Fong K. N. K., Meena S. K., Tong R.K. Y. Ambient assisted living technologies for older adults with cognitive and physical impairments: a review. Eur Rev Med Pharmacol Sci. 2019; 23(23):10470-10481.

11. Chehade M. J., Yadav L., Kopansky-Giles D., Merolli M., Palmer E., Jayatilaka A., Slater H. Innovations to improve access to musculoskeletal care. Best Pract Res Clin Rheumatol. 2020; 34(5):101559.

12. Winters J. M., Wang Y., Winters J. M. Wearable sensors and telerehabilitation. IEEE Eng Med Biol Mag 2003; 22(3):56-65.

Autor: Waldemar Wiśniewski, Dariusz Mikołajewski