Je vous l’avais bien dit, bientôt les kinésithérapeutes seront remplacés par des machines, des ostéopathes, des coaches Staps, ma concierge, … (air connu).
Bon, c’est pas pour tout de suite mais apparemment cela dessine une profession de planificateurs / évaluateurs de réhabilitation. J’attend la version qui permettra par téléconsultation d’infliger des chocs électriques aux patients ne faisant pas ou faisant mal leurs exercices. MIRA est un bon début 🙂
Contexte :
La réalisation d’exercices de physiothérapie devant un physiothérapeute permet d’obtenir des notes d’évaluation qualitative et un retour d’information immédiat. Cependant, la pratique des exercices à domicile ne permet pas de savoir si les patients accomplissent bien les tâches prescrites. L’absence d’un retour d’information approprié peut entraîner une mauvaise exécution des exercices par les patients, ce qui peut aggraver leur état. Voici une approche permettant de générer des notes d’évaluation des performances afin de suivre les progrès réalisés par le patient à domicile et le physiothérapeute à la clinique.
Objectif :
Cette étude vise à proposer l’utilisation de 2 algorithmes d’apprentissage machine, la déformation dynamique du temps (DTW) et le modèle de Markov caché (HMM), pour évaluer quantitativement les performances du patient par rapport à une référence. Ne m’en demandez pas plus, je n’écris pas pour Kinésithérapie Scientifique.
Méthodes :
Les données de mouvement ont été enregistrées à l’aide d’un capteur de mouvement (Kinect V2), capable de détecter 25 articulations dans le modèle de squelette humain, et ont été comparées à celles d’une référence.
Au total, 16 participants ont été recrutés pour effectuer 4 exercices différents : abduction des épaules, abduction des hanches, fente et exercices assis-debout. Leur performance a été comparée à celle d’un physiothérapeute comme référence.
Résultats :
Les deux algorithmes ont montré une tendance similaire dans l’évaluation des performances des participants. Cependant, leurs niveaux de sensibilité étaient différents. Bien que le DTW soit plus sensible aux petits changements, le HMM a saisi une vue générale de la performance, étant moins sensible aux détails.
Conclusions :
Les algorithmes choisis ont démontré leur capacité à évaluer objectivement la performance de la thérapie physique. L’HMM peut être plus approprié dans les premières étapes d’un programme de physiothérapie pour saisir et rapporter la performance générale, alors que le DTW pourrait être utilisé plus tard pour se concentrer sur les détails.
Les scores permettent au patient de suivre ses performances quotidiennes. Ils peuvent également être communiqués au physiothérapeute pour suivre et évaluer les progrès du patient, lui fournir un retour d’information et ajuster le programme d’exercices si nécessaire.
Références bibliographiques
Reza Haghighi Osgouei, David Soulsby, Fernando Bello. Rehabilitation Exergames: Use of Motion Sensing and Machine Learning to Quantify Exercise Performance in Healthy Volunteers. JMIR Rehabil Assist Technol. 2020 Aug 18;7(2):e17289. doi: 10.2196/17289.
Article en accès libre en cliquant sur le lien du titre.
kinotesfr.wordpress.com 