Un alleato in più per la riabilitazione fisica: l'intelligenza artificiale

Il 90% delle sessioni di riabilitazione fisica viene eseguito in un contesto domestico e questo, secondo alcuni studi, comporta deviazioni rispetto al trattamento prescritto dal medico, con conseguente dilatamento dei tempi di recupero e aumento dei costi di assistenza sanitaria.

Le valutazioni rispetto ai progressi conseguiti nella fase di riabilitazione fisica tradizionalmente vengono eseguite manualmente o con l'aiuto di sistemi informatici tradizionali che non forniscono un tipo di feedback che possa realmente consentire ai pazienti di capire dove stanno sbagliando e quindi a migliorarsi. I ricercatori dell'Università dell'Idaho credono che l'intelligenza artificiale possa aiutare i medici a seguire a distanza i loro pazienti, migliorando la conformità rispetto ai trattamenti prescritti.

Il loro lavoro è stato descritto in un documento intitolato "Framework di deep learning per la valutazione degli esercizi di riabilitazione fisica". Il framework si suddivide in tre punti principali: metriche per quantificare le prestazioni negli esercizi, conversione delle prestazioni all'interno di un sistema di punteggio e modelli di machine learning che codificano la relazione tra dati di movimento e punteggi di qualità.

I ricercatori hanno raccolto dati scheletrici provenienti da esercizi di movimento eseguiti da 10 pazienti sani attraverso un sistema di tracciamento ottico. Quindi, hanno calcolato due metriche comunemente utilizzate per la valutazione della riabilitazione: con modelli e senza modelli. Nel primo caso le ripetizioni vengono confrontate con modelli di esercizi, mentre nel secondo si tratta di misure provenienti direttamente dalle traiettorie realizzate negli esercizi. Successivamente è stato applicato un ulteriore modello al fine di ridurre il numero di variabili che possono incidere sui dati e definito un sistema di punteggio che funziona in modo tale che il valore delle metriche di prestazione sia espresso attraverso un punteggio di qualità del movimento compreso tra 0 e 1.

Una volta ottenuto i punteggi, il team ha formato tre reti neurali distinte: una rete neurale convoluzionale (CNN), una rete neurale ricorrente (RNN) e una rete olistica (HNN) composta da sottoreti. Ciascuna rete è stata "allenata" per cinque volte e il team ha verificato la deviazione media tra i punteggi di qualità dell'input e i punteggi di qualità previsti dalla rete. Dopo questi studi, la rete CNN si è dimostrata la più accurata.

Il team avverte che i risultati non sono necessariamente generalizzabili, perché il set di dati utilizzato proveniva da pazienti sani. Tuttavia, credono che questo lavoro possa gettare le basi per ulteriori applicazioni future. "Per quanto a nostra conoscenza, il nostro è il primo lavoro che implementa reti neurali per la valutazione delle prestazioni riabilitative", affermano. "Nonostante il ruolo essenziale della valutazione riabilitativa nel miglioramento dei risultati di riabilitazione e la riduzione dei costi sanitari, gli approcci esistenti per il monitoraggio assistito da computer e la valutazione delle prestazioni dei pazienti mancano di versatilità, robustezza e rilevanza pratica".

Per le ultime applicazioni dei sistemi di machine learning rispetto al linguaggio, e gli studi in materia di Google e Facebook, consultate questo articolo.