[ad_1]
Llegar al consultorio del médico puede resultar complicado. Y esta tarea puede ser particularmente desafiante para los padres de niños con trastornos motores como parálisis cerebral, ya que un médico debe examinar al niño regularmente en persona, a menudo durante una hora cada vez. Realizar estas evaluaciones frecuentes puede resultar costoso, consumir mucho tiempo y ser emocionalmente agotador.
Los ingenieros del MIT esperan aliviar algo de ese estrés con un nuevo método que evalúa de forma remota las funciones motoras de los pacientes. Al combinar técnicas de visión por computadora y aprendizaje automático, el método analiza videos de pacientes en tiempo real y calcula una puntuación clínica de la función motora basada en patrones de postura específicos que detecta en imágenes de video.
Los investigadores probaron el método utilizando vídeos de más de 1.000 niños con parálisis cerebral. Descubrieron que el método podía procesar cualquier vídeo y asignar una puntuación clínica que coincidiera con lo que un médico había determinado previamente durante una visita en persona con más del 70 por ciento de precisión.
El análisis de vídeo se puede realizar en varios dispositivos móviles. El equipo prevé que los pacientes puedan evaluar su progreso simplemente configurando su teléfono o tableta para grabar un video mientras se mueven por su casa. Luego podrían cargar el video en un programa que analice rápidamente las imágenes del video y asigne una puntuación clínica o nivel de progreso. Luego, el vídeo y la puntuación podrían enviarse a un médico para su revisión.
El equipo ahora está adaptando el enfoque para estudiar a niños con leucodistrofia metacromática, un trastorno genético poco común que afecta los sistemas nerviosos central y periférico. También esperan adaptar el método para evaluar a los pacientes que han sufrido un ictus.
«Queremos reducir un poco el estrés de los pacientes al no tener que ir al hospital para cada examen», dice Hermano Krebs, científico investigador principal del Departamento de Ingeniería Mecánica del MIT. «Creemos que esta tecnología podría usarse para evaluar de forma remota cualquier condición que afecte el comportamiento motor».
Krebs y sus colegas presentarán su nuevo enfoque en octubre en la Conferencia IEEE sobre redes de sensores corporales. Los autores del estudio del MIT son el autor principal Peijun Zhao, los investigadores co-principales Moisés Alencastre-Miranda, Zhan Shen y Ciaran O’Neill, y David Whiteman y Javier Gervas-Arruga del Takeda Development Center Americas, Inc.
Capacitación en red
En el MIT, Krebs desarrolla sistemas robóticos que trabajan físicamente con los pacientes para ayudarlos a restaurar o fortalecer las funciones motoras. También ha adaptado los sistemas para medir el progreso de los pacientes y predecir qué terapias son mejores para ellos. Si bien estas tecnologías han funcionado bien, su accesibilidad es significativamente limitada: los pacientes deben viajar a un hospital o instalación donde se encuentran los robots.
“Nos preguntamos: ‘¿Cómo podemos transferir los buenos resultados que hemos logrado con los robots de rehabilitación a un dispositivo ubicuo?’, recuerda Krebs. «Con los teléfonos inteligentes en todas partes, nuestro objetivo era aprovechar sus capacidades para evaluar de forma remota a las personas con discapacidades motoras para que puedan ser evaluadas en cualquier lugar».
Los investigadores primero observaron la visión por computadora y los algoritmos que estiman los movimientos humanos. En los últimos años, los científicos han desarrollado algoritmos de estimación de poses diseñados para tomar un vídeo (de una niña pateando un balón de fútbol, por ejemplo) y traducir sus movimientos en un conjunto correspondiente de poses esqueléticas en tiempo real. La secuencia resultante de líneas y puntos se puede asignar a coordenadas que los científicos pueden analizar más a fondo.
Krebs y sus colegas querían desarrollar un método para analizar datos de la postura esquelética de pacientes con parálisis cerebral, un trastorno evaluado tradicionalmente mediante el Sistema de clasificación de la función motora gruesa (GMFCS), una escala de cinco puntos que representa la función motora general de un niño. (Cuanto menor sea el número, mayor será la movilidad del niño).
El equipo trabajó con un conjunto de datos de postura esquelética disponibles públicamente creados por el Laboratorio de Biomecánica Neuromuscular de la Universidad de Stanford. Este conjunto de datos incluyó videos de más de 1000 niños con parálisis cerebral. Cada video mostraba a un niño realizando una serie de ejercicios en un entorno clínico, y cada video iba acompañado de una puntuación GMFCS que un médico asignó al niño después de una evaluación en persona. El grupo de Stanford pasó los vídeos a través de un algoritmo de estimación de pose para generar datos de pose esquelética, que luego el grupo del MIT utilizó como punto de partida para su estudio.
Luego, los investigadores buscaron formas de descifrar automáticamente patrones en los datos de la parálisis cerebral que son característicos de cada nivel clínico de función motora. Comenzaron con una red neuronal convolucional de gráficos espacio-temporales, un proceso de aprendizaje automático que enseña a una computadora a procesar datos espaciales que cambian con el tiempo, como una secuencia de posturas de esqueleto, y asignar una clasificación.
Antes de aplicar la red neuronal a la parálisis cerebral, el equipo utilizó un modelo que había sido previamente entrenado con un conjunto de datos más general. Este contenía vídeos de adultos sanos realizando diversas actividades diarias como caminar, correr, sentarse y darse la mano. Tomaron la columna vertebral de este modelo previamente entrenado y agregaron una nueva capa de clasificación diseñada específicamente para las puntuaciones clínicas asociadas con la parálisis cerebral. Refinaron la red para detectar patrones característicos en los movimientos de niños con parálisis cerebral y clasificarlos con precisión en niveles clave de evaluación clínica.
Descubrieron que la red previamente entrenada aprendió a clasificar correctamente los niveles de movilidad de los niños con mayor precisión que si hubiera sido entrenada únicamente con datos de parálisis cerebral.
«Debido a que la red está entrenada con un conjunto de datos muy grande de movimientos más generales, tiene algunas ideas sobre cómo extraer características de una secuencia de poses humanas», explica Zhao. «Aunque el conjunto de datos más amplio y el conjunto de datos sobre parálisis cerebral pueden ser diferentes, comparten algunos patrones comunes de acciones humanas y cómo esas acciones pueden codificarse».
El equipo probó su método en una variedad de dispositivos móviles, incluidos varios teléfonos inteligentes, tabletas y computadoras portátiles, y descubrió que la mayoría de los dispositivos podían ejecutar con éxito el programa y generar una puntuación clínica a partir de videos casi en tiempo real.
Actualmente, los investigadores están desarrollando una aplicación que los padres y los pacientes podrían algún día utilizar para analizar automáticamente vídeos de pacientes tomados en la comodidad de su propio entorno. Luego, los resultados podrían enviarse a un médico para una evaluación adicional. El equipo también planea adaptar el método para evaluar otras enfermedades neurológicas.
«Este enfoque podría ampliarse fácilmente a otras discapacidades, como el accidente cerebrovascular o la enfermedad de Parkinson, una vez probado en esta población utilizando medidas apropiadas para adultos», dice Alberto Esquenazi, director médico del Moss Rehabilitation Hospital en Filadelfia, que no participó en el estudio. Estudiar. «Podría mejorar la atención y reducir el costo general de la atención médica y la pérdida de tiempo de trabajo productivo para las familias, y esa es mi esperanza». [that it could] Aumentar el cumplimiento”.
«En el futuro, esto también podría ayudarnos a predecir antes cómo responderían los pacientes a las intervenciones», afirma Krebs. «Porque podríamos evaluarlos con más frecuencia para ver si una intervención está teniendo efecto».
Esta investigación fue apoyada por Takeda Development Center Americas, Inc.
[ad_2]