Visión por computadora e inteligencia artificial para evaluar de forma remota a pacientes con parálisis cerebral

Comparta este Artículo en:

Una técnica de mapeo de poses podría evaluar de forma remota a pacientes con parálisis cerebral.

El método de aprendizaje automático funciona en la mayoría de los dispositivos móviles y podría ampliarse para evaluar otros trastornos motores fuera del consultorio del médico.

Puede ser complicado llegar al consultorio del médico.

Y la tarea puede ser especialmente desafiante para los padres de niños con trastornos motores como parálisis cerebral, ya que un médico debe evaluar al niño en persona de forma regular, a menudo durante una hora cada vez.

Llegar a estas evaluaciones frecuentes puede resultar costoso, llevar 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 la función motora 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 ciertos patrones de posturas que detecta en fotogramas de video.

Los investigadores probaron el método en videos de más de 1.000 niños con parálisis cerebral.

Descubrieron que el método podía procesar cada video y asignar una puntuación clínica que coincidía con más del 70 por ciento de precisión con lo que un médico había determinado previamente durante una visita en persona.

El análisis de video se puede ejecutar en una variedad de dispositivos móviles.

El equipo prevé que se pueda evaluar el progreso de los pacientes simplemente configurando su teléfono o tableta para grabar un video mientras se mueven por su propia casa.

Luego podrían cargar el video en un programa que analizaría rápidamente los fotogramas del video y asignaría una puntuación clínica o nivel de progreso.

Luego, el video y la información podrían enviarse a un médico para su revisión.

El equipo ahora está adaptando el enfoque para evaluar a niños con leucodistrofia metacromática, un trastorno genético poco común que afecta el sistema nervioso central y periférico.

También esperan adaptar el método para evaluar a pacientes que han sufrido un derrame cerebral.

“Queremos reducir un poco el estrés de los pacientes al no tener que ir al hospital para cada evaluación”, 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“.

En el MIT, Krebs desarrolla sistemas robóticos que trabajan físicamente con los pacientes para ayudarlos a recuperar o fortalecer la función motora.

También ha adaptado los sistemas para medir el progreso de los pacientes y predecir qué terapias podrían funcionar mejor para ellos.

Si bien estas tecnologías han funcionado bien, su accesibilidad es significativamente limitada: los pacientes tienen que viajar a un hospital o instalación donde se encuentran los robots.

“Nos preguntamos: ¿cómo podríamos ampliar los buenos resultados que obtuvimos con los robots de rehabilitación a un dispositivo ubicuo?” recuerda Krebs.

“Como los teléfonos inteligentes están en todas partes, nuestro objetivo era aprovechar sus capacidades para evaluar de forma remota a personas con discapacidad motriz, para que pudieran ser evaluados en cualquier lugar”.

Los investigadores observaron primero 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 que están diseñados para tomar un video (por ejemplo, de una niña pateando un balón de fútbol) y traducir sus movimientos en una serie correspondiente de poses de esqueleto, 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 se propusieron desarrollar un método para analizar los datos de la postura del esqueleto de pacientes con parálisis cerebral, un trastorno que tradicionalmente se ha evaluado según el Sistema de Clasificación de la Función Motora Gruesa (GMFCS), una escala de cinco niveles 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 posturas del esqueleto disponibles públicamente que fue producido por el Laboratorio de Biomecánica Neuromuscular de la Universidad de Stanford.

Este conjunto de datos comprendía 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 estaba etiquetado con una puntuación GMFCS que un médico le asignaba al niño después de la evaluación en persona.

El grupo de Stanford pasó los videos a través de un algoritmo de estimación de pose para generar datos de pose del esqueleto, 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 entrena a una computadora para procesar datos espaciales que cambian con el tiempo, como una secuencia de posturas de esqueleto, y asignar una clasificación.

Antes de que el equipo aplicara la red neuronal a la parálisis cerebral, utilizaron un modelo que había sido entrenado previamente en un conjunto de datos más general, que contenía videos 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 le agregaron una nueva capa de clasificación, específica para las puntuaciones clínicas relacionadas con la parálisis cerebral.

Ajustaron la red para reconocer patrones distintivos dentro de los movimientos de niños con parálisis cerebral y clasificarlos con precisión dentro de los principales niveles de evaluación clínica.

Descubrieron que la red previamente entrenada aprendió a clasificar correctamente los niveles de movilidad de los niños, y lo hizo con mayor precisión que si hubiera sido entrenada únicamente con los datos de la parálisis cerebral.

“Debido a que la red está entrenada en 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.

“Si bien 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 varios 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.

Los investigadores ahora están desarrollando una aplicación, que imaginan que los padres y los pacientes algún día podrían usar para analizar automáticamente videos 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 otros trastornos neurológicos.

“Este enfoque podría ampliarse fácilmente a otras discapacidades como el accidente cerebrovascular o la enfermedad de Parkinson una vez que se pruebe en esa población utilizando métricas apropiadas para adultos“, dice Alberto Esquenazi, director médico del Moss Rehabilitation Hospital en Filadelfia, que no participó en el estudio.

“Podría mejorar la atención y reducir el costo general de la atención médica y la necesidad de que las familias pierdan tiempo de trabajo productivo, y tengo la esperanza [que pueda] aumentar el cumplimiento”.

“En el futuro, esto también podría ayudarnos a predecir cómo responderían antes los pacientes a las intervenciones”, afirma Krebs.

“Porque podríamos evaluarlos con más frecuencia para ver si una intervención está teniendo impacto”.

Fuente: MIT News