یک تکنیک جدید به نام “نقشه‌برداری از وضعیت (pose-mapping)” برای ارزیابی بیماران مبتلا به فلج مغزی ایجاد شده است. این روش از تکنولوژی یادگیری ماشینی بهره می‌برد و به راحتی بر روی اکثر تلفن‌های همراه قابل استفاده است. به علاوه، این روش قابلیت ارزیابی اختلالات حرکتی دیگر را در محیط‌هایی خارج از مطب پزشک نیز دارا است.
مراجعه به مطب پزشک ممکن است مشکل‌آفرین باشد، به ویژه برای والدین کودکان مبتلا به اختلالات حرکتی مانند فلج مغزی، زیرا پزشک باید کودک را به صورت منظم و معمولاً به مدت یک ساعت یا بیشتر ارزیابی کند. این مراجعات مکرر ممکن است هزینه‌بر، زمان‌بر و از نظر احساسی دشوار باشند.
تحقیقات در زمینه فلج مغزی با هوش مصنوعی
طبق گزارش وبسایت MIT News، مهندسان دانشگاه MIT امیدوارند با رویکرد جدیدی که به‌صورت از راه دور عملکرد حرکتی بیماران را ارزیابی می‌کند، بتوانند میزان استرس مرتبط با این فرآیند را کاهش دهند. این روش، با ترکیب بینایی کامپیوتری و تکنیک‌های یادگیری ماشینی، ویدئوهای بیماران را به‌صورت زمان‌واقعی تجزیه و تحلیل می‌کند و عملکرد حرکتی را بر اساس الگوهای خاصی از وضعیت‌ها که در فریم‌های ویدئو تشخیص داده می‌شود، ارزیابی می‌کند.
محققان این روش را بر روی بیش از 1000 ویدئوی کودکان مبتلا به فلج مغزی آزمایش کرده‌اند و نتایج نشان داده است که این روش قادر به پردازش هر ویدئو است و با دقت بیش از 70 درصد نسبت به ارزیابی توسط پزشک در یک ویزیت حضوری، امتیاز بالینی عملکرد حرکتی را تعیین می‌کند.
تجزیه و تحلیل ویدیو میتواند روی اکثر دستگاه‌های تلفن همراه اجرا شود. این تیم اعتقاد دارد که بیماران می‌توانند به سادگی با تنظیم تلفن یا تبلت خود برای ضبط ویدیوهای حین حرکت در خانه خود، پیشرفت خود را ارزیابی کنند. سپس می‌توانند ویدیو را در یک برنامه بارگذاری کنند که به سرعت فریم‌های ویدیو را تجزیه و تحلیل کرده و یک امتیاز بالینی یا سطح پیشرفت را تعیین نماید. سپس می‌توانند ویدئو و امتیاز را برای بررسی به پزشک ارسال کنند.
در حال حاضر، این تیم یک رویکرد برای ارزیابی کودکان مبتلا به لوکودیستروفی متاکروماتیک، یک اختلال ژنتیکی نادر که تأثیراتی بر سیستم عصبی مرکزی و محیطی دارد، طراحی کرده است. همچنین آنها امیدوارند که این روش را برای ارزیابی بیمارانی که سکته مغزی را تجربه کرده‌اند، تطبیق دهند.
هرمانو کربس، دانشمند اصلی در بخش مهندسی مکانیک دانشگاه MIT، اظهار می‌دهد: “می‌خواهیم با کاهش نیاز به مراجعه به بیمارستان برای ارزیابی، استرس بیماران را به حداقل برسانیم. ما باور داریم که این فناوری، به طور پتانسیل در هر موقعیتی که بر روی عملکرد حرکتی تأثیر می‌گذارد، برای ارزیابی از راه دور مورد استفاده قرار گیرد.”
بررسی حرکات بدن با هوش مصنوعی
محققان ابتدا به بینایی کامپیوتری و الگوریتم‌های تخمین حرکات انسان پرداختند. در سال‌های اخیر، دانشمندان الگوریتم‌های تخمین ژست را توسعه داده‌اند که می‌توانند برای فیلم‌برداری مثلاً از حرکات یک دختر که به توپ فوتبال زده و ترجمه حرکات او به یک مجموعه از ژست‌های اسکلت در زمان واقعی استفاده شوند. دنباله خطوط و نقاط به دست آمده را میتوان به مختصاتی تبدیل کرد تا دانشمندان بتوانند آنها را بیشتر تجزیه و تحلیل کنند.
کربس و تیمش با هدف توسعه روشی برای تجزیه و تحلیل داده‌های وضعیت اسکلت بیماران مبتلا به فلج مغزی، که از سنتی‌ترین روش‌های ارزیابی عملکرد حرکتی گروه عضلانی درمانی (GMFCS) برای این اختلال استفاده می‌شود، یک مقیاس پنج سطحی ایجاد کردند که عملکرد حرکتی عمومی کودکان را نمایش می‌دهد.
این تیم با استفاده از مجموعه‌ای از داده‌های اسکلتی که توسط آزمایشگاه بیومکانیک عصبانی عضلانی دانشگاه استنفورد فراهم شده بود، کار کرد. این مجموعه داده شامل ویدئوهای بیش از ۱۰۰۰ کودک مبتلا به فلج مغزی بود. هر ویدئو یک کودک را در حال انجام تمرینات در یک محیط بالینی نشان می‌داد و هر ویدئو با نمره GMFCS که پزشک پس از ارزیابی حضوری به کودک اختصاص می‌داد، برچسب‌گذاری شده بود. گروه استنفورد از یک الگوریتم تخمین پوز برای تولید داده‌های حالت اسکلت در این ویدئوها استفاده کرد و سپس گروه MIT این داده‌ها را به عنوان نقطه شروع برای تحقیقات خود استفاده کرد.
محققان سپس به دنبال روش‌هایی برای خودکار شناسایی الگوهای موجود در داده‌های مرتبط با فلج مغزی بودند، که به عنوان مشخصه‌های هر سطح عملکرد حرکتی بالینی عمل می‌کند.
قبل از استفاده از شبکه عصبی برای فلج مغزی، این گروه از محققان از یک مدل آموزش دیده شده روی یک مجموعه داده گسترده‌تر استفاده کردند. این مجموعه داده شامل ویدئوهایی از بزرگسالان سالم بود که در فعالیت‌های روزمره مختلفی مانند راه رفتن، دویدن، نشستن و دست دادن شرکت می‌کردند. آنها از ستون فقرات این مدل آموزش دیده استفاده کردند و یک لایه طبقه‌بندی جدید که مرتبط با نمرات بالینی مرتبط با فلج مغزی بود، به آن افزودند. سپس شبکه را برای تشخیص الگوهای خاص در حرکات کودکان مبتلا به فلج مغزی آموزش دادند و آنها را با دقت بیشتری نسبت به زمانی که تنها بر روی داده‌های فلج مغزی آموزش دیده شده بود، طبقه‌بندی کردند.
