L’AVC est l’une des principales triggers d’invalidité de longue durée dans le monde. Chaque année, furthermore de 15 thousands and thousands de personnes dans le monde sont victimes d’un AVC, et les trois quarts des survivants d’un AVC souffriront d’une déficience, d’une faiblesse et d’une paralysie des bras et des mains.
De nombreux survivants d’un AVC comptent sur leur bras le moreover fort pour accomplir leurs tâches quotidiennes, comme faire l’épicerie ou se coiffer, même lorsque le bras le moreover faible a le potentiel de s’améliorer. Rompre avec cette habitude, connue sous le nom de « non-utilisation des bras » ou « non-utilisation apprise », peut améliorer la drive et prévenir les blessures.
Mais il est difficile de déterminer dans quelle mesure un affected person utilise son bras le furthermore faible en dehors de la clinique. Dans un cas classique de paradoxe de l’observateur, la mesure doit être secrète pour que le individual se comporte spontanément.
Aujourd’hui, des chercheurs de l’USC ont développé un nouveau système robotique permettant de collecter des données précises sur la manière dont les personnes se remettant d’un AVC utilisent spontanément leurs bras. La méthode, première en son genre, est décrite dans un posting publié dans le numéro du 15 novembre de Science Robotics.
En utilisant un bras robotique pour suivre les informations spatiales 3D et des approaches d’apprentissage automatique pour traiter les données, la méthode génère une métrique de « non-utilisation du bras », qui pourrait aider les cliniciens à évaluer avec précision les progrès de la réadaptation d’un affected individual. Un robotic d’assistance sociale (SAR) fournit des guidelines et des encouragements tout au lengthy du défi.
« En fin de compte, nous essayons d’évaluer dans quelle mesure les performances d’une personne en physiothérapie se transfèrent dans la vie réelle », a déclaré Nathan Dennler, auteur principal de l’article et doctorant en informatique.
La recherche a impliqué les endeavours combinés des chercheurs du département d’informatique Thomas Lord de l’USC et de la division de biokinésiologie et de physiothérapie. « Ce travail rassemble des données quantitatives sur les performances des utilisateurs collectées à l’aide d’un bras robotique, tout en motivant également l’utilisateur à fournir une overall performance représentative grâce à un robotic d’assistance sociale », a déclaré Maja Matari ?, co-auteur de l’étude et titulaire de la chaire Chan Before long-Shiong et Professeur émérite d’informatique, de neurosciences et de pédiatrie. « Cette nouvelle combinaison peut constituer un processus additionally précis et as well as motivant pour l’évaluation des individuals victimes d’un AVC. »
Les autres auteurs sont Stefanos Nikolaidis, professeur adjoint d’informatique Amelia Cain, professeure adjointe de physiothérapie clinique, Carolee J. Winstein, professeure émérite et professeure adjointe au programme d’études supérieures en neurosciences, et les étudiantes en informatique Erica De Guzmann et Claudia Chiu.
À l’image d’une utilisation quotidienne
Pour l’étude, l’équipe de recherche a recruté 14 contributors qui étaient dominants à droite avant l’AVC. Le participant a placé ses mains sur la placement d’origine de l’appareil, une boîte imprimée en 3D avec des capteurs tactiles.
Un robotic d’assistance sociale (SAR) a décrit la mécanique du système et a fourni une rétroaction positive, tandis que le bras du robotic déplaçait un bouton vers différents emplacements cibles devant le participant (100 emplacements au full). Le « essai d’atteinte » start lorsque le bouton s’allume et que le SAR indique au participant de bouger.
Dans la première phase, les members devaient atteindre le bouton en utilisant la primary qui leur venait naturellement, reflétant leur utilisation quotidienne. Dans la deuxième period, il leur a été demandé d’utiliser uniquement le bras affecté par un accident vasculaire cérébral, reflétant les performances en physiothérapie ou dans d’autres contextes cliniques.
Grâce à l’apprentissage automatique, l’équipe a analysé trois mesures pour déterminer une mesure de non-utilisation du bras : la probabilité d’utilisation du bras, le temps nécessaire pour l’atteindre et l’atteinte réussie. Une différence notable de functionality entre les phases suggérerait une non-utilisation du bras affecté.
« Les members ont un délai limite pour atteindre le bouton, donc même s’ils savent qu’ils sont testés, ils doivent quand même réagir rapidement », a déclaré Dennler. « De cette façon, nous mesurons la réaction instinctive à l’allumage de la lumière : quelle key utiliserez-vous sur place ? »
Sûr et facile à utiliser
Surtout, les chercheurs ont découvert des différences dans l’utilisation des bras entre les participants, qui pourraient être utilisées par les professionnels de la santé pour suivre plus précisément la guérison d’un individual après un AVC.
« Par exemple, un participant dont le côté droit était plus affecté par son incident vasculaire cérébral a montré une utilisation moindre de son bras droit, spécifiquement dans les zones situées moreover haut sur son côté droit, mais a maintenu une forte probabilité d’utiliser son bras droit pour les zones inférieures du même côté. » dit Dennler.
« Un autre participant a présenté une utilisation as well as symétrique, mais a également compensé légèrement additionally souvent avec son côté le moins affecté pour les details supérieurs proches de la ligne médiane. »
Les members ont estimé que le système pourrait être amélioré grâce à la personnalisation, que l’équipe espère explorer dans de futures études, en plus d’incorporer d’autres données comportementales telles que les expressions faciales et différents kinds de tâches.
En tant que physiothérapeute, Cain a déclaré que la technologie résout de nombreux problèmes rencontrés avec les méthodes d’évaluation traditionnelles, qui « exigent que le client ne sache pas qu’il est testé et sont basées sur l’observation du testeur, ce qui peut laisser moreover de place à l’erreur ».
« Ce sort de technologie pourrait fournir à son thérapeute en réadaptation des informations riches et targets sur l’utilisation du bras d’un survivant d’un AVC », a déclaré Cain. « Le thérapeute pourrait alors intégrer ces informations dans son processus de prise de décision clinique et mieux adapter ses interventions pour répondre aux details faibles du patient et s’appuyer sur ses factors forts. »
