From Video to Clinical Insight: Computer Vision-Based Detection of Upper Limb Compensation Strategies Following Stroke Utilizing SAM3D Body

La récupération après un accident vasculaire cérébral (AVC) est souvent une histoire d'adaptation. Lorsque le centre de commande du bras dans le cerveau est endommagé, le corps trouve fréquemment un moyen de contournement pour accomplir la tâche. Si une personne ne peut pas tendre la main vers l'avant parce que les muscles de l'épaule sont faibles, elle peut incliner tout son torse vers l'avant ou lever l'épaule très haut pour rapprocher sa main d'une tasse. Ces « mouvements compensatoires » permettent à la personne de réaliser la tâche, mais ils peuvent devenir de mauvaises habitudes qui empêchent le bras d'apprendre à nouveau à bouger correctement. Pendant des décennies, les thérapeutes se sont appuyés sur leur propre regard pour repérer ces raccourcis lors des visites en clinique, observant un patient tendre la main vers un objet et notant si sa colonne vertébrale se courbe ou si son épaule se lève. Cependant, cette méthode est limitée aux quelques heures qu'un patient passe à l'hôpital, ce qui rend difficile le suivi des progrès ou la détection de changements subtils lorsque le patient est de retour chez lui.

Une équipe de chercheurs a maintenant développé un moyen de voir ces mouvements cachés en utilisant rien de plus qu'une caméra vidéo standard et un programme informatique. En apprenant à une machine à reconnaître les angles spécifiques du corps, ils ont créé un système capable de signaler automatiquement lorsqu'un survivant d'un AVC utilise ces stratégies de compensation. L'objectif n'était pas de remplacer le thérapeute, mais de lui donner un outil qui fonctionne en continu, transformant un simple enregistrement vidéo en un rapport détaillé sur la façon dont le corps se déplace. Cette approche offre une voie pour surveiller la récupération dans le monde réel, là où les patients vivent et pratiquent, plutôt que dans l'environnement contrôlé d'un laboratoire.

Les chercheurs se sont concentrés sur trois manières courantes dont le corps compense lors d'une tâche simple : tendre le bras pour attraper une bouteille d'eau et l'amener à la bouche. La première est de lever l'épaule loin du côté du corps. La deuxième est de courber le haut du corps vers l'avant. La troisième est d'incliner le haut du corps sur le côté. Pour apprendre à l'ordinateur à repérer cela, l'équipe a recruté vingt-six personnes ayant subi un AVC entre un et six mois auparavant. Chaque participant s'est assis à une table et a effectué la tâche de portée dix fois avec son bras fort et dix fois avec son bras faible. Une caméra de tablette a enregistré chaque mouvement de face.

Au lieu de fixer des capteurs sur la peau ou de demander aux patients de porter des vêtements spéciaux, l'équipe a utilisé un modèle de vision par ordinateur sophistiqué appelé SAM3D Body. Ce logiciel analyse la vidéo image par image pour construire un squelette tridimensionnel du corps de la personne, suivant la position de la colonne vertébrale, des épaules, des coudes et des poignets dans l'espace. Les chercheurs ont ensuite calculé des angles spécifiques pour chaque mouvement. Par exemple, pour mesurer le lever de l'épaule, l'ordinateur a calculé l'angle entre le haut du bras et la colonne vertébrale. Pour mesurer l'inclinaison, il a mesuré la distance de laquelle la colonne vertébrale s'écartait d'une ligne verticale droite. Ils ont observé l'angle maximal atteint, l'angle moyen maintenu et la façon dont l'angle changeait par rapport à la position de départ.

Pour s'assurer que l'ordinateur apprenait les bonnes choses, trois experts humains — médecins et thérapeutes — ont regardé les vidéos et ont étiqueté chaque tentative comme présentant ou non un mouvement compensatoire. Ils se sont accordés sur les étiquettes pour la grande majorité des essais. Les chercheurs ont ensuite entraîné un algorithme d'apprentissage automatique, un type de programme informatique qui apprend des modèles à partir de données, pour prédire ces étiquettes en se basant uniquement sur les angles calculés par la caméra. Ils ont testé le système en utilisant une méthode rigoureuse où l'ordinateur était entraîné sur les données de vingt-cinq personnes, puis devait prédire les mouvements de la vingt-sixième personne, un processus répété jusqu'à ce que chaque participant ait été testé. Cela a permis de garantir que le système puisse reconnaître ces mouvements chez une nouvelle personne qu'il n'avait jamais vue auparavant.

Les résultats ont montré que l'ordinateur pouvait identifier ces mouvements avec une grande fiabilité. Pour la stratégie de levée de l'épaule, le système a été correct environ 95,5 % du temps. Pour l'inclinaison latérale, il a été correct 87,5 % du temps. Le mouvement de flexion vers l'avant a été le plus difficile à détecter, avec une précision de 75,6 %, mais le taux de réussite global pour les trois types était solide. Les chercheurs ont constaté que le système fonctionnait mieux pour les personnes présentant des déficiences plus graves. Chez ces patients, les mouvements compensatoires étaient larges et évidents, ce qui les rendait faciles à repérer pour l'ordinateur. Pour ceux ayant des déficiences plus légères, les mouvements étaient plus subtils et plus proches des mouvements normaux, ce qui les rendait légèrement plus difficiles à distinguer. Cela suggère que l'outil est particulièrement utile pour les patients qui ont besoin de le plus d'aide, car leurs mouvements plus amples sont ceux que le système détecte le plus fiablement.

L'étude a également révélé pourquoi certains mouvements étaient plus difficiles à détecter que d'autres. La flexion vers l'avant du torse repose sur la perception de la profondeur — la distance parcourue par le corps vers l'avant ou vers l'arrière par rapport à la caméra. Comme le système utilisait une seule caméra, il devait estimer cette profondeur, ce qui est intrinsèquement plus difficile que de mesurer des mouvements latéraux ou de haut en bas sur un écran plat. Cette limitation technique explique pourquoi la détection de la flexion vers l'avant était moins précise que la détection du lever d'épaule ou de l'inclinaison latérale. Malgré cela, le système a réussi à distinguer le bras affecté du bras sain, montrant que le bras plus faible déclenchait systématiquement des angles de compensation plus importants.

Les chercheurs soulignent que cette technologie est conçue pour assister, et non pour remplacer, le jugement humain. Dans un cadre pratique, le système agirait comme un filtre, passant en revue des heures de vidéo et ne mettant en évidence que les tentatives spécifiques où un mouvement compensatoire est probablement survenu. Un thérapeute pourrait alors examiner uniquement ces moments signalés, voyant peut-être une reconstruction 3D du corps superposée à la vidéo pour confirmer la constatation. Cela permettrait aux thérapeutes de gagner du temps et de se concentrer sur les données les plus pertinentes. Le système pourrait également être utilisé pour une surveillance à distance, permettant aux patients d'effectuer la tâche à domicile avec une tablette et d'envoyer les données à leur équipe de soins. Cela fournirait une image continue de la récupération, montrant si un patient s'améliore ou s'il retombe dans de vieilles habitudes entre les visites en clinique.

Bien que le système actuel nécessite des ordinateurs puissants pour traiter la vidéo, les chercheurs notent que des améliorations futures pourraient le rendre assez rapide pour fonctionner sur des appareils mobiles standards. Ils reconnaissent également que les conditions du monde réel, telles qu'un éclairage médiocre ou des arrière-plans encombrés, pourraient mettre le système à l'épreuve, et que davantage de données sont nécessaires pour affiner sa précision pour les personnes présentant des déficiences légères. Cependant, la conclusion fondamentale demeure : il est possible d'utiliser une seule caméra vidéo et un logiciel avancé pour mesurer objectivement la façon dont un survivant d'un AVC se déplace. En transformant une simple vidéo en une mesure précise des angles du corps, ce travail ouvre la porte à un avenir où la rééducation n'est pas seulement une série de visites en clinique, mais un voyage continu et guidé par les données vers la guérison.