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

Il recupero da un ictus è spesso una storia di adattamento. Quando il centro di comando del braccio nel cervello viene danneggiato, il corpo trova frequentemente un modo alternativo per portare a termine il compito. Se una persona non riesce a protendersi in avanti con la mano perché i muscoli della spalla sono deboli, potrebbe inclinare l'intero busto in avanti o sollevare la spalla molto in alto per avvicinare la mano a una tazza. Questi "movimenti compensatori" permettono alla persona di completare il compito, ma possono diventare cattive abitudini che impediscono al braccio di imparare nuovamente a muoversi correttamente. Per decenni, i terapisti si sono affidati ai propri occhi per individuare queste scorciatoie durante le visite in clinica, osservando un paziente che allunga la mano verso un oggetto e notando se la colonna vertebrale si flette o se la spalla si solleva. Tuttavia, questo metodo è limitato alle poche ore che un paziente trascorre in ospedale, rendendo difficile monitorare i progressi o cogliere cambiamenti sottili quando il paziente si trova a casa.

Un team di ricercatori ha ora sviluppato un modo per vedere questi movimenti nascosti usando nient'altro che una normale videocamera e un programma per computer. Insegnando a una macchina a riconoscere le angolazioni specifiche del corpo, hanno creato un sistema in grado di segnalare automaticamente quando un sopravvissuto a un ictus utilizza queste strategie compensatorie. L'obiettivo non era sostituire il terapista, ma fornire uno strumento che funzioni ventiquattr'ore su ventiquattro, trasformando una semplice registrazione video in un rapporto dettagliato su come si muove il corpo. Questo approccio offre una via per monitorare il recupero nel mondo reale, dove i pazienti vivano e si esercitino, piuttosto che solo nell'ambiente controllato di un laboratorio.

I ricercatori si sono concentrati su tre modi comuni in cui il corpo compensa durante un compito semplice: protendersi per prendere una bottiglia d'acqua e portarla alla bocca. Il primo è sollevare la spalla lontano dal lato del corpo. Il secondo è piegare la parte superiore del corpo in avanti. Il terzo è inclinare la parte superiore del corpo lateralmente. Per insegnare al computer come individuare queste azioni, il team ha reclutato ventisei persone che avevano subito un ictus tra uno e sei mesi prima. Ogni partecipante sedeva a un tavolo ed eseguiva il compito di protendersi dieci volte con il braccio più forte e dieci volte con quello più debole. Una telecamera di un tablet registrava ogni movimento frontalmente.

Invece di applicare sensori sulla pelle o chiedere ai pazienti di indossare tute speciali, il team ha utilizzato un sofisticato modello di computer vision chiamato SAM3D Body. Questo software analizza il video fotogramma per fotogramma per costruire uno scheletro tridimensionale del corpo della persona, tracciando la posizione di colonna vertebrale, spalle, gomiti e polsi nello spazio. I ricercatori hanno poi calcolato angoli specifici per ogni movimento. Ad esempio, per misurare il sollevamento della spalla, il computer ha calcolato l'angolo tra la parte superiore del braccio e la colonna vertebrale. Per misurare l'inclinazione, ha misurato quanto la colonna vertebrale si fosse inclinata rispetto a una linea verticale retta. Hanno osservato l'angolo massimo raggiunto, l'angolo medio mantenuto e quanto l'angolo fosse cambiato rispetto alla posizione di partenza.

Per garantire che il computer stesse imparando le cose giuste, tre esperti umani — medici e terapisti — hanno guardato i video e hanno etichettato ogni tentativo come presenza o assenza di un movimento compensatorio. Essi concordavano sulle etichette per la stragrande maggioranza dei tentativi. I ricercatori hanno poi addestrato un algoritmo di machine learning, un tipo di programma per computer che apprende schemi dai dati, per prevedere queste etichette basandosi esclusivamente sugli angoli calcolati dalla telecamera. Hanno testato il sistema utilizzando un metodo rigoroso in cui il computer veniva addestrato sui dati di venticinque persone e poi chiamato a prevedere i movimenti della ventiseiesima persona, un processo ripetuto finché ogni partecipante non fosse stato testato. Ciò ha garantito che il sistema potesse riconoscere questi movimenti in una nuova persona che non aveva mai visto prima.

I risultati hanno dimostrato che il computer può identificare questi movimenti con alta affidabilità. Per la strategia di sollevamento della spalla, il sistema è stato corretto circa il 95,5% delle volte. Per l'inclinazione laterale, è stato corretto l'87,5% delle volte. Il movimento di flessione in avanti è stato il più difficile da rilevare, con un'accuratezza del 75,6%, ma il tasso di successo complessivo su tutti e tre i tipi è stato forte. I ricercatori hanno scoperto che il sistema funzionava meglio per le persone con disabilità più gravi. In questi pazienti, i movimenti compensatori erano grandi ed evidenti, rendendoli facili da individuare per il computer. Per coloro con disabilità più lievi, i movimenti erano più sottili e vicini ai modelli di movimento normali, il che li rendeva leggermente più difficili da distinguere. Ciò suggerisce che lo strumento sia particolarmente utile per i pazienti che hanno più bisogno di aiuto, poiché i loro movimenti più ampi sono quelli che il sistema cattura con maggiore affidabilità.

Lo studio ha anche rivelato perché alcuni movimenti fossero più difficili da rilevare di altri. La flessione in avanti del busto si basa sulla percezione della profondità — quanto il corpo si muove verso o lontano dalla telecamera. Poiché il sistema utilizzava una singola telecamera, doveva stimare questa profondità, il che è intrinsecamente più difficile rispetto alla misurazione di movimenti laterali o verticali su uno schermo piatto. Questa limitazione tecnica spiega perché il rilevamento della flessione in avanti fosse meno accurato rispetto al rilevamento del sollevamento della spalla o dell'inclinazione laterale. Nonostante ciò, il sistema ha distinto con successo tra il braccio affetto e il braccio sano, mostrando che il braccio più debole innescava costantemente angoli compensatori maggiori.

I ricercatori sottolineano che questa tecnologia è progettata per assistere, non per sostituire, il giudizio umano. In un contesto pratico, il sistema agirebbe come un filtro, esaminando ore di video e segnalando solo i tentativi specifici in cui è probabile che si sia verificato un movimento compensatorio. Un terapista potrebbe quindi esaminare solo i momenti segnalati, magari vedendo una ricostruzione 3D del corpo sovrapposta al video per confermare il riscontro. Ciò farebbe risparmiare tempo ai terapisti e permetterebbe loro di concentrarsi sui dati più rilevanti. Il sistema potrebbe anche essere utilizzato per il monitoraggio remoto, consentendo ai pazienti di eseguire il compito a casa con un tablet e inviare i dati al proprio team di cura. Ciò fornirebbe un quadro continuo del recupero, mostrando se un paziente sta migliorando o se sta tornando alle vecchie abitudini tra una visita in clinica e l'altra.

Sebbene l'attuale sistema richieda computer potenti per elaborare il video, i ricercatori notano che futuri miglioramenti potrebbero renderlo abbastanza veloce da poter girare su dispositivi mobili standard. Riconoscono anche che le condizioni del mondo reale, come una scarsa illuminazione o sfondi ingombranti, potrebbero mettere alla prova il sistema, e che sono necessari più dati per perfezionarne l'accuratezza per le persone con disabilità lievi. Tuttavia, il risultato fondamentale rimane: è possibile utilizzare una singola videocamera e un software avanzato per misurare oggettivamente come si muove un sopravvissuto a un ictus. Trasformando un semplice video in una precisa misurazione degli angoli del corpo, questo lavoro apre la porta a un futuro in cui la riabilitazione non è solo una serie di visite in clinica, ma un viaggio verso il recupero continuo e basato sui dati.