Assessing Physical Frailty and Fall-Risk Indicators with Social Robots: An in situ Evaluation with Older Adults

技術要約：ソーシャルロボットによる身体的フレイルおよび転倒リスク指標の評価

問題提起
高齢化に伴う世界的な人口動態の変化により、専門的なヘルスケアへの需要が高まっている。特に、生理学的予備能の低下、および障害や死亡リスクの増加を特徴とする老年症候群である「フレイル（虚弱）」に対して脆弱な高齢者への対応が急務となっている。現在の臨床現場では、身体的フレイルや転倒リスクを評価するために、Short Physical Performance Battery (SPB) や Timed Up and Go (TUG) テストなどの標準化された評価法に依存している。しかし、これらの評価はリソースを大量に消費し、業務過多の状態にある医療従事者の多大な時間を必要とする。さらに、従来の手法はタスクの完了時間といった粗い結果に依存することが多く、機能低下を示す詳細なバイオメカニクス的指標を見落としがちである。IMU（慣性計測装置）やデプスカメラなどの外部センシング技術は、これらの追加的な指標を捉えるために存在するが、専用の機器や装着型のウェアラブルデバイス、あるいは専門家による直接的な監督を必要とすることが多く、日常的な臨床応用には限界がある。ソーシャルロボットが、フルスケールのフレイル評価を自律的に実施しながら、客観的かつ粒度の高い運動データを抽出できるフレームワークは、未だ確立されていない。

手法
著者らは、標準化されたフレイルおよび転倒リスクテストを高齢者に自律的にガイドしながら、臨床スコアおよび追加のバイオメカニクス的指標を同時に取得するロボットフレームワークを提示する。本システムは、臨床的な妥当性と安全性を確保するため、多職種（老年医学専門医、理学療法士、作業療法士）によるユーザー中心設計プロセスを通じて開発された。

• システムアーキテクチャ: 本フレームワークは、Behavior Tree (BT) アーキテクチャを利用して、以下の4つの主要モジュールを調整する。

  1. 知覚 (Perception): 外部GPU搭載コンピュータに接続されたステレオカメラ（ZED2i）が、3D骨格データ（38個の身体キーポイント）をリアルタイムでキャプチャする。このモジュールは、視覚入力を処理して身体のポーズを推定し、動作イベントを検出する。
  2. 意思決定 (Decision-Making): BTは評価シーケンス（立位バランス、歩行速度、椅子立ち上がり、TUG）をオーケストレートし、状態遷移の管理、テストの完了または失敗条件の検出、および後続のアクションのトリガーを行う。
  3. インタラクション (Interaction): ロボット（Temi ソーシャルロボット）は、タッチスクリーンインターフェースと録音された音声指示（カタルーニャ語およびスペイン語）を通じて、マルチモーダルなガイダンスを提供する。高齢者における精度問題を避けるため、音声認識は省略され、操作はタッチベースで行われる。
  4. 計測 (Measurement): このモジュールは、骨格データを処理してテスト完了時間を算出するとともに、歩幅、歩行速度、椅子立ち上がりの傾斜、バランスの偏心（エキセントリシティ）といった、追加のフレイル関連指標を抽出する。

• 実験デザイン: 本フレームワークは、リハビリテーションセンターの研究室において、81名の高齢者（平均年齢75.06歳）を対象に6ヶ月間にわたり in situ（実地）で評価された。安全確保のため、作業療法士がセッションを監督したが、テストの実施自体は行わなかった。

• 検証: ロボットによる計測値は、以下のものと比較された：

  • セラピストによる評価（手動によるタイミング計測およびスコアリング）。
  • 臨床用参照機器：歩行パラメータのための GaitRITE ウォークウェイマット、および上体動作のための Xsens IMU。

• 統計分析: 連続変数については級内相関係数 (ICC) を用い、カテゴリカルスコアについては重み付き Cohen's Kappa ($\kappa$) を用いて一致度を定量化した。

主な貢献

1. ロボットフレームワーク: ビジョンベースのスケルトントラッキングを用いて、ウェアラブルセンサーを必要とせずに、検証済みのフレイルおよび転倒リスク評価（SPPBおよびTUG）を自律的に実施し、かつ追加のバイオメカニクス的指標を抽出する新しいシステム。
2. 実地検証: 実際のヘルスケア環境において、81名の高齢者を対象とした6ヶ月間の展開を実施した。これは、従来の制御された研究と比較して統計的に有意なサンプルサイズである。
3. 包括的な比較: ロボット由来の計測値と、セラピストによる評価、および臨床用参照機器（ウォークウェイマットおよびIMU）との間の一致度を実証した。これは単純な完了時間だけでなく、詳細なモビリティ指標まで網羅している。

結果

• セラピストとの一致度: ロボットは、ほとんどのテスト完了時間および歩行関連パラメータにおいて、セラピストと優れた一致度を示した (ICC > 0.9)。SPPBの総合スコアについては、実質的な一致が見られた ($\kappa = 0.67$)。立位バランスのスコアは、信頼性が低かった ($\kappa = 0.39$)。これは、参加者が安全用の椅子を掴んだ際に、ロボットがそれを検知できなかったこと（セラピストはこれを失敗とカウントする）や、関節検出に影響を与える暗い色の衣服によるノイズに起因する。
• 参照機器との一致度:
  • ウォークウェイマット: ロボットは、歩行速度の時間 (ICC = 0.98) および歩行関連指標（歩幅、ストライド長、速度）において、ウォークウェイマットと優れた一致を示した（ICCの値は0.84から0.96の範囲）。
  • IMU: IMUとの一致度は、SPPBスコアについては中程度から実質的であった ($\kappa = 0.55$) が、椅子立ち上がり時間 (ICC = 0.5) やIMUから導出された追加のバイオメカニクス的指標については低かった。これらの不一致は、IMUのノイズ、装着位置の問題、および特定の動作遷移の検出失敗に起因する。
• 自律性: 81名中17名の参加者に対してセラピストの介入が必要となった。主な理由は、指示に対する混乱、聞き取りにくさ、または認知機能の低下であった。問題の多くは、システム自体の故障ではなく、ユーザーとのインタラクションに関連していた。

意義と主張
本論文は、ソーシャルロボットが、標準的な臨床測定値と高い一致度を示しながら、関連するモビリティ指標の収集を可能にし、ヘルスケア現場において信頼性の高い客観的なフレイル評価を提供できることを主張している。著者らは、本フレームワークが、標準化されたテストを自律的に実施することで、医療従事者のワークロードを軽減できる可能性を示していると述べている。

しかし、著者らは現在の限界事項について控えめなトーンを維持している。彼らは、特にバランスに問題がある参加者や認知機能に障害がある参加者の安全のために、現在は専門家の監督が必要であることを認めている。また、技術的な制限として、参加者が支持物に掴まった際のバランス崩れの検出の困難さや、衣服の色に対するスケルトントラッキングの感度についても指摘している。論文は、本システムが予備スクリーニングおよび客観的測定のための強力なツールではあるものの、完全な自律的展開の前には、安全プロトコルと適応的行動のさらなる開発が必要であると結論付けている。これらの知見は、ロボットがフレイルおよび関連する指標を評価するための効果的な手段となり得ること、そして臨床現場におけるより頻繁でデータ豊かな評価への道を開くものであることを強調している。