Le système MIT voit la structure interne du corps pendant la rééducation physique

Un nombre croissant de personnes vivent avec des conditions qui pourraient bénéficier d’une réadaptation physique, mais il n’y a pas assez de physiothérapeutes (PT) pour tout le monde. Le besoin croissant de physiothérapeutes va de pair avec la croissance démographique, et le vieillissement, ainsi que des taux plus élevés de maladies graves, contribuent au problème.

Une recrudescence des techniques basées sur des capteurs, tels que les capteurs de mouvement sur le corps, a fourni une certaine autonomie et précision aux patients qui pourraient bénéficier de systèmes robotiques pour compléter les thérapeutes humains. Pourtant, les montres et bagues minimalistes actuellement disponibles reposent en grande partie sur des données de mouvement, qui manquent de données plus holistiques qu’un physiothérapeute rassemble, y compris l’engagement musculaire et la tension, en plus du mouvement.

Cette barrière linguistique du mouvement musculaire a récemment incité la création d’un système de réadaptation physique non supervisé, MuscleRehab, par des chercheurs du Laboratoire d’informatique et d’intelligence artificielle (CSAIL) du MIT et du Massachusetts General Hospital. Il y a trois ingrédients : le suivi de mouvement qui capture l’activité de mouvement, une technique d’imagerie appelée tomographie par impédance électrique (EIT) qui mesure ce que font les muscles, et un casque de réalité virtuelle (VR) et une combinaison de suivi qui permettent au patient de se regarder jouer à côté un physiothérapeute.

Les patients enfilent l’élégant survêtement tout noir de style ninja, puis effectuent divers exercices tels que des fentes, des flexions des genoux, des soulevés de terre, des élévations de jambes, des extensions de genoux, des squats, des bouches d’incendie et des ponts qui mesurent l’activité des quadriceps, sartorius, ischio-jambiers. , et ravisseurs.VR capture des données de mouvement 3D.

Dans l’environnement virtuel, les patients reçoivent deux conditions. Dans les deux cas, leur avatar performe aux côtés d’un kinésithérapeute. Dans la première situation, seules les données de suivi de mouvement sont superposées sur leur avatar patient. Dans la deuxième situation, le patient met les sangles de détection EIT, puis il dispose de toutes les informations sur le mouvement et l’engagement musculaire.

Avec ces deux conditions, l’équipe a comparé la précision de l’exercice et a remis les résultats à un thérapeute professionnel, qui a expliqué quels groupes musculaires étaient censés être sollicités lors de chacun des exercices. En visualisant à la fois l’engagement musculaire et les données de mouvement pendant ces exercices non supervisés au lieu du mouvement seul, la précision globale des exercices s’est améliorée de 15 %.

L’équipe a ensuite effectué une comparaison croisée du temps pendant les exercices où le bon groupe musculaire s’est déclenché entre les deux conditions. Dans la condition où ils affichent les données d’engagement musculaire en temps réel, c’est le retour. En surveillant et en enregistrant le plus de données d’engagement, les physiothérapeutes ont rapporté une bien meilleure compréhension de la qualité de l’exercice du patient, et cela a aidé à mieux évaluer leur régime actuel et leur exercice en fonction de ces statistiques.

Nous voulions que notre scénario de détection ne se limite pas à un cadre clinique, afin de mieux permettre une rééducation non supervisée basée sur les données pour les athlètes en convalescence, les patients actuellement en physiothérapie ou ceux souffrant de maladies physiques limitantes, pour finalement voir si nous pouvons aider à ne pas seulement la récupération, mais peut-être la prévention, déclare Junyi Zhu, doctorant du MIT en génie électrique et informatique, affilié à CSAIL et auteur principal d’un nouvel article sur MuscleRehab. En mesurant activement l’engagement musculaire profond, nous pouvons observer si les données sont anormales par rapport à la ligne de base d’un patient, pour donner un aperçu de la trajectoire musculaire potentielle.

Les technologies de détection actuelles se concentrent principalement sur le suivi des comportements et des fréquences cardiaques, mais Zhu souhaitait trouver un meilleur moyen que l’électromyographie (EMG) pour détecter l’engagement (flux sanguin, étirement, contraction) des différentes couches des muscles. L’EMG ne capture que l’activité musculaire juste sous la peau, à moins qu’elle ne soit effectuée de manière invasive.

Zhu a creusé dans le domaine des dispositifs personnels de détection de la santé depuis un certain temps maintenant. Hed a été inspiré par l’utilisation de l’EIT, qui mesure la conductivité électrique des muscles, pour son projet en 2021 qui a utilisé la technique d’imagerie non invasive pour créer une boîte à outils pour la conception et la fabrication de dispositifs de détection de santé et de mouvement. À sa connaissance, l’EIT, qui est généralement utilisée pour surveiller la fonction pulmonaire, détecter les tumeurs thoraciques et diagnostiquer l’embolie pulmonaire, n’avait jamais été pratiquée auparavant.

Avec MuscleRehab, la carte de détection EIT sert de cerveau derrière le système. Il est accompagné de deux sangles remplies d’électrodes qui sont glissées sur le haut de la cuisse de l’utilisateur pour capturer des données volumétriques 3D. Le processus de capture de mouvement utilise 39 marqueurs et un certain nombre de caméras qui détectent des fréquences d’images très élevées par seconde. Les données de détection EIT montrent les muscles activement déclenchés mis en évidence sur l’écran, et un muscle donné devient plus sombre avec plus d’engagement.

Actuellement, MuscleRehab se concentre sur le haut de la cuisse et les principaux groupes musculaires à l’intérieur, mais en fin de compte, ils aimeraient s’étendre aux fessiers. L’équipe explore également des pistes potentielles d’utilisation de l’EIT en radiothérapie en collaboration avec Piotr Zygmanski, physicien médical au Brigham and Womens Hospital et au Dana-Farber Cancer Institute et professeur agrégé de radiation à la Harvard Medical School.

Nous explorons l’utilisation des champs et des courants électriques pour la détection des rayonnements ainsi que pour l’imagerie des propriétés diélectriques de l’anatomie du patient pendant le traitement de radiothérapie ou à la suite du traitement, explique Zygmanski. Le rayonnement induit des courants à l’intérieur des tissus et des cellules et d’autres milieux, par exemple des détecteurs, en plus de causer des dommages directs au niveau moléculaire (dommages à l’ADN). Nous avons constaté que l’instrumentation EIT développée par l’équipe du MIT était particulièrement adaptée à l’exploration de ces nouvelles applications de l’EIT en radiothérapie. Nous espérons qu’avec la personnalisation des paramètres électroniques du système EIT, nous pourrons atteindre ces objectifs.

Ce travail fait progresser l’EIT, une approche de détection traditionnellement utilisée en milieu clinique, avec une combinaison ingénieuse et unique avec la réalité virtuelle, déclare Yang Zhang, professeur adjoint en génie électrique et informatique à la UCLA Samueli School of Engineering, qui n’a pas participé à l’article. . L’application activée qui facilite la rééducation a potentiellement un large impact sur la société pour aider les patients à mener une rééducation physique en toute sécurité et efficacement à domicile. De tels outils pour éliminer le besoin de ressources cliniques et de personnel sont depuis longtemps nécessaires en raison du manque de main-d’œuvre dans le secteur de la santé.

Les co-auteurs des articles du MIT sont les étudiants diplômés Yuxuan Lei et Gila Schein, l’étudiant de premier cycle du MIT Aashini Shah et le professeur du MIT Stefanie Mueller, tous affiliés à CSAIL. Les autres auteurs sont Hamid Ghaednia, instructeur au Département de chirurgie orthopédique de la Harvard Medical School et codirecteur du Center for Physical Artificial Intelligence au Mass General Hospital ; Joseph Schwab, chef de l’Orthopedic Spine Center, directeur de l’oncologie de la colonne vertébrale, codirecteur du Stephan L. Harris Chordoma Center et professeur agrégé de chirurgie orthopédique à la Harvard Medical School; ainsi que Casper Harteveld, doyen associé et professeur à la Northeastern University. Ils présenteront le document au Symposium ACM sur les logiciels et technologies d’interface utilisateur plus tard ce mois-ci.