Apprentissage automatique pour l'automatisation de l'évaluation subjective de l'anomalie du mouvement du bras après une lésion cérébrale acquise

Évaluation Clinique Automatisée des Mouvements de Marche Anormaux des Patients ABI via un Système d’Extraction et de Classification des Images

Contexte Académique

Après une lésion cérébrale acquise (LCA), les troubles de la marche sont une forme courante de handicap physique. La LCA comprend généralement les AVC et les traumatismes crâniens, avec une incidence mondiale d’environ 1,5 million de cas. Les troubles de la marche des patients LCA affectent non seulement les membres inférieurs, mais aussi le tronc et les membres supérieurs, limitant ainsi la participation aux activités quotidiennes et réduisant considérablement la qualité de vie. En plus des dysfonctions, ces anomalies motrices visibles peuvent poser des problèmes esthétiques, impactant négativement l’image corporelle, l’estime de soi, la santé mentale et l’intégration sociale des patients.

Motivation de l’Étude

L’évaluation traditionnelle des anomalies motrices des patients LCA repose généralement sur l’observation visuelle subjective de physiothérapeutes expérimentés. Toutefois, selon les étiquettes de l’évaluation de la motricité dans la Classification Internationale du Fonctionnement, du Handicap et de la Santé (CIF), bien qu’il y ait une forte cohérence intra-observateur, la fidélité inter-observateur n’est que moyenne, ce qui en limite l’application en pratique clinique. Pour résoudre ce problème, les chercheurs ont essayé d’introduire un modèle d’apprentissage automatique en deux niveaux pour évaluer automatiquement les anomalies des mouvements des membres supérieurs lors de la marche des patients LCA.

Origine de l’Article

L’étude est rédigée conjointement par Ashleigh Mobbs, Michelle Kahn, Gavin Williams, Benjamin F. Mentiplay, Yong-Hao Pua et Ross A. Clark. Ils sont respectivement affiliés à l’École de Santé de l’Université de la Sunshine Coast en Australie, au Département de Physiothérapie d’Epworth Healthcare, à l’École des Sciences de la Santé de l’Université de Melbourne, à l’École de Santé et de Services Humains Partagés de l’Université La Trobe et au Département de Physiothérapie de l’Hôpital Général de Singapour. Cet article a été publié dans la revue Journal of NeuroEngineering and Rehabilitation en 2024.

Processus de Recherche

Conception et Méthodologie Expérimentales

Participants : Les sujets de recherche comprenaient 42 patients LCA et 34 témoins sains (TS). Les patients LCA ont été recrutés dans un centre de réadaptation pour lésions cérébrales à Melbourne et dans des cliniques de physiothérapie privées. Leur âge moyen était de 48 ans et la durée moyenne des blessures était de 6,2 ans. Les TS ont été recrutés au sein de l’équipe de recherche et parmi les familles et amis des employés, avec une moyenne d’âge de 37 ans.

Capture Vidéo : Les participants ont été invités à marcher pieds nus sur une piste de 10 mètres, jusqu’à atteindre la caméra pour enregistrer dynamiquement la vidéo en plan frontal. Les vidéos ont été capturées par une caméra Microsoft Kinect v2 avec une résolution d’image RGB de 1920×1080, et la longueur de la vidéo comprenait un segment de marche de 10,5 mètres.

Premier Niveau de l’Apprentissage Automatique : Développement du Réseau de Points Anatomiques (DeepLabCut™) Le logiciel open-source DeepLabCut™ a été utilisé pour sélectionner et marquer les cadres vidéo, avec une fréquence d’entraînement du réseau de 500 000 fois. Le réseau a été utilisé pour calculer les angles de mouvement des articulations des épaules, coudes et poignets des deux côtés des participants lors de la marche. Près de 50%, 75%, 90% et 100% des vidéos des participants LCA ont été utilisées pour l’entraînement.

Deuxième Niveau de l’Apprentissage Automatique : Développement de l’Algorithme Prédictif (Réseau de Forêt Aléatoire) Trois physiothérapeutes experts en réadaptation neurologique avec plus de 15 ans d’expérience ont évalué les vidéos des participants en utilisant l’échelle CIF. Les données de notation ont été combinées avec les angles articulaires calculés du niveau précédent pour former et valider croisée en nid le réseau de forêt aléatoire. Les valeurs prédites par le modèle d’apprentissage automatique pour toutes les vidéos ont été comparées aux scores des évaluateurs cliniques en utilisant des méthodes statistiques telles que le coefficient kappa pondéré quadratique et le test t d’échantillon unique.

Résultats de l’Étude

Les résultats de l’étude montrent que les prédictions de l’apprentissage automatique ont une cohérence similaire avec celles des évaluateurs humains expérimentés, sans différence significative. Les prévisions des quatre différents réseaux ne présentent pas de différence significative, bien qu’une légère sous-prédiction soit observée pour certains scores. Cela indique que, même avec un nombre limité d’échantillons, le modèle d’apprentissage automatique peut fournir des résultats d’évaluation fiables.

ANOVA unidirectionnelle : Une analyse de variance à un facteur a été appliquée aux quatre réseaux (50%, 75%, 90%, 100%), montrant que les différences de prévisions entre les réseaux n’étaient pas statistiquement significatives (f=0,119, p=0,949).

Conclusion de l’Étude

Cette étude démontre que l’apprentissage automatique peut rivaliser avec des cliniciens expérimentés pour l’évaluation subjective des anomalies des mouvements des membres supérieurs lors de la marche des patients LCA. Bien que la petite taille de l’échantillon puisse entraîner une certaine sous-prédiction, la taille de l’effet est faible et il n’y a pas de différence de performance significative. De futures études à grande échelle pourraient aider à valider davantage cette méthode, notamment dans l’évaluation de la réadaptation locale et à distance, en utilisant des smartphones et des technologies de calcul en périphérie pour réduire les erreurs de mesure et les inégalités d’accès aux soins de santé.

Importance de l’Étude

La principale contribution de cette étude est de démontrer l’utilisation des technologies d’apprentissage automatique pour résoudre les problèmes des évaluations cliniques traditionnelles, tels que la cohérence d’évaluation et la charge technique. L’apprentissage automatique peut réaliser des processus d’évaluation plus efficients et plus fiables, ce qui est significatif pour l’application clinique réelle et la télémédecine. De plus, cette étude ouvre la voie à de futures recherches visant à améliorer la précision prédictive et la valeur clinique des modèles en augmentant la taille des échantillons et en évaluant des tâches dynamiques plus complexes.

Points Forts de l’Étude

• Innovation Méthodologique : Cette étude utilise un modèle d’apprentissage automatique en deux niveaux, incluant DeepLabCut™ et un réseau de forêt aléatoire pour évaluer automatiquement les anomalies des mouvements des membres supérieurs chez les patients LCA.
• Application Pratique : Le modèle démontre une efficacité et une précision élevées avec un petit ensemble de données, sans être affecté par la variation des évaluateurs.
• Potentiel Futur : Cette étude établit une fondation théorique et pratique pour l’utilisation des technologies d’apprentissage automatique dans les évaluations cliniques réelles et à distance, avec des perspectives d’application étendues.

Autres Informations Importantes

• Ouverture des Données et Protection de la Vie Privée : Bien que les données brutes ne puissent pas être publiées pour protéger la vie privée des participants, les données anonymisées peuvent être fournies si nécessaire.
• Approbation Éthique : L’étude a reçu l’approbation éthique d’Epworth Healthcare et de l’Université de la Sunshine Coast, et est conforme à la Déclaration d’Helsinki.

Cette étude, grâce à une méthodologie innovante et une validation rigoureuse, démontre le potentiel de l’apprentissage automatique dans les évaluations cliniques, établissant une base solide pour une future application dans des pratiques médicales plus larges.