Il dottor Álvaro Velarde Sotres, coordinatore internazionale dell’Area Sport della Fundación Universitaria Iberoamericana (Fondazione Universitaria Iberoamericana, FUNIBER), partecipa a uno studio che sviluppa un sistema intelligente in grado di classificare gli esercizi fisioterapici utilizzando PoseNet e l’apprendimento automatico, al fine di migliorare l’efficacia della fisioterapia.
La telemedicina si riferisce alla fornitura di servizi medici, come diagnosi, consulenze e istruzione, attraverso l’uso di dispositivi elettronici come computer, laptop e telefoni cellulari. Questo approccio risponde alle esigenze dell’invecchiamento della popolazione mondiale, con un aumento previsto della percentuale di persone con più di 60 anni dal 12% al 22% entro il 2050. Per gli anziani malati cronici, lo sforzo fisico di percorrere lunghe distanze per ricevere cure mediche rappresenta una sfida significativa. La teleassistenza offre una soluzione cruciale consentendo l’accesso remoto ai servizi medici, superando queste barriere.
La pandemia di COVID-19 ha accelerato l’adozione della teleassistenza, migliorando l’erogazione dei servizi. Le ricerche indicano che circa il 90% dei pazienti e dei caregiver si sentono più sicuri quando si tratta di appuntamenti in telemedicina rispetto alle visite di persona, sottolineando la sua crescente importanza nel migliorare l’accessibilità all’assistenza sanitaria e la fiducia dei pazienti.
La telemedicina si è dimostrata vantaggiosa per la fisioterapia a distanza, incentrata sulla diagnosi e sul trattamento delle menomazioni che influiscono sulle attività funzionali. La fisioterapia comprende generalmente esercizi essenziali per la riabilitazione del paziente. L’esecuzione accurata e costante di questi esercizi consente ai terapisti di adattare il trattamento in base alle necessità. Tradizionalmente, la fisioterapia prevede l’interazione diretta con i terapisti che guidano i pazienti a correggere gli errori di esercizio. Tuttavia, la lunghezza e la frequenza delle sedute possono rendere difficile per i pazienti aderire ai loro regimi. La fisioterapia a distanza tramite teleassistenza risolve questi problemi fornendo un supporto e un monitoraggio continui, migliorando così il coinvolgimento del paziente e la sua aderenza agli esercizi prescritti.
In questo contesto, lo studio ha sviluppato un sistema innovativo per classificare gli esercizi fisioterapici per il braccio. Utilizzando PoseNet, una rete neurale convoluzionale che cattura e analizza i movimenti del corpo umano in tempo reale, fornendo dati dettagliati su postura e movimento, in combinazione con modelli ensemble, che combinano più algoritmi di apprendimento automatico per migliorare l’accuratezza, il sistema è in grado di classificare gli esercizi in modo più efficiente e preciso rispetto ai metodi tradizionali.
Per addestrare il sistema sono stati utilizzati classificatori di apprendimento automatico ad albero, come Random Forest (RF), Extra Tree Classifier (ETC), XGBoost, LightGBM e Hist Gradient Boosting, per la loro capacità di gestire dati complessi e la loro efficacia in compiti di classificazione multiclasse. L’analisi dei classificatori ha mostrato che Random Forest (RF) è adatto al riconoscimento degli esercizi grazie alla sua capacità di gestire più classi e di evitare l’overfitting, mostrando un’accuratezza del 98,2%.
D’altra parte, sono stati sviluppati modelli di classificazione combinati come RandomLightHist Fusion e StackedXLightRF, con il primo che si è distinto con una notevole accuratezza del 99,6%, superando i singoli classificatori. Le notevoli prestazioni di questo modello sono dovute alla combinazione di tre potenti classificatori: Hist Gradient Boosting (HGB), LightGBM (LGBM) e RF. La sinergia tra questi modelli potenzia le capacità di gradient boosting e migliora l’accuratezza. Inoltre, il modello si è dimostrato robusto alle variazioni di genere, mantenendo la sua efficacia su diversi tipi di corpo. Questi risultati evidenziano l’adattabilità del modello nelle applicazioni reali.
Lo studio evidenzia la capacità di questi modelli di adattarsi a diversi tipi di esercizi e alle variazioni dei singoli pazienti. Si tratta di un aspetto cruciale, in quanto consente ai fisioterapisti di progettare programmi di riabilitazione più efficaci e adatti alle esigenze specifiche di ciascun individuo. Inoltre, l’implementazione di questa tecnologia potrebbe ridurre la necessità di una costante supervisione da parte dei professionisti, consentendo ai pazienti di allenarsi a casa in tutta tranquillità.
Per saperne di più su questo studio, cliccare qui.
Per leggere altre ricerche, consultare l’archivio UNEATLANTICO.
La Fondazione Universitaria Iberoamericana (FUNIBER) promuove diversi programmi di studio nell’area dello sport, se volete conoscerli, accedete al seguente link.