回顧步態分析的潛能與可行的發展方向

步態分析是復健醫學上重要的評估指標,其組成複雜、動作特徵的損傷判讀仰賴專業知識的學理能力。由於透過步態分析的結果,可以方便醫療人員量化病患的行動表現和運動功能現象,也能進一步推估可能的變異原因與其參與生理系統的缺陷,如動作問題源自張力導致的活動阻礙或神經肌肉調節的限制等。而若是經計算後轉換成量化的步態參數,便能用來作為衡量復健訓練成效的依據,也易於追蹤功能恢復狀況,甚至可以統計分析,擷取特定的獨立預測參數,達到預後失能、跌倒、衰弱的風險評估的目的,因此步態分析在醫療診治方面深具臨床意義與價值,更是專業人員非常重視的評估項目之一。

目前步態分析採用的評估標準不外乎是簡單的臨床測試,如量表評分或人為直接觀察,其缺點為精準度不一,且具有施測者間的偏差,而若要客觀的評估步態以解決上述的限制,則須依靠大型的量測系統,既操作繁複又成本昂貴,無法根本的應用於臨床環境。有鑑於此,現階段另一個備受矚目的替代方案就是使用市售可得的感測器,如kinect等3D深度偵測的設備,搭配客製化合適的演算法便能即時的運算出一系列的步態參數。基本上,此類3D深度感測硬體的優勢在於能夠在不需要穿戴任何裝置的情形下,自動化的捕捉動態的肢體活動,並還原全身約25個重要關節點位置,提供足夠的空間原始資料,再整合演算法進行最後參數解答的分析與處理。

但究竟此類應用的精確度有符合公認的水平嗎?從以下的研究資料表格顯示大部分的參數具有良好的信度,包含步態時空參數與關節活動角度的數據。還有,另一個亮點是只要透過單一鏡頭的偵測,就能夠同時取得數種量化指標變數,甚至以後還可以再新增更多的資料輸出,如此高度的運算彈性與適應性以及加上軟體工程的改良優化,無疑是為將來步態分析開創更強大更全面應用的解方。圖片1

參考資料:
Latorre J, Colomer C, Alcaniz M, Llorens R. Gait analysis with the Kinect v2: normative study with healthy individuals and comprehensive study of its sensitivity, validity, and reliability in individuals with stroke. J Neuroeng Rehabil. 2019;16(1):97.

利用機器學習為架構的模型預後急性中風後的恢復

人工智慧(AI)的其中一個分支是機器學習(Machine Learning, ML),目前應用的領域十分廣泛,此技術由於在現代硬體條件的升級後變為更加可行,且定將會改變人類現行的行為模式。透過機器學習技術可以優化許多流程,利於商業內部決策或效率提升皆具備顯著成效,因此世界各國無不積極發展AI導入企業機構,試圖強化運作效能與進步轉型,當然,除此之外,另一個備受關注且極度看好未來前景的應用就是醫療端產業,利用ML演算法可以輔佐醫療疾病的篩檢辨別、預測病情的發展狀況等,勢必會對當今的臨床環境和醫療服務作業帶來極大顛覆性的改變。

但究竟ML如何整合應用到醫療情境之中呢?以評估中風後的恢復狀況為例,根據科學性的文獻指出利用合適的ML演算法能夠達到預測急性中風後中長期(3month)的恢復水平。簡要的來說,此研究利用大量過去的紀錄資料,數量約2604位個案,挑選眾多相關的預測變數,如缺血性中風病患的基本資料、NIHSS(中風神經學評估量表)、病發後至到院時間,依據檢傷分類的中風亞型、病史、藥物和生化數據等多達38個變數來決定三個月後的失能程度,也就是量測mRS的分數,結果顯示經過ML演算法分析比對一開始輸入的38個相關變數因子後,能夠準確的推估得到急性中風患者三個月後對應的mRS分數,即預後的失能程度指標。再者,因為此研究其實共使用了三套不同的演算法進行預測,發現其中deep neural network的準確度最佳,其準確度甚至高於現行的標準預測模型(Acute Stroke Registry and Analysis of Lausanne score)

如以下圖所示
ROC curve

根據ROC曲線作圖顯示,藍色標記:deep neural network曲線下的面積最大,顯示其預測的精準度優於其他演算法。

因此,我們不難想像,當一個病人在一開始因為急性中風住院,在例行的檢測之下,產生出各式各樣的評估數據,這時,只要輕易的把這些已經評估好的指標輸入進ML預測模型,就可在彈指之間得知病人在3個月後的失能情況,如得到mRS分數為1,代表良好的預後(mRS共分為6級,0-2代表無障礙或輕度障礙,2-5代表中度障礙以上),如此有利於掌握病患接下來的恢復狀況,並依據此推估結果給予對應的處置計畫和擬定最佳的醫療決策。畢竟,傳統醫師是無法這麼精準且迅速背出所有指標對應的預後結果,也難以將所有的變化因子周全考量進去,這是人力的極限,但對ML而言,只要資料庫數據夠龐大,預測結果就愈加精準,可信度也愈高,無疑讓醫師降低誤判或彌補邏輯漏洞的最佳解方!

參考資料:

Heo J, Yoon JG, Park H, Kim YD, Nam HS, Heo JH. Machine Learning-Based Model for Prediction of Outcomes in Acute Stroke. Stroke. 2019;50(5):1263-5.

遠距復健零距離

智慧醫療的時代已來臨,復建也不例外,龍骨王致力於開發互動式的復健系統,企圖將在醫院等級的服務,透過簡易的設備、虛擬化的軟體內容,複製轉移到照護機構,未來甚至成為居家治療師或長照人員有利、隨行的復建工具,真正落實遠距復建的願景,在地方就可直接接受復健檢測和運動訓練。

龍骨王亦十分期待因為創新醫療模式和科技技術的應用,為醫療院所帶來翻轉和改變,如此不僅能強化臨床人員的專業和最佳化資源利用效率,更能協助基層照護人員,減輕其負擔與長期復健所耗用的成本,更能符合整體社會利益,以龍骨王的智慧復建的解方對症下藥,滿足未來超高齡化社會面臨照護上的挑戰與龐大的需求。

以實踐遠距復建的訴求和方向來看,龍骨王期盼偕同各界有力人士一同在地方建置復健網,構想可以先從當地的一間大型的醫院據點作為總指揮中心,藉由彼此遠距連線,由各地的區域型醫療或社區服務站接收指令,再進行該療程的復健計畫或運動處方,如此不但能克服時空上的限制,不必頻繁的舟車往返於醫療院所,就地就能接受復健指導,促進恢復的趨勢,以達到最大化醫療的效益。當然,也能夠同時收集大量的個案數據,並系統化的管理、追蹤普查,掌握當地居民的健康狀況,兼顧疾病預防和延緩固有醫療問題或減少併發症發生的風險。

網誌用圖片