Exergame de rééducation peu coûteux piloté par l’IA comme cadre léger pour l’évaluation des AVC

Transformer le jeu en récupération quotidienne

L’AVC ravit souvent les gestes simples et automatiques que nous utilisons pour manger, nous habiller ou prendre quelqu’un dans nos bras. Récupérer ces compétences demande généralement des années de thérapie répétitive et des visites régulières chez des spécialistes — du temps et de l’argent que beaucoup de personnes n’ont tout simplement pas. Cette étude explore une autre voie : un jeu vidéo simple qui permet aux personnes ayant subi un AVC d’exercer leurs bras à domicile pendant qu’une caméra ordinaire mesure discrètement la qualité de leurs mouvements, estimant les mêmes scores cliniques que les thérapeutes utilisent en cabinet.

Un jeu qui fait aussi office de bilan

Les chercheurs ont conçu un « exergame » — un jeu vidéo conçu pour l’exercice — dans lequel le joueur guide un oiseau à travers un paysage coloré pour collecter des fruits. Le joueur ne bouge que le bras et la main ; une caméra standard suit ces mouvements et dirige l’oiseau en temps réel. En coulisses, un logiciel d’intelligence artificielle de la boîte à outils MediaPipe de Google suit la position du poignet, du coude, de l’épaule et des doigts image par image, sans capteurs spéciaux ni dispositifs portables. La même session qui divertit et motive le joueur devient aussi un enregistrement détaillé de l’amplitude du bras, de la fluidité des mouvements et de la capacité d’ouverture de la main.

Indices de mouvement simples qui révèlent la capacité

Douze adultes vivant avec des séquelles d’AVC à long terme ont joué au jeu avec les deux bras, fournissant à l’équipe 24 jeux de données de mouvement du bras. Chaque bras a également été évalué à l’aide du Fugl–Meyer Assessment, une échelle clinique largement utilisée mais longue à administrer pour la fonction du membre supérieur. À partir des enregistrements du jeu, les chercheurs ont extrait seize mesures simples, comme la surface couverte par le poignet à l’écran, la distance totale parcourue par la main, l’ouverture maximale des doigts et la coordination de l’épaule et du coude. Lorsqu’ils ont regroupé les bras en catégories sévère, modérée, légère et presque normale, plusieurs de ces mesures issues du jeu correspondaient nettement aux catégories cliniques : les personnes ayant une meilleure utilisation du bras exploraient une plus grande surface, coordonnaient mieux leurs articulations et montraient une plus grande capacité d’ouverture de la main.

Des mouvements à un score signifiant

Ensuite, l’équipe a demandé si ces indices de mouvement pouvaient remplacer un score d’examen formel. En utilisant la régression linéaire — une forme transparente d’équation statistique — ils ont combiné un petit ensemble de caractéristiques, notamment l’ouverture de la main, l’espace exploré à l’écran, la longueur totale du trajet et la coordination articulaire. La formule obtenue prédisait le score clinique de chaque bras avec une grande précision, correspondant étroitement aux évaluations des thérapeutes (une corrélation de rang de 0,92 et une erreur d’environ 4 points sur une échelle de 66 points). Lorsque les chercheurs ont traduit les scores prédits en catégories familières (légère, modérée, sévère), le système a correctement classé les bras dans 86–93 % des cas, et les erreurs n’ont eu lieu que entre catégories voisines, pas entre les extrêmes.

Pourquoi une IA légère peut être meilleure

Pour tester si une technologie plus lourde aiderait, les auteurs ont également essayé des modèles d’apprentissage automatique plus complexes, y compris des forêts aléatoires et des réseaux neuronaux profonds apprenant directement à partir des données brutes de mouvement. Malgré leur sophistication, ces approches n’ont pas surpassé la simple régression et étaient plus difficiles à interpréter et à faire fonctionner en temps réel sur un appareil mobile standard. En revanche, le modèle léger n’utilise qu’une poignée de caractéristiques de mouvement clairement compréhensibles, peut fonctionner sur le même appareil que le jeu et ne nécessite rien de plus qu’une caméra intégrée. Cela le rend bien adapté à l’usage à domicile, au suivi à distance et aux cliniques occupées où les thérapeutes ne peuvent pas consacrer une demi-heure à des tests formels à chaque visite.

Ce que cela pourrait signifier pour la vie après un AVC

Pour les personnes ayant survécu à un AVC, ce cadre suggère un avenir où les séances de rééducation quotidiennes servent aussi de bilans, transformant un jeu plaisant en un suivi continu et peu contraignant de la récupération. L’étude reste une preuve de concept, basée sur un petit groupe de volontaires, et les auteurs prévoient des essais plus larges pour confirmer et affiner leur approche. Pourtant, le message est clair : en combinant un jeu engageant avec un suivi par caméra abordable et un modèle d’IA simple et transparent, il pourrait être possible d’offrir des évaluations fréquentes et objectives à domicile — soutenant une thérapie plus personnalisée tout en allégeant la charge des services de rééducation déjà surchargés.

Citation: Tannús, J., Valentini, C. & Naves, E. AI-driven low-cost rehabilitation exergame as a lightweight framework for stroke assessment. npj Digit. Med. 9, 196 (2026). https://doi.org/10.1038/s41746-026-02383-1

Mots-clés: rééducation après AVC, exergames, biomarqueurs numériques, télérééducation, suivi du mouvement par IA