RehabMate: een verklaarbaar raamwerk voor actieherkenning en corrigerende feedback bij revalidatie van kinderen na een beroerte

Kinderen helpen beweging te herstellen thuis

Pediatrische beroerte kan ertoe leiden dat kinderen moeite hebben met lopen, staan of trappenlopen, vaak nog jaren. Regelmatige therapie bij specialisten verbetert het herstel, maar frequente ziekenhuisbezoeken zijn duur en belastend voor gezinnen. Dit artikel introduceert RehabMate, een digitaal hulpmiddel dat deskundige ondersteunde revalidatie van de onderste ledematen naar woningen en buurtcentra brengt, terwijl fysiotherapeuten de regie behouden.

Waarom kinderen slimme revalidatieondersteuning nodig hebben

Beroerte behoort tot de belangrijkste oorzaken van ernstige invaliditeit bij kinderen, en tot zeven op de tien jonge patiënten houden blijvende bewegingsproblemen. Kinderen reageren meestal goed op training en zijn vaak gemotiveerd, maar traditionele revalidatie berust op herhaalde persoonlijke sessies met getrainde therapeuten. Gezinnen wonen mogelijk ver van klinieken, hebben beperkte tijd of missen de middelen voor langdurige, intensieve zorg. Bestaande AI-hulpmiddelen kunnen helpen, maar veel werken als een zwarte doos: ze geven een uitslag zonder uit te leggen hoe die tot stand kwam. Daardoor is het moeilijk voor fysiotherapeuten en ouders om erop te vertrouwen of ze veilig in het dagelijks leven te gebruiken.

Een digitale partner die kijkt hoe kinderen bewegen

RehabMate is ontworpen als een driedelig systeem dat observeert hoe een kind beweegt, verschillende soorten bewegingsdata combineert en die analyseert om training te ondersteunen. Kleine draadloze sensoren op knieën en enkels registreren hoe de benen versnellen en van richting veranderen, terwijl een smartphone video vastlegt en het skelet van het lichaam frame voor frame schat. Deze signalen worden samengevoegd tot één beeld van de beweging van het kind. Voor elke sessie worden gegevens zoals leeftijd, pijnniveau en mobiliteit in een app ingevoerd, zodat het systeem zijn begeleiding kan aanpassen aan de toestand van het kind.

Hoe het systeem lopen en trappen begrijpt

In de kern van RehabMate zit een gespecialiseerd actieherkenningsmodel dat bestudeert hoe het kind loopt, staat en trapt op- en af. In plaats van alleen naar gewrichtsposities te kijken, houdt het model ook rekening met de beenderen tussen gewrichten en hoe gewrichtshoeken in de tijd veranderen. Het stelt het lichaam voor als een netwerk van verbonden punten en gebruikt geavanceerde grafieke verwerking en aandachtmechanismen om zich te concentreren op de belangrijkste gewrichten en momenten in een bewegingsreeks. Door sensor- en skeletdata zorgvuldig te combineren, herkent het model vier sleutelrevalidatie-acties en beoordeelt het de kwaliteit van de uitvoering van het kind, met een nauwkeurigheid van meer dan 93 procent bij tests over verschillende camerastandpunten op een nieuwe pediatrische beroerte-dataset genaamd PSP2.

Bewegingsanalyse omzetten in mensvriendelijke begeleiding

RehabMate doet meer dan bewegingen classificeren; het zet technische resultaten om in begrijpelijke, op maat gemaakte feedback. De auteurs bouwden een professionele tekstbibliotheek met gedetailleerde beschrijvingen van revalidatieoefeningen en veelvoorkomende fouten, geschreven door fysiotherapeuten. Een taalmodel haalt eerst geschikte beschrijvingen op en bewerkt ze licht, waarna een groter model heldere corrigerende suggesties en bemoedigende berichten formuleert, aangepast aan het pijn- en mobiliteitsniveau van het kind. In plaats van altijd te eisen dat een stap perfect is, kan het systeem bijvoorbeeld aanraden een trapleuning te gebruiken wanneer pijn of beperkte kracht volledige correctie onveilig maakt. Therapeuten kunnen elk advies herleiden tot de onderliggende bewegingsdata en tot vermeldingen in de kennisbank, waardoor het proces controleerbaar en klinisch relevant is.

AI transparant en betrouwbaar maken voor revalidatie

De studie toont aan dat RehabMate nauwkeurig acties voor revalidatie van de onderste ledematen bij kinderen kan identificeren, kan uitleggen welke lichaamsdelen en tijdspunten de beslissingen beïnvloedden, en feedback kan genereren die overeenkomt met professioneel oordeel. Deskundige beoordelingen bevestigen dat de aandacht van het model vaak dezelfde kritische gewrichten benadrukt waarop therapeuten zich richten, en dat de meeste gegenereerde suggesties herleidbaar zijn tot bekende regels in de kennisbank. Hoewel het huidige systeem zich concentreert op lopen en trapactiviteiten en een matig grote dataset gebruikt, betogen de auteurs dat dezelfde verklaarbare aanpak kan worden uitgebreid naar arm- en volledige-lichaamstraining. Voor gezinnen en clinici betekent dit AI die niet alleen beweging meet, maar ook duidelijk toont hoe het tot zijn conclusies komt, wat thuisrevalidatie na pediatrische beroerte veiliger, consistenter en persoonlijker kan maken.

Bronvermelding: Huang, S., Chen, Z. & Liu, Y. RehabMate: an explainable framework for action detection and corrective feedback in pediatric stroke rehabilitation. Sci Rep 16, 15565 (2026). https://doi.org/10.1038/s41598-026-46093-w

Trefwoorden: pediatrische beroerte, revalidatie, verklaarbare AI, actieherkenning, draagbare sensoren