RehabMate: wyjaśnialne środowisko do wykrywania czynności i korektywnego feedbacku w rehabilitacji dzieci po udarze

Pomoc dzieciom w odzyskaniu ruchu w domu

Udar pediatryczny może powodować, że dzieci mają trudności z chodzeniem, staniem czy wchodzeniem po schodach — często przez wiele lat. Regularna terapia ze specjalistami poprawia wyniki, ale częste wizyty w szpitalu są kosztowne i obciążające dla rodzin. W artykule przedstawiono RehabMate — cyfrowego asystenta zaprojektowanego, by przenieść specjalistyczną rehabilitację kończyn dolnych do domów i ośrodków lokalnych, jednocześnie utrzymując fizjoterapeutów w roli nadzorującej.

Dlaczego dzieci potrzebują inteligentniejszego wsparcia w rehabilitacji

Udar jest jedną z głównych przyczyn poważnej niepełnosprawności u dzieci — nawet do siedmiu na dziesięcioro młodych pacjentów może zostać z długotrwałymi problemami ruchowymi. Dzieci zwykle dobrze reagują na trening i są silnie zmotywowane, lecz tradycyjna rehabilitacja opiera się na wielokrotnych, bezpośrednich sesjach z wykwalifikowanymi terapeutami. Rodziny mogą mieszkać daleko od klinik, mieć ograniczony czas lub brak środków na długotrwałą, intensywną opiekę. Istniejące narzędzia AI mogłyby pomóc, ale wiele z nich działa jak czarna skrzynka, podając wynik bez wyjaśnienia procesu. Utrudnia to zaufanie fizjoterapeutów i rodziców oraz bezpieczne stosowanie tych narzędzi w codziennym życiu.

Cyfrowy partner, który obserwuje, jak dzieci się poruszają

RehabMate zaprojektowano jako trójwarstwowy system, który obserwuje ruchy dziecka, łączy różne rodzaje danych ruchowych i analizuje je, by wspierać trening. Małe bezprzewodowe czujniki umieszczone na kolanach i kostkach rejestrują przyspieszenia i zmiany kierunku nóg, podczas gdy smartfon nagrywa wideo i szacuje szkielet ciała dziecka klatka po klatce. Sygnały te są łączone w spójny obraz ruchu dziecka. Przed każdą sesją do aplikacji wprowadzane są informacje takie jak wiek dziecka, poziom bólu i sprawność ruchowa, dzięki czemu system może dostosować wskazówki do stanu pacjenta.

Jak system rozumie chodzenie i schody

W sercu RehabMate pracuje wyspecjalizowany model rozpoznawania czynności, który analizuje, jak dziecko chodzi, stoi i porusza się po schodach w górę i w dół. Zamiast opierać się wyłącznie na pozycjach stawów, model uwzględnia też kości łączące stawy i zmiany kątów stawowych w czasie. Reprezentuje ciało jako sieć połączonych punktów i wykorzystuje zaawansowane przetwarzanie grafowe oraz mechanizmy uwagi, by skupić się na najważniejszych stawach i momentach sekwencji ruchu. Dzięki starannemu łączeniu danych z czujników i danych szkieletowych model rozpoznaje cztery kluczowe czynności rehabilitacyjne i ocenia jakość wykonania przez dziecko, osiągając ponad 93 procent dokładności w testach na różnych ujęciach kamer w nowym pediatrycznym zbiorze danych po udarze o nazwie PSP2.

Przekształcanie analizy ruchu w przystępne wskazówki

RehabMate robi więcej niż klasyfikuje ruchy — przekształca wyniki techniczne w zrozumiały, dopasowany feedback. Autorzy stworzyli profesjonalną bibliotekę tekstów z opisami ćwiczeń rehabilitacyjnych i typowych błędów, przygotowaną przez fizjoterapeutów. Model językowy najpierw wyszukuje i lekko edytuje odpowiednie opisy, a następnie przekazuje je większemu modelowi, który formułuje jasne sugestie korekcyjne i podtrzymujące komunikaty, dostosowane do poziomu bólu i sprawności dziecka. Na przykład zamiast zawsze wymagać idealnego kroku, system może zasugerować korzystanie z poręczy schodów, gdy ból lub ograniczona siła czynią pełną korekcję niebezpieczną. Terapeuci mogą odtworzyć źródło każdej porady, odwołując się do danych ruchowych i wpisów w bazie wiedzy, co sprawia, że proces jest audytowalny i klinicznie istotny.

Uczynienie AI przejrzystą i godną zaufania w rehabilitacji

Badanie pokazuje, że RehabMate potrafi dokładnie rozpoznawać czynności rehabilitacyjne kończyn dolnych u dzieci, wyjaśniać, które partie ciała i które momenty wpłynęły na decyzje, oraz generować feedback zgodny z oceną specjalistów. Recenzje ekspertów potwierdzają, że mechanizm uwagi modelu często wskazuje te same krytyczne stawy, na które zwracają uwagę terapeuci, a większość wygenerowanych sugestii można powiązać z ustalonymi regułami w bazie wiedzy. Choć obecny system koncentruje się na chodzeniu i aktywnościach na schodach oraz wykorzystuje umiarkowanej wielkości zbiór danych, autorzy argumentują, że tę samą wyjaśnialną metodę można rozszerzyć na trening ramion i całego ciała. Dla rodzin i klinicystów oznacza to AI, która nie tylko mierzy ruch, ale także jasno ukazuje, jak dochodzi do swoich wniosków, pomagając uczynić rehabilitację domową po udarze u dzieci bezpieczniejszą, bardziej spójną i bardziej spersonalizowaną.

Cytowanie: 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

Słowa kluczowe: udar pediatryczny, rehabilitacja, wyjaśnialna AI, rozpoznawanie czynności, czujniki noszone