RehabMate: ett förklarbart ramverk för handlingsdetektion och korrigerande återkoppling vid pediatrisk stroke-rehabilitering

Att hjälpa barn återfå rörelse hemma

Pediatrisk stroke kan göra att barn får svårigheter att gå, stå eller gå i trappor, ofta under många år. Regelbunden behandling hos specialister förbättrar återhämtningen, men frekventa sjukhusbesök är kostsamma och tärande för familjer. Denna artikel presenterar RehabMate, en digital hjälpreda utformad för att föra expertliknande rehabilitering av nedre extremiteter in i hem och lokala center, samtidigt som fysioterapeuter behåller kontrollen.

Varför barn behöver smartare rehabiliteringsstöd

Stroke är en av de främsta orsakerna till allvarlig funktionsnedsättning hos barn, och upp till sju av tio unga patienter får bestående rörelseproblem. Barn svarar vanligtvis väl på träning och är ofta motiverade, men traditionell rehabilitering förlitar sig på upprepade personliga sessioner med utbildade terapeuter. Familjer kan bo långt från kliniker, ha begränsad tid eller sakna ekonomiska resurser för långvarig, intensiv vård. Befintliga AI-verktyg skulle kunna hjälpa, men många fungerar som en svart låda och ger ett resultat utan att förklara hur det kom fram. Det gör det svårt för fysioterapeuter och föräldrar att lita på dem eller använda dem säkert i vardagen.

En digital partner som ser hur barn rör sig

RehabMate är utformat som ett system i tre lager som observerar hur ett barn rör sig, kombinerar olika typer av rörelsedata och sedan analyserar dem för att stödja träningen. Små trådlösa sensorer placerade på knän och vrister registrerar hur benen accelererar och ändrar riktning, medan en smartphone fångar video och uppskattar barnets skelett i varje bildruta. Dessa signaler slås samman till en enhetlig bild av barnets rörelse. Inför varje session matas information som barnets ålder, smärtnivå och rörlighet in i en app, så att systemet kan anpassa sina rekommendationer till barnets tillstånd.

Hur systemet tolkar gång och trappor

I centrum av RehabMate finns en specialiserad modell för aktionsigenkänning som studerar hur barnet går, står och klättrar upp och ned för trappor. Istället för att bara titta på ledpositioner beaktar modellen även benen mellan lederna och hur ledvinklar förändras över tid. Den representerar kroppen som ett nätverk av förbundna punkter och använder avancerad grafbaserad bearbetning och uppmärksamhetsmekanismer för att fokusera på de viktigaste lederna och ögonblicken i en rörelsesekvens. Genom att noggrant blanda sensordata och skelettdata känner modellen igen fyra centrala rehabiliteringsaktioner och bedömer kvaliteten i barnets utförande, och når över 93 procent noggrannhet när den testas över olika kameravyer på en ny pediatrisk stroke-dataset kallad PSP2.

Att omvandla rörelseanalys till begriplig vägledning

RehabMate gör mer än att klassificera rörelser; det omvandlar tekniska resultat till förståeligt, skräddarsytt återkopplingsmaterial. Författarna byggde ett professionellt textbibliotek med detaljerade beskrivningar av rehabövningar och vanliga fel, skrivna av fysioterapeuter. En språkmodell hämtar först och redigerar lätt lämpliga beskrivningar, och skickar dem sedan till en större modell som formulerar klara korrigerande förslag och uppmuntrande meddelanden, anpassade efter barnets smärta och rörlighetsnivå. Till exempel, istället för att alltid kräva ett perfekt steg, kan systemet föreslå att använda ett trappräcke när smärta eller begränsad styrka gör full korrigering osäker. Terapeuter kan spåra varje råd tillbaka till de underliggande rörelsedata och till poster i kunskapsbasen, vilket gör processen granskbar och kliniskt meningsfull.

Göra AI transparent och förtroendegivande för rehab

Studien visar att RehabMate kan identifiera rehabiliteringsaktioner för nedre extremiteter hos barn med hög noggrannhet, förklara vilka kroppsdela­r och tidpunkter som påverkade dess beslut, och generera återkoppling som överensstämmer med professionellt omdöme. Expertgranskningar bekräftar att modellens uppmärksamhet ofta framhäver samma kritiska leder som terapeuter fokuserar på, och att de flesta genererade förslag kan härledas till kända regler i kunskapsbasen. Medan det nuvarande systemet koncentrerar sig på gång- och trappaktiviteter och använder en måttlig datamängd, hävdar författarna att samma förklarbara tillvägagångssätt kan utvidgas till arm- och helkroppsträning. För familjer och kliniker innebär detta en AI som inte bara mäter rörelse utan också tydligt visar hur den når sina slutsatser, vilket bidrar till att göra hem­baserad pediatrisk stroke­rehabilitering säkrare, mer konsekvent och mer personligt anpassad.

Citering: 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

Nyckelord: pediatrisk stroke, rehabilitering, förklarbar AI, aktionsigenkänning, bärbara sensorer