16/11/2023
Door Ad Spijkers
Een nieuw robotsysteem zou patiënten na een beroerte kunnen helpen de voortgang van hun herstel te volgen.
Beroerte is wereldwijd een van de belangrijkste oorzaken van langdurige invaliditeit. Elk jaar krijgen meer dan 15 miljoen mensen wereldwijd een beroerte. Driekwart van degenen die een beroerte overleven, ervaart beperkingen, zwakte en verlamming in hun armen en handen.
Velen vertrouwen op hun sterkere arm om dagelijkse taken uit te voeren, van het dragen van boodschappen tot het kammen van hun haar, zelfs als de zwakkere arm het potentieel heeft om te verbeteren. Het doorbreken van deze gewoonte, bekend als 'niet gebruiken van de armen' of aangeleerd niet gebruiken', kan de kracht verbeteren en letsel voorkomen.
Uitdaging
Het is een uitdaging om te bepalen hoeveel een patiënt zijn zwakkere arm buiten de kliniek gebruikt. In een klassiek geval van waarnemersparadox moet de meting verborgen zijn, wil de patiënt zich spontaan kunnen gedragen. Onderzoekers aan de University of Southern California in Los Angeles hebben een robotsysteem ontwikkeld voor het verzamelen van nauwkeurige gegevens over hoe mensen die herstellen van een beroerte hun armen spontaan gebruiken.
Met behulp van een robotarm (om ruimtelijke 3D-informatie bij te houden) en machine learning (om de data te verwerken) genereert de methode een 'arm niet gebruiken' metriek. Deze zou artsen kunnen helpen de voortgang van de revalidatie van een patiënt nauwkeurig te beoordelen. Een sociaal ondersteunende robot geeft tijdens de uitdaging instructies en aanmoediging. Uiteindelijk proberen de onderzoekers te beoordelen hoeveel iemands prestaties op het gebied van fysiotherapie overgaan in het echte leven.
Het onderzoek brengt kwantitatieve data over gebruikersprestaties samen die zijn verzameld met behulp van een robotarm. Tegelijkertijd motiveert het de gebruiker om representatieve prestaties te leveren dankzij een sociaal ondersteunende robot. De nieuwe combinatie van robot en ML kan dienen als een nauwkeuriger en motiverender proces voor de beoordeling van patiënten met een beroerte.
Afspiegeling van dagelijks gebruik
Voor de studie rekruteerde het onderzoeksteam veertien deelnemers die vóór de beroerte rechts dominant waren. Bij een proef plaatste de deelnemer zijn handen op de uitgangspositie van het apparaat: een 3D-geprinte doos met aanraaksensoren. Een sociaal ondersteunende robot beschreef de werking van het systeem en gaf positieve feedback, terwijl de robotarm een knop naar verschillende doellocaties voor de deelnemer bewoog (100 locaties in totaal). De 'reikproef' begint wanneer de knop oplicht en de robot de deelnemer een signaal geeft om te bewegen.
In de eerste fase kregen de deelnemers de opdracht om naar de knop te reiken met de hand die hen van nature voorkwam, wat het dagelijkse gebruik weerspiegelde. In de tweede fase kregen ze de opdracht om alleen de door een beroerte getroffen arm te gebruiken, een weerspiegeling van de prestaties in fysiotherapie of andere klinische settings.
Met behulp van machine learning analyseerde het team drie metingen om een maatstaf te bepalen voor het niet gebruiken van de arm: waarschijnlijkheid van armgebruik, tijd om te reiken en succesvol bereik. Een merkbaar verschil in prestatie tussen de fasen zou erop kunnen wijzen dat de aangedane arm niet wordt gebruikt. De deelnemers hebben een tijdslimiet om de knop te bereiken, dus ook al weten ze dat ze worden getest, ze moeten toch snel reageren. Op deze manier meten de onderzoekers de 'onderbuikreactie' op het aangaan van het licht. Welke hand gaan ze ter plekke gebruiken?
Veilig en gemakkelijk gebruik
Bij herstellenden van een beroerte constateerden de onderzoekers een grote variabiliteit in handkeuze en in de tijd om doelen op de werkplek te bereiken. De methode was betrouwbaar tijdens herhaalde sessies en deelnemers beoordeelden deze als eenvoudig te gebruiken, met bovengemiddelde scores voor gebruikerservaring. Alle deelnemers vonden de interactie veilig en gemakkelijk te gebruiken.
Cruciaal was dat de onderzoekers verschillen in armgebruik tussen deelnemers ontdekten. Dit zou door beroepsbeoefenaren in de gezondheidszorg kunnen worden gebruikt om het herstel van een patiënt na een beroerte nauwkeuriger te volgen.
Eén deelnemer wiens rechterkant meer getroffen was door de beroerte, vertoonde bijvoorbeeld een lager gebruik van zijn rechterarm, vooral in gebieden hoger aan zijn rechterkant. Maar de patiënt behield een grote kans om zijn rechterarm te gebruiken voor lagere gebieden aan dezelfde kant. Een andere deelnemer vertoonde een meer symmetrisch gebruik, maar compenseerde ook iets vaker met de minder getroffen kant voor hoger gelegen punten die dicht bij de middellijn lagen.
Technologie
De deelnemers vonden dat het systeem verbeterd kon worden door middel van personalisatie. Dat hoopt het team te onderzoeken in toekomstige studies, naast het opnemen van andere gedragsgegevens zoals gezichtsuitdrukkingen en verschillende soorten taken. De technologie pakt veel problemen aan die men tegenkomt bij traditionele beoordelingsmethoden. Daarbij hoeft de patiënt niet te weten dat hij of zij wordt getest. Ook zijn deze methoden gebaseerd op de observatie van de tester, waardoor er meer ruimte is voor fouten.
Dit type technologie zou hun revalidatietherapeut veel en objectieve informatie kunnen verschaffen over het gebruik van de arm een herstellende van een beroerte aan. De therapeut zou deze informatie vervolgens kunnen integreren in zijn klinische besluitvormingsproces. Hij kan dan zijn interventies beter afstemmen op de zwakke punten van de patiënt en kunnen voortbouwen op sterke punten.
De wetenschappelijke publicatie vindt u hier.
Foto: Nathan Dennler