Запястное носимое устройство отслеживает изменения движений рук после инсульта

Команда под руководством исследователей из Массачусетского университета в Амхерсте разработала носимое устройство для запястья, работающее на основе алгоритма машинного обучения, которое может непрерывно отслеживать изменения в нарушениях движений рук, вызванных инсультом. Постоянный мониторинг в течение реабилитационного периода дает врачам возможность оперативно корректировать терапевтические программы и предлагать более индивидуализированные вмешательства вместо единого подхода для всех.

«Мы — первая группа, которая действительно показала, что, используя данные с носимых устройств, можно извлекать информацию о степени моторных нарушений, которую врачи могут применить, чтобы определить, эффективно ли их вмешательство», — говорит Сонхун Иван Ли, доцент Колледжа информационных и компьютерных наук Мэннинга в Массачусетском университете в Амхерсте и автор статьи о новой технологии. Исследование проводилось совместно с коллегами из Вашингтонского университета в Сент‑Луисе, лаборатории Ширли Райан Способности и Гарвардской медицинской школы/Массачусетского общего госпиталя Бригама.

Ежегодно более 795 000 американцев переносят инсульт; при этом проблемы с подвижностью верхних конечностей затрагивают до 77 % пациентов сразу после события. Около 40 % пациентов в дальнейшем сохраняют хронические нарушения, что существенно ограничивает их самостоятельность.

Физиотерапия может улучшить подвижность, но методы оценки прогресса имеют ограничения. Сейчас клиническое наблюдение занимает примерно 30 минут, и из‑за трудоёмкости такие оценки обычно проводят только до и после курса реабилитации.

«Это означает, что во время терапевтического процесса ни пациент, ни терапевт не имеют чёткой информации о том, как пациент реагирует на лечение», — отмечает Ли. «Клиницисты не видят, работают ли предписанные упражнения, и у пациентов нет возможности отслеживать свой прогресс в реальном времени».

С помощью портативного монитора сбор данных о восстановлении может вестись постоянно и вне рамок терапевтических сеансов, что позволяет терапевту своевременно корректировать стратегии лечения и обеспечивает более персонализированную реабилитацию.

Кроме того, отслеживание движений в реальной среде пациента может точнее отражать эффективность в повседневной жизни, а не только в клинически моделируемых упражнениях. Носимое устройство фиксирует движение в любое время суток, а не только в момент оценки, и пациенты могут видеть собственный прогресс, что повышает вовлечённость и мотивацию к занятиям.

Ли предполагает, что такая прозрачность должна привести к улучшению результатов лечения.

В устройстве использован датчик акселерометра для фиксации движения верхних конечностей; собранные данные затем интерпретирует алгоритм машинного обучения, разработанный Ли и его аспирантом и ведущим автором статьи Райаном Вангом.

«Движение и степень нарушений связаны: чем менее выражены нарушения, тем активнее человек движется, но эти понятия не совпадают полностью», — говорит Ли. «Мы можем побудить человека чаще использовать конечность, но это не моментально меняет тяжесть моторного дефицита — она не корректируется мгновенно краткосрочными изменениями поведения».

Их модель, описанная в "Научная трансляционная медицина" [LINK], была обучена на данных акселерометра и клинических оценках у пациентов с подострым инсультом (от одной недели до шести месяцев после инсульта) и у здоровых людей. [LINK]Исследователи обнаружили, что их алгоритм был на 40–50 % точнее в отражении реального состояния пациента по сравнению с оценкой клинициста.

Помимо клинического применения для персонализированных вмешательств, Ли и коллеги показали исследовательское преимущество устройства: при использовании цифрового биомаркера вместо клинических наблюдений они получили статистически значимые результаты с примерно на 50 % меньшим числом участников в исследовании.

«Так можно получить более чёткое представление об эффективности вмешательства при меньшем объёме выборки и с гораздо меньшими ресурсными затратами», — говорит Ли. Это может ускорить исследования и снизить их стоимость.

Работа была поддержана Национальными институтами здравоохранения. Ли подал предварительную патентную заявку и ведёт работу по коммерциализации через стартап Lumid Health при поддержке Института прикладных прикладных наук о жизни Массачусетского университета в Амхерсте, включая награду Seed, поддержку Фонда развития технологий Управления коммерциализации технологий и венчурного фонда Массачусетского университета (OTCV), а также участие в программе обучения NSF I‑Corps.

Для дальнейшей отработки технологии исследователи сейчас набирают пациентов, перенёсших инсульт, для исследования, проводимого в реабилитационной больнице Сполдинга в Бостоне; информация о критериях включения и участии доступна у организаторов исследования.