Créditos: Imagem cortesia do MIT CSAIL.
Um sistema para monitorar o movimento e o envolvimento muscular pode ajudar idosos e atletas durante a reabilitação física não supervisionada para lesões ou mobilidade prejudicada.
Um número crescente de pessoas está vivendo com condições que podem se beneficiar da reabilitação física – mas não há fisioterapeutas suficientes para todos. A crescente necessidade de PTs está correndo ao lado do crescimento populacional, e o envelhecimento, bem como as taxas mais altas de doenças graves, estão contribuindo para o problema.
Um aumento nas técnicas baseadas em sensores, como sensores de movimento no corpo, forneceu alguma autonomia e precisão para pacientes que poderiam se beneficiar de sistemas robóticos para complementar os terapeutas humanos. Ainda assim, os relógios e anéis minimalistas atualmente disponíveis dependem em grande parte de dados de movimento, que carecem de dados mais holísticos que um fisioterapeuta reúne, incluindo envolvimento e tensão muscular, além de movimento.
Essa barreira de linguagem de movimento muscular levou recentemente à criação de um sistema de reabilitação física não supervisionado, MuscleRehab, por pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) e do Massachusetts General Hospital. Existem três ingredientes: rastreamento de movimento que captura a atividade de movimento, uma técnica de imagem chamada tomografia de impedância elétrica (EIT) que mede o que os músculos estão fazendo e um fone de ouvido de realidade virtual (VR) e traje de rastreamento que permite que o paciente assista a si mesmo ao lado um fisioterapeuta.
Os pacientes vestem o elegante traje de rastreamento todo preto e, em seguida, realizam vários exercícios, como lunges, flexão de joelho, levantamento terra, elevação de perna, extensão de joelho, agachamento, hidrantes e pontes que medem a atividade do quadríceps, sartório, isquiotibiais , e sequestradores. VR captura dados de movimento 3D.
No ambiente virtual, os pacientes recebem duas condições. Em ambos os casos, seu avatar atua ao lado de um fisioterapeuta. Na primeira situação, apenas os dados de rastreamento de movimento são sobrepostos ao avatar do paciente. Na segunda situação, o paciente coloca as tiras de detecção do TIE e, em seguida, tem todas as informações do movimento e do envolvimento muscular.
Com essas duas condições, a equipe comparou a precisão do exercício e entregou os resultados a um terapeuta profissional, que explicou quais grupos musculares deveriam ser engajados durante cada um dos exercícios. Ao visualizar os dados de envolvimento muscular e movimento durante esses exercícios não supervisionados, em vez de apenas movimento, a precisão geral dos exercícios melhorou em 15%.
A equipe então fez uma comparação cruzada de quanto tempo durante os exercícios o grupo muscular correto foi acionado entre as duas condições. Na condição em que eles mostram os dados de envolvimento muscular em tempo real, esse é o feedback. Ao monitorar e registrar a maioria dos dados de engajamento, os PTs relataram uma compreensão muito melhor da qualidade do exercício do paciente e isso ajudou a avaliar melhor seu regime atual e exercício com base nessas estatísticas.
“Queríamos que nosso cenário de detecção não se limitasse a um ambiente clínico, para permitir melhor reabilitação não supervisionada orientada por dados para atletas em recuperação de lesões, pacientes atualmente em fisioterapia ou pessoas com doenças físicas limitantes, para finalmente ver se podemos ajudar com não apenas recuperação, mas talvez prevenção”, diz Junyi Zhu, estudante de doutorado do MIT em engenharia elétrica e ciência da computação, afiliada do CSAIL e principal autor de um novo artigo sobre MuscleRehab. “Ao medir ativamente o envolvimento muscular profundo, podemos observar se os dados são anormais em comparação com a linha de base de um paciente, para fornecer informações sobre a trajetória muscular potencial”.
As tecnologias de detecção atuais se concentram principalmente no rastreamento de comportamentos e frequências cardíacas, mas Zhu estava interessado em encontrar uma maneira melhor do que a eletromiografia (EMG) para detectar o envolvimento (fluxo sanguíneo, alongamento, contração) de diferentes camadas dos músculos. O EMG captura apenas a atividade muscular logo abaixo da pele, a menos que seja feito de forma invasiva.
Zhu vem investigando o reino dos dispositivos pessoais de detecção de saúde há algum tempo. Ele se inspirou no uso da EIT, que mede a condutividade elétrica dos músculos, para seu projeto em 2021, que usou a técnica de imagem não invasiva para criar um kit de ferramentas para projetar e fabricar dispositivos de detecção de movimento e saúde. Que ele saiba, a TIE, que geralmente é usada para monitorar a função pulmonar, detectar tumores no tórax e diagnosticar embolia pulmonar, não havia sido feita antes.
Com o MuscleRehab, a placa de detecção do EIT serve como o “cérebro” por trás do sistema. É acompanhado por duas tiras cheias de eletrodos que são colocados na parte superior da coxa do usuário para capturar dados volumétricos 3D. O processo de captura de movimento usa 39 marcadores e várias câmeras que detectam taxas de quadros por segundo muito altas. Os dados de detecção da EIT mostram os músculos acionados ativamente destacados na tela e um determinado músculo fica mais escuro com mais envolvimento.
Atualmente, o MuscleRehab se concentra na parte superior da coxa e nos principais grupos musculares internos, mas, ao longo da linha, eles gostariam de se expandir para os glúteos. A equipe também está explorando caminhos potenciais no uso de EIT em radioterapia em colaboração com Piotr Zygmanski, físico médico do Brigham and Women’s Hospital e Dana-Farber Cancer Institute e Professor Associado de Radiação na Harvard Medical School.
“Estamos explorando a utilização de campos elétricos e correntes para detecção de radiação, bem como para imagens das propriedades dielétricas da anatomia do paciente durante o tratamento de radioterapia ou como resultado do tratamento”, diz Zygmanski. “A radiação induz correntes dentro de tecidos e células e outros meios – por exemplo, detectores – além de causar danos diretos no nível molecular (danos no DNA). Descobrimos que a instrumentação EIT desenvolvida pela equipe do MIT é particularmente adequada para explorar essas novas aplicações da TIE em radioterapia. Esperamos que com a customização dos parâmetros eletrônicos do sistema EIT possamos atingir esses objetivos.”
“Este trabalho avança a EIT, uma abordagem de detecção convencionalmente usada em ambientes clínicos, com uma combinação engenhosa e única com a realidade virtual”, diz Yang Zhang, professor assistente de engenharia elétrica e de computação na Escola de Engenharia Samueli da UCLA, que não esteve envolvido em o papel. “O aplicativo habilitado que facilita a reabilitação potencialmente tem um amplo impacto em toda a sociedade para ajudar os pacientes realizando a reabilitação física com segurança e eficácia em casa. Essas ferramentas para eliminar a necessidade de recursos clínicos e pessoal há muito são necessárias para a falta de força de trabalho na área da saúde”.
Os coautores do artigo no MIT são os estudantes de pós-graduação Yuxuan Lei e Gila Schein, o estudante de graduação do MIT Aashini Shah e a professora do MIT Stefanie Mueller, todos afiliados do CSAIL. Outros autores são Hamid Ghaednia, instrutor do Departamento de Cirurgia Ortopédica da Harvard Medical School e co-diretor do Center for Physical Artificial Intelligence no Mass General Hospital; Joseph Schwab, chefe do Orthopaedic Spine Center, diretor de oncologia da coluna, codiretor do Stephan L. Harris Chordoma Center e professor associado de cirurgia ortopédica na Harvard Medical School; bem como Casper Harteveld, reitor associado e professor da Northeastern University. Eles apresentarão o artigo no The ACM Symposium on User Interface Software and Technology no final deste mês.
Publicado em 15/10/2022 09h26
Artigo original: