Une équipe dirigée par des chercheurs de l’Université du Massachusetts à Amherst a développé un appareil portable au poignet alimenté par un algorithme d’apprentissage automatique qui peut suivre en permanence les changements dans les troubles des mouvements des bras causés par les accidents vasculaires cérébraux. La surveillance des changements tout au long du processus de rééducation permettra aux cliniciens d’ajuster en temps réel les programmes thérapeutiques pour des interventions sur mesure et des soins personnalisés au lieu de la norme actuelle universelle.
« Nous sommes le premier groupe à montrer réellement qu’en utilisant des données portables, nous pouvons extraire des informations sur la gravité motrice des patients, que les cliniciens peuvent réellement utiliser pour déterminer si leur intervention est efficace ou non », déclare Sunghoon Ivan Lee, professeur agrégé au Manning College of Information and Computer Sciences à UMass Amherst et auteur correspondant de l’article décrivant cette nouvelle technologie. La recherche a été réalisée aux côtés de collègues de l’Université de Washington à Saint-Louis, de Shirley Ryan AbilityLab et de la Harvard Medical School/Mass General Brigham.
Chaque année, plus de 795 000 Américains subissent un accident vasculaire cérébral, avec des problèmes de mobilité des membres supérieurs affectant jusqu’à 77 % des patients immédiatement après l’événement. Environ 40 % des patients continuent d’avoir des problèmes chroniques, ce qui constitue un obstacle majeur à une vie autonome.
Si la physiothérapie améliore ces problèmes de mobilité, elle n’est pas sans limites. Actuellement, les progrès sont mesurés par l’évaluation observationnelle d’un clinicien, qui prend environ 30 minutes. Comme il s’agit d’un processus long, l’évaluation n’a généralement lieu qu’avant et après la réadaptation.
Cela signifie qu’au cours du processus thérapeutique, ni le patient ni le thérapeute n’ont une idée claire de la façon dont les patients réagissent aux traitements qu’ils reçoivent. Actuellement, les cliniciens ne sont pas en mesure de voir si les patients réagissent aux exercices prescrits, et les patients n’ont aucun moyen de savoir comment ils progressent. »
Sunghoon Ivan Lee, professeur agrégé, Manning College of Information and Computer Sciences, UMass Amherst
Avec un moniteur portable, la collecte des données de récupération peut être continue et avoir lieu en dehors des séances de thérapie, permettant au thérapeute d’ajuster en temps opportun les stratégies de traitement pour une rééducation véritablement personnalisée.
En outre, le suivi des mouvements dans l’environnement réel d’un patient peut être plus révélateur de ses performances réelles, par opposition aux mouvements produits artificiellement dans une clinique. Le bracelet portable capture également les mouvements à tout moment de la journée, plutôt qu’à un seul instant. Et enfin, les patients peuvent constater que le suivi de leurs propres progrès en matière de rétablissement augmente leur engagement dans les pratiques thérapeutiques et les maintient motivés.
Lee est optimiste que cette transparence accrue se traduira par de meilleurs résultats thérapeutiques.
Un capteur accéléromètre intégré à l’appareil capture le mouvement des membres supérieurs, qui est ensuite interprété par un algorithme d’apprentissage automatique développé par Lee et son étudiant diplômé et auteur principal de l’article, Ryan Wang.
« (Les mouvements et la gravité des déficiences) sont liés, car moins vous êtes grave, plus vous risquez de bouger beaucoup, mais ce ne sont pas exactement les mêmes », explique Lee. « En augmentant l’utilisation des membres, nous pouvons effectivement encourager la personne à utiliser davantage ses membres. Mais les patients ne peuvent pas modifier instantanément la gravité motrice par un changement de comportement à court terme. »
Leur modèle, décrit dans Médecine translationnelle scientifique (LINK), a été formé sur les données de l’accéléromètre et les scores d’évaluation des cliniciens de patients victimes d’un AVC subaigu (une semaine à six mois après un AVC) et d’individus en bonne santé. Ils ont constaté que leur algorithme était 40 à 50 % plus précis, ce qui signifie qu’il reflétait mieux l’état réel du patient, par rapport à l’évaluation d’un clinicien.
En plus de l’application clinique de l’utilisation du dispositif pour éclairer les interventions personnalisées, les travaux de Lee ont démontré que le dispositif présente de solides applications en recherche. En recréant une étude précédente en utilisant leur propre biomarqueur numérique au lieu des observations d’un clinicien, les chercheurs ont constaté qu’ils généraient des résultats statistiquement significatifs avec 50 % de participants en moins.
« Nous pouvons avoir une idée claire de l’efficacité de l’intervention en utilisant un échantillon plus petit et beaucoup moins de ressources », explique Lee. Cela peut accélérer le processus de recherche et réduire les coûts. »
Ce travail a été soutenu par les National Institutes of Health. Avec un brevet provisoire déposé, Lee poursuit la commercialisation par l’intermédiaire de la startup Lumid Health avec le soutien du Translational Seed Award de l’UMass Amherst Institute for Applied Life Sciences, du Fonds de développement technologique de l’UMass Office of Technology Commercialization & Ventures (OTCV) et de la participation au programme de formation NSF I-Corps.
Pour développer davantage la technologie, les partenaires de recherche de Lee recrutent actuellement des patients victimes d’un AVC pour une étude menée au Spaulding Rehabilitation Hospital de Boston. Les personnes intéressées à participer peuvent consulter les critères d’inclusion et postuler ici.
