Álvaro Velarde Sotres, coordinateur international du domaine des sports de la Fundación Universitaria Iberoamericana (Fondation universitaire ibéro-américaine, FUNIBER), participe à une étude visant à développer un système intelligent capable de classer les exercices physiothérapeutiques à l’aide de PoseNet et de l’apprentissage automatique, afin d’améliorer l’efficacité de la physiothérapie.
La télésanté fait référence à la fourniture de services médicaux, tels que le diagnostic, la consultation et l’éducation, par le biais de dispositifs électroniques tels que les ordinateurs, les ordinateurs portables et les téléphones mobiles. Cette approche répond aux besoins d’une population mondiale vieillissante, le pourcentage de personnes âgées de plus de 60 ans devant passer de 12 % à 22 % d’ici à 2050. Pour les personnes âgées souffrant d’une maladie chronique, l’effort physique que représente le fait de parcourir de longues distances pour recevoir des soins médicaux constitue un défi de taille. La télésanté offre une solution cruciale en permettant l’accès à distance aux services médicaux, surmontant ainsi ces obstacles.
La pandémie de COVID-19 a accéléré l’adoption de la télésanté, améliorant ainsi la prestation de services. Les recherches indiquent qu’environ 90 % des patients et des soignants se sentent plus en confiance lors des rendez-vous par télésanté que lors des visites en personne, ce qui souligne l’importance croissante de la télésanté dans l’amélioration de l’accessibilité des soins de santé et de la confiance des patients.
La télésanté s’est avérée avantageuse pour la physiothérapie à distance, axée sur le diagnostic et le traitement des déficiences qui affectent les activités fonctionnelles. La physiothérapie comprend généralement des exercices essentiels à la rééducation du patient. L’exécution précise et cohérente de ces exercices permet aux thérapeutes d’ajuster le traitement en fonction des besoins. Traditionnellement, la physiothérapie implique une interaction directe avec les thérapeutes qui guident les patients pour corriger les erreurs d’exercices. Cependant, la durée et la fréquence des séances peuvent rendre difficile l’adhésion des patients à leur régime. La physiothérapie à distance par le biais de la télésanté résout ces problèmes en fournissant un soutien et un suivi continus, améliorant ainsi l’engagement du patient et le respect des exercices prescrits.
Dans ce contexte, l’étude a mis au point un système innovant de classification des exercices de physiothérapie pour le bras. Grâce à PoseNet, un réseau neuronal convolutif qui capture et analyse les mouvements du corps humain en temps réel, fournissant ainsi des données détaillées sur la posture et le mouvement, combiné à des modèles d’ensemble, qui associent plusieurs algorithmes d’apprentissage automatique pour améliorer la précision, le système peut classer les exercices de manière plus efficace et plus précise que les méthodes traditionnelles.
Des classificateurs d’apprentissage automatique basés sur des arbres, tels que Random Forest (RF), Extra Tree Classifier (ETC), XGBoost, LightGBM et Hist Gradient Boosting, ont été utilisés pour former le système en raison de leur capacité à traiter des données complexes et de leur efficacité dans les tâches de classification multi-classes. L’analyse des classificateurs a montré que Random Forest (RF) est adapté à la reconnaissance d’exercices en raison de sa capacité à traiter plusieurs classes et à éviter l’ajustement excessif, avec une précision de 98,2 %.
D’autre part, des modèles de classification combinés tels que RandomLightHist Fusion et StackedXLightRF ont été développés, le premier se distinguant par une précision remarquable de 99,6 %, surpassant les classificateurs individuels. Les performances remarquables de ce modèle sont dues à la combinaison de trois classificateurs puissants : Hist Gradient Boosting (HGB), LightGBM (LGBM) et RF. La synergie entre ces modèles renforce les capacités de renforcement du gradient et améliore la précision. En outre, le modèle s’est avéré robuste aux variations de genre, conservant son efficacité sur différents types de corps. Ces résultats mettent en évidence l’adaptabilité du modèle dans les applications du monde réel.
L’étude met en évidence la capacité de ces modèles à s’adapter à différents types d’exercices et aux variations individuelles des patients. Cet aspect est crucial, car il permet aux physiothérapeutes de concevoir des programmes de rééducation plus efficaces, adaptés aux besoins spécifiques de chaque individu. En outre, la mise en œuvre de cette technologie pourrait réduire la nécessité d’une supervision constante par des professionnels, ce qui permettrait aux patients de faire de l’exercice chez eux en toute confiance.
Pour en savoir plus sur cette étude, cliquez ici.
Pour lire d’autres recherches, consultez le référentiel UNEATLANTICO.
La Fondation universitaire ibéro-américaine (FUNIBER) promeut plusieurs programmes d’études, tels que le master en activité physique et santé. Ce master fournit aux professionnels les connaissances nécessaires pour développer, évaluer et concevoir des modèles d’exercice physique sûrs et bénéfiques, adaptés à la situation physiologique et pathologique de chaque individu. Ne manquez pas l’occasion de vous former dans un domaine en croissance constante et de contribuer au bien-être des personnes par le biais de l’activité physique!