EASY Rehab: l’AI nella riabilitazione neuromotoria
Introduzione
Il progetto EASY Rehab, Enhanced AI Systems for Rehabilitation, sviluppato per KOS Group, nasce con un obiettivo preciso: introdurre un sistema digitale avanzato in grado di supportare i professionisti della riabilitazione nell’analisi della spasticità cronica degli arti inferiori denominata LLS (Lower Limb Spasticity).
Attraverso un approccio non invasivo basato su computer vision e intelligenza artificiale, il progetto ha voluto trasformare il modo in cui i medici valutano la qualità del cammino, fornendo dati oggettivi e immediatamente utilizzabili per migliorare i percorsi terapeutici dei pazienti.
Le sfide
Rispondere alle esigenze degli utenti e di progetto
La diagnosi della spasticità cronica degli arti inferiori ha sempre rappresentato una sfida rilevante per il personale medico che spesso deve affidarsi a osservazioni qualitative, in certi casi soggettive, o all’utilizzo di strumenti invasivi difficilmente integrabili nella routine quotidiana.
A partire da questa evidenza, l’attività iniziale di discovery ci ha permesso di procedere in modo graduale e strutturato nella definizione del problema e poi della soluzione. L’identificazione degli utenti primari della piattaforma coinvolti nel progetto ha rappresentato il primo passo e ha consentito di raccogliere, attraverso un confronto diretto, informazioni puntuali sulle loro esigenze operative e sulle principali criticità riscontrate nello svolgimento delle attività di laboratorio.
Da questa analisi è emerso uno scenario chiaro su cui intervenire: semplificare le attività di diagnostica legate alla valutazione del cammino dei pazienti con diverse problematiche motorie, fornendo strumenti più oggettivi, non invasivi e facilmente integrabili nei flussi di lavoro clinici, a supporto di medici e tecnici di laboratorio.
La piattaforma è stata quindi pensata fin da subito per soddisfare tali necessità messe in relazione agli obiettivi del progetto, tra cui:
- definire nuove strategie non invasive per l’analisi del cammino in caso di spasticità;
- misurare quantitativamente parametri significativi attraverso modelli di visione addestrati;
- fornire nuovi sistemi per l’esecuzione, il monitoraggio e la valutazione del cammino, così da migliorare progressivamente qualità ed efficacia delle terapie nei percorsi riabilitativi.
Rispondere ai vincoli tecnologici e computazionali
Per raggiungere questi obiettivi, il progetto ha dovuto affrontare alcune sfide tecnico-scientifiche fondamentali per decretarne il successo. Le principali hanno riguardato:
- l’addestramento dei moduli di computer vision capaci di riconoscere automaticamente andature e pattern caratteristici;
- lo sviluppo di tecniche di correlazione dati per generare indici clinicamente significativi;
- la necessità di elaborare in tempo reale le registrazioni video acquisiti dal sistema di telecamere;
- la rigorosa gestione della privacy e della protezione dei dati sensibili dei pazienti.
Il processo
Per rispondere alle sfide del progetto ci si è avvalsi di un team multidisciplinare spaziando da figure in ambito universitario, provenienti dall’Università di Camerino, a figure più tecniche in ambito di sviluppo come la software house DevQ di Corridonia.
DevQ si è occupata dell’acquisizione e gestione delle registrazioni dei frame, mentre l’Università di Camerino ha seguito sia la fase di image recognition che di motion analysis, attraverso l’applicazione di modelli IA specializzati. Noi di Claranet abbiamo curato lo sviluppo dell’infrastruttura cloud, dell’applicazione web e desktop e della parte UX/UI design.
Dato il team cross-funzionale, lo sviluppo della piattaforma EASY Rehab ha seguito un percorso articolato, dettato da un flusso di lavoro strutturato per fasi, che ha portato alla realizzazione di un prototipo avanzato e funzionante già dopo pochi mesi di sviluppo. Questo è stato possibile grazie all’adozione di metodologie Agile, che hanno consentito al team di organizzarsi in gruppi di lavoro multidisciplinari operanti in modo autonomo ma coordinato e allineato, favorendo iterazioni rapide, rilasci incrementali e un confronto continuo tra competenze tecnologiche, cliniche e di ricerca.
Analisi e definizione dei requisiti utente e clinici
Come già evidenziato, comprendere a fondo le esigenze dei medici e dei tecnici di riabilitazione ha rappresentato il primo passo fondamentale per individuare i parametri del cammino realmente rilevanti ai fini della valutazione della spasticità.
Questo risultato è stato possibile grazie alla disponibilità e al coinvolgimento dell’intero team che, insieme al personale medico di KOS Group, ha dedicato una giornata di lavoro all’esplorazione dei profili degli utenti primari e delle loro necessità operative, analizzando l’attuale flusso di lavoro adottato in laboratorio e delineando, in modo coerente con gli obiettivi di progetto, il nuovo iter operativo desiderato.
Progettazione del sistema di acquisizione
Per l’acquisizione delle immagini è stato definito un sistema basato su telecamere non invasive, selezionate sulla base di precisi vincoli tecnici.
La scelta delle telecamere
È stato fondamentale garantire che le telecamere operassero in modo sincronizzato, mantenendo lo stesso frame rate su tutte le camere. Questo requisito ha consentito di ottenere dati più precisi e affidabili durante la fase di acquisizione.
Le caratteristiche hardware della workstation
L’intero processo di acquisizione ed elaborazione è avvenuto su una workstation dedicata all’interno del laboratorio. In funzione di queste esigenze, le caratteristiche hardware sono state definite su una fascia prestazionale elevata. In particolare, l’algoritmo di identificazione dei punti chiave del corpo del paziente (spalle, ginocchia, caviglie, ecc.) ha richiesto una notevole capacità di calcolo a livello di CPU e GPU.
La gestione e l’invio dei dati
Le immagini acquisite sono state elaborate in locale; esclusivamente le informazioni relative ai risultati della gait analysis sono state trasmesse al server cloud, rendendole successivamente disponibili nella scheda del paziente all’interno dell’applicativo web.
Sviluppo dei modelli di computer vision e intelligenza artificiale
Gli algoritmi addestrati sul movimento umano hanno permesso di:
- identificare automaticamente la postura e la dinamica degli arti inferiori del paziente;
- estrarre misurazioni quantitative sul cammino del paziente;
- riconoscere indici significativi della spasticità.
Realizzazione dell'interfaccia per medici e tecnici di laboratorio
Per ciascun paziente è stata progettata una scheda dettagliata che consente ai medici e tecnici di laboratorio di valutare il suo stato attuale, monitorare l’evoluzione del cammino e confrontare le misurazioni nel tempo.
Inoltre, sono state inserite all’interno dell’interfaccia quattro funzionalità cardine:
- avviare una nuova sessione di Gait Analysis;
- valutare e comparare quantitativamente il percorso eseguito rispetto ai KPI predefiniti;
- generare report dettagliati sull’analisi effettuata;
- esportare e condividere dati e informazioni con gli altri professionisti della clinica medica.
I risultati
Nel complesso, il progetto EASY Rehab ha portato alla realizzazione di un sistema digitale capace di introdurre innovazioni significative nella pratica riabilitativa. In particolare, la soluzione sviluppata ha integrato:
- un sistema non invasivo di acquisizione del cammino basato sull’utilizzo di telecamere;
- modelli di computer vision addestrati per misurare in modo quantitativo i parametri della camminata e riconoscere automaticamente i pattern tipici della spasticità;
- una catena di elaborazione dei dati in tempo reale, in grado di analizzare lo stream video acquisito durante l’esecuzione del cammino e restituire immediatamente i risultati delle misurazioni;
- una scheda clinica del paziente completa, progettata per supportare il medico nella valutazione e nel monitoraggio nel tempo dell’efficacia dei trattamenti terapeutici;
- strumenti di comparazione e reportistica, utili a osservare l’evoluzione clinica del paziente e confrontare sessioni diverse;
- un supporto decisionale più informato, basato su dati oggettivi, strutturati e costantemente aggiornati.
Conclusione
EASY Rehab ha segnato un avanzamento significativo nel modo di concepire e praticare la riabilitazione neuromotoria, ponendo le basi per un approccio sempre più preciso, misurabile e orientato ai dati.
I feedback raccolti durante il progetto hanno confermato il valore della soluzione sviluppata, evidenziando come l’integrazione dell’intelligenza artificiale e della computer vision rappresenti un reale supporto a vantaggio dell’attività clinica quotidiana e che, grazie alla piattaforma, offre ai professionisti uno strumento concreto per ottimizzare i percorsi riabilitativi dei pazienti affetti da spasticità.