Human Pose Estimation

Utvikling av teknologi for bruk i helse

Kompleksiteten av bevegelse

Gange er en av våre mest fundamentale bevegelser og er helt sentral for vår «frihet» og funksjonsnivå. Tidligere ble gange sett på som en fullstendig motorisk oppgave. I dag vet vi at gange er et komplekst samspill mellom ulike sanser og hjerneområder (1). Gange er sterkt påvirket av kognitive og følelsesmessige aspekter. Dette kan forklare sensitiviteten selv av små nevrale endringer, og hvordan endring i gange og balanse kan predikere utvikling av sykdom (1). De siste årene har ganghastighet fått en økende betydning og blir sett på som en informativ klinisk måling og faktisk kalt det sjette vitale tegnet (2, 3).

Behov for verktøy

Forebygging og tidlig intervensjon blir viktigere i årene som kommer. Bruk av bildeteknologi og sensorer for å fange opp atferdsendring har de siste årene økt i helse- og omsorgstjenestene. Spesialisthelsetjenesten har ofte bedre muligheter for avanserte digitale verktøy ved rehabilitering, blant annet spesialiserte 3D-videolaboratorier (4, 5). Til tross for presisjon og kvalitet krever videolaboratoriene teknisk ekspertise, høye kostnader og er kun tilgjengelig ved få sykehus i Norge. Samtidig finnes det lite digitale verktøy for fysioterapeuten i rehabilitering/habilitering, forebygging i primærhelsetjenesten og en mulighet for digital hjemmeoppfølging og desentraliserte tjenester.

Innsiktsarbeid og dataanalyse

Forprosjektet ble gjennomført i perioden september – desember 2021 i samarbeid mellom Helseinnovasjonssenteret og en tverrfaglig gruppe fra SINTEF Digital. Først ble det gjennomført samtaler med fysioterapeuter, rehabiliteringssenter og fageksperter for innsikt i arbeidsmetoder og -erfaring. Det var ulike oppfatninger om nytte og hvor teknologien kunne bli brukt. Fagekspertene ved ganglaboratoriene så nytten i teknologien, mens fysioterapeutene i kommunen var noe mer usikre på hvordan og hvor teknologien kunne brukes. Fall, fallforebygging og test av ganghastighet, balanse eller koordinasjon ble nevnt som eksempler på fremtidige bruksområder. To ulike teknologier ble sammenlignet. Den ene er en algoritme videreutviklet av SINTEF som er billig og potensiell enkel å bruke som ble sammenlignet med «gullstandarden» innenfor ganganalyse i spesialisthelsetjeneste. Disse bruker markører og infrarødt kamera. I prosjektet ble det lagt vekt på målepresisjon og analyse av gangparameter. Gangparameter er målinger som brukes i testing av gangfunksjon, som ganghastighet og steglengde. De siste årene har algoritmebasert teknologi økt i interesse og presisjon (4, 6). Ut ifra dataanalysen virker det som det oppnås lignende presisjon og at algoritmen får til å skille mellom forskjellige typer gange.

Arbeidet har gitt oss god innsikt og kunnskap om teknologien, behovet og hva som brukes i tjenesten og forskning i dag.  

Kontaktpersoner: Rådgiver Runa Overå Hide, runa@helseinnovasjonssenteret.no  / FoUI-leder Bjarte Bye Løfaldli, bjarte@helseinnovasjonssenteret.no

Video om prosjektet

Referanser

1.           Horst F, Lapuschkin S, Samek W, Müller K-R, Schöllhorn WI. Explaining the unique nature of individual gait patterns with deep learning. Scientific Reports. 2019;9(1):2391.

2.           Czech MD, Psaltos D, Zhang H, Adamusiak T, Calicchio M, Kelekar A, et al. Age and environment-related differences in gait in healthy adults using wearables. npj Digital Medicine. 2020;3(1):127.

3.           Kikkert LHJ, Vuillerme N, van Campen JP, Hortobágyi T, Lamoth CJ. Walking ability to predict future cognitive decline in old adults: A scoping review. Ageing Res Rev. 2016;27:1-14.

4.           Kanko RM, Laende EK, Davis EM, Selbie WS, Deluzio KJ. Concurrent assessment of gait kinematics using marker-based and markerless motion capture. J Biomech. 2021;127:110665.

5.           Nakano N, Sakura T, Ueda K, Omura L, Kimura A, Iino Y, et al. Evaluation of 3D Markerless Motion Capture Accuracy Using OpenPose With Multiple Video Cameras. Frontiers in Sports and Active Living. 2020;2.

6.           Mathis A, Schneider S, Lauer J, Mathis M. A Primer on Motion Capture with Deep Learning: Principles, Pitfalls, and Perspectives. Neuron. 2020;108:44-65.