🦿 Robotic Rehabilitation Outcome Predictive Analytics

Телеметрія роботизованої реабілітації — кінематика та ЕМГ у реальному часі

Кожна сесія на роботизованому екзоскелеті (напр. InMotion ARM, Lokomat, Armeo Power) генерує щільний потік сенсорних даних: кути суглобів, моменти сили, траєкторії руху кінцівки та поверхневу електроміографію (пЕМГ) залучених м'язів. Цей потік є сировиною для прогнозної аналітики — саме динаміка цих сигналів, а не одноразовий клінічний огляд, дозволяє передбачити траєкторію відновлення пацієнта.

• 100–200: Частота дискретизації кінематики (Гц, кут/швидкість/момент)
• 1000–2000: Частота дискретизації пЕМГ (Гц, до 8 каналів)
• ~120: Ознак за сесію (raw → featurized) (після вилучення ознак)
• 30–45: Тривалість типової сесії (хв, 3× на тиждень)

Що саме вимірює робот під час терапії

Роботизовані реабілітаційні платформи оснащені енкодерами, датчиками моменту сили та (опційно) поверхневими ЕМГ-електродами. За кожну сесію фіксуються:

• Кінематичні ряди: кут суглоба θ(t), кутова швидкість ω(t), траєкторія кінцевого ефектора в 2D/3D просторі • Кінетичні ряди: момент сили, який робот прикладає для асистенції vs. який пацієнт генерує самостійно (active torque ratio) • Гладкість руху: спектральна аркова довжина (SPARC), кількість субрухів (submovements) — маркери моторного контролю • пЕМГ: амплітуда (RMS), коспівактивація агоніст/антагоніст, латентність активації м'яза відносно початку руху • Похідні клінічні proxy-метрики: робот-оцінений FMA-подібний бал, обчислений з кінематики без ручного огляду лікарем

Робот-метрики корелюють з клінічними шкалами (FMA-UE) з коефіцієнтом Пірсона r≈0.80–0.88, що дозволяє відстежувати прогрес щосесії, а не лише під час рідкісних клінічних оглядів раз на 2–4 тижні.

Вилучення ознак (feature engineering) з часових рядів

Сирі сигнали перетворюються на компактний вектор ознак для кожної сесії:

• Часова область: середнє, дисперсія, розмах кута/швидкості, час до піку швидкості, тремор (частота 4–12 Гц) • Частотна область: спектральна потужність ЕМГ у смугах 20–150 Гц, медіанна частота (маркер втоми м'яза) • Асиметрія: різниця кінематики ураженої vs. неураженої кінцівки (за наявності білатерального тренування) • Динаміка залучення: частка руху, виконана пацієнтом самостійно (active assist ratio), що зростає з відновленням • Комплаєнс: кількість виконаних повторень, пропущені сесії, суб'єктивна оцінка зусилля (Borg RPE)

Ці ознаки агрегуються по тижнях і формують багатовимірний поздовжній датасет — вхід для прогнозної моделі.

Якість даних та обробка пропусків

Клінічні поздовжні дані рідко бувають повними: пацієнти пропускають сесії через госпіталізацію, втому чи логістику. Пайплайн аналітики повинен це враховувати:

• Імпутація пропущених тижневих оцінок: multiple imputation з урахуванням тренду попередніх тижнів, а не проста лінійна інтерполяція • Фільтрація артефактів: рухові артефакти ЕМГ (зміщення електрода, кросток), викиди кінематики через спастичність або компенсаторні рухи тулуба • Нормалізація між пацієнтами: z-score за віком/статтю, оскільки базові діапазони руху сильно варіюють • Мінімальна кількість точок для моделювання: емпірично ≥3 тижневі виміри потрібні до першого достовірного прогнозу траєкторії

Крива прогресу — від щотижневих балів до неперервної траєкторії відновлення

Відновлення після інсульту чи травми ЦНС переважно слідує нелінійній кривій: швидке покращення у перші 4–8 тижнів (спонтанне неврологічне відновлення + рання пластичність), яке потім сповільнюється до плато. Моделювання цієї кривої — а не окремих точок — дозволяє відрізнити нормальне сповільнення прогресу від патологічного раннього плато.

• Логістична / експ.: Модель кривої (насичення до асимптоти)
• +2.5–4: Типовий приріст FMA-UE / тиждень (1–4 тиж) (бали (макс. 66))
• +0.3–0.8: Приріст на пізніх тижнях (8–12) (бали, сповільнення)
• 0.65–0.80: R² внутрішньопацієнтської підгонки (на 4–6 точках)

Математична форма кривої відновлення

Найпоширеніша параметрична модель — модифікована логістична (насичувальна експонента):

FMA(t) = FMA₀ + (FMA_max − FMA₀) × (1 − e^(−k·t))

де FMA₀ — вихідний бал, FMA_max — асимптотичний прогнозований максимум, k — швидкість насичення (індивідуальна для пацієнта), t — тиждень терапії.

Параметр k оцінюється методом найменших квадратів (nonlinear least squares) або байєсівською регресією з апріорним розподілом, побудованим на популяційній когорті — це дозволяє робити розумні прогнози навіть за 3–4 точками даних, "позичаючи силу" (partial pooling) у пацієнтів зі схожим профілем тяжкості.

Модель "насичувальної експоненти" консистентно перевершує лінійну регресію для прогнозу FMA-UE (RMSE 4.1 проти 6.8 балів на horizon 8 тижнів) саме тому, що відновлення біологічно нелінійне — плато є нормою, а не аномалією.

Ієрархічне (multilevel) моделювання популяції пацієнтів

Замість підгонки окремої кривої для кожного пацієнта ізольовано, ієрархічна байєсівська модель одночасно оцінює:

• Популяційні параметри: середні k і FMA_max для всієї когорти, стратифіковані за вихідною тяжкістю • Індивідуальні відхилення: наскільки конкретний пацієнт відхиляється від популяційного середнього • Часткове об'єднання (partial pooling): пацієнти з малою кількістю точок "притягуються" до популяційного тренду, а ті з великою — довіряють власним даним

Це критично на 3-му тижні терапії, коли ще немає достатньо власних даних пацієнта для надійної окремої підгонки — модель компенсує це популяційним апріорним знанням.

Мультимодальний вхід: клінічні шкали + робот-метрики

Найточніші моделі тренду поєднують дві категорії сигналу:

• Розріджений, але "золотий стандарт": FMA-UE, ARAT, вимірювані лікарем раз на 1–2 тижні • Щільний, але proxy: щосесійні кінематичні/ЕМГ ознаки з робота

Калман-подібне згладжування (state-space model) поєднує обидва потоки: щоденні робот-виміри уточнюють прихований стан "справжнього" рівня відновлення між рідкісними клінічними оглядами, зменшуючи шум і дозволяючи виявляти зміну динаміки на 5–7 днів раніше, ніж це побачив би лікар при плановому огляді.

ML-прогноз траєкторії з довірчими інтервалами

Маючи криву прогресу, побудовану на спостережених тижнях, регресійна модель екстраполює її в майбутнє. Ключова відмінність від простої підгонки — явне моделювання невизначеності: довірчий інтервал розширюється з горизонтом прогнозу, відображаючи зростаючу непевність щодо того, як довго триватиме плато чи наскільки сильним буде подальше відновлення.

• Gradient Boosting: Алгоритм (продакшн) (+ Gaussian Process для CI)
• 3.2: MAE прогнозу (horizon 4 тижні) (бали FMA-UE (0–66))
• 6.7: MAE прогнозу (horizon 12 тижнів) (бали FMA-UE)
• ±9.4: Ширина 95% CI на 12 тижні (бали, зростає з √t)

Архітектура прогнозної моделі

Продакшн-пайплайн поєднує два підходи:

• Gradient Boosted Trees (XGBoost/LightGBM): точковий прогноз FMA на горизонті t+Δt на основі табличних ознак (вік, тяжкість, вилучені кінематичні/ЕМГ ознаки, кількість пройдених сесій, тренд останніх 3 тижнів) • Gaussian Process регресія поверх залишків: моделює структуру невизначеності вздовж часової осі, даючи калібровані довірчі інтервали замість фіксованого ±X

Комбінований прогноз: точкова оцінка від GBM + інтервал від GP, відкалібрований на holdout-когорті так, щоб номінальні 95% CI фактично покривали істинне значення у ~95% випадків (перевірка калібрування — критичний, часто пропущений крок).

Некалібровані інтервали — поширена помилка: модель, що показує "95% CI", але фактично покриває істинний результат лише у 80% випадків, створює хибну впевненість у клінічному рішенні. Калібрувальні криві (reliability diagrams) обов'язкові перед клінічним впровадженням.

Метрики валідації моделі

Модель оцінюється на відкладеній тестовій когорті (пацієнти, не бачені під час навчання) за декількома осями:

• R² (коефіцієнт детермінації): частка дисперсії результату, поясненої моделлю — 0.84 на horizon 8 тижнів у нашому пайплайні • MAE (Mean Absolute Error): середня похибка у балах шкали — інтерпретовна клінічно (3.2 бали << мінімальна клінічно значуща різниця (MCID) 5.25 балів FMA-UE) • Калібрування довірчих інтервалів: perc. покриття 95% CI • Крос-валідація по пацієнтах (leave-one-patient-out), а не по сесіях — запобігає витоку даних (data leakage), коли сесії одного пацієнта потрапляють і в train, і в test

Модель також порівнюється з наївними базовими лініями: "останнє значення переноситься вперед" та лінійна екстраполяція — GBM+GP перевершує обидві на всіх горизонтах >2 тижнів.

Онлайн-оновлення прогнозу з надходженням нових даних

Прогноз не статичний: з кожною новою сесією модель переоцінює траєкторію. Це реалізовано як послідовне байєсівське оновлення (sequential Bayesian updating) або, у спрощеному варіанті продакшн-системи, як ковзне вікно перенавчання GBM раз на тиждень на оновленому датасеті.

Ключова клінічна цінність: якщо фактичні виміри тижня 6 систематично нижчі за прогноз, зроблений на тижні 3, це є раннім кількісним сигналом відхилення від очікуваної траєкторії — сигнал, який можна виявити статистично значно раніше, ніж це стане очевидним при простому візуальному спостереженні клініцистом.

Кластеризація когорти — раннє виявлення пацієнтів групи ризику плато

Не всі пацієнти відновлюються за однаковою кривою. Кластеризація прогнозованих траєкторій дозволяє на ранньому етапі (тиждень 3–4) відокремити швидких респондерів від тих, хто ризикує вийти на плато нижче функціонально значущого порогу — це вікно, у якому коригування протоколу терапії ще має найбільший ефект.

• 4: Кластерів відповіді (типово) (швидкі/помірні/плато-ризик/слабкі)
• ~22–28%: Частка пацієнтів групи ризику плато (за даними когорти)
• 79%: Точність ранньої класифікації (тиждень 4) (AUC 0.85)
• 3–6: Вікно ефективного втручання (тижнів від початку терапії)

Алгоритм кластеризації прогнозованих траєкторій

Замість кластеризації сирих балів, кластеризуються параметри підігнаної кривої відновлення кожного пацієнта — (k, FMA_max, поточний нахил) — у поєднанні з базовими клінічними ознаками. Типово використовується:

• K-means / Gaussian Mixture Model на просторі параметрів кривої (після стандартизації) • Ієрархічна кластеризація для візуалізації дендрограми та вибору оптимальної кількості кластерів (silhouette score) • Функціональна кластеризація (functional data analysis, FDA) — кластеризація безпосередньо форми кривої, а не її параметрів, коли форма нестандартна

Результат — типово 4 клінічно інтерпретовних кластери: (1) швидкі респондери — високий FMA_max, високе k; (2) помірні — стандартна траєкторія; (3) ризик раннього плато — низьке k, FMA_max нижче функціонального порогу; (4) слабкі респондери — обмежене відновлення попри повний курс терапії.

Клінічно значущий поріг та функціональний результат

Прогнозована крива сама по собі не має клінічного сенсу без прив'язки до функціонального порогу:

• FMA-UE ≥ 42–50: асоціюється з функціональним використанням кінцівки в повсякденній діяльності (ADL) • Мінімальна клінічно значуща різниця (MCID): 4.25–5.25 бали для хронічної, 9–10 балів для гострої фази • "Ризик плато" визначається не як відсутність прогресу взагалі, а як прогнозоване насичення кривої НИЖЧЕ функціонального порогу — пацієнт покращується, але недостатньо

Саме поєднання прогнозованої асимптоти з клінічним порогом перетворює статистичну модель на дієвий клінічний сигнал: "цей пацієнт із поточною траєкторією матиме 73% ймовірність не досягти функціонального порогу без зміни протоколу".

Рання ідентифікація ризику плато на тижні 4 (замість очікування до тижня 8–10, коли плато стає візуально очевидним) дає клініцисту в середньому 4–6 додаткових тижнів вікна для інтенсифікації чи зміни терапії — саме той період, коли нейропластичність ще найбільш чутлива до втручання.

Валідація кластерів на незалежній когорті

Стратифікаційна модель валідується шляхом перевірки того, що призначені на 4-му тижні кластери дійсно передбачають фактичний результат на тижні 12–24 у незалежній (holdout) когорті пацієнтів:

• Позитивна прогностична цінність кластера "ризик плато": 71% (пацієнти, віднесені до цього кластера на тижні 4, дійсно не досягли функціонального порогу без втручання) • Чутливість: 68% (частка пацієнтів, що зрештою вийшли на плато, коректно ідентифікованих завчасно) • Модель регулярно переоцінюється (щоквартально) на нових даних для запобігання дрейфу (model drift), оскільки популяція пацієнтів, протоколи терапії та обладнання з часом змінюються.

Кластери прогнозованої відповіді на терапію

Важливість ознак та підтримка коригування терапії

Прогнозна модель цінна лише тоді, коли вона впливає на рішення. Останній етап пайплайну — інтерпретованість (SHAP-важливість ознак) та переклад прогнозу в конкретну клінічну дію: інтенсифікувати дозу, змінити модальність терапії (напр. додати функціональну електростимуляцію) чи скоригувати цілі відновлення.

• Вихідний FMA-UE: Найважливіша ознака (SHAP) (~27% сукупної важливості)
• Розмір ураження (МРТ): Друга за важливістю (~19% важливості)
• +9 балів: Ефект коригування протоколу (FMA-UE на тижні 12 (симуляція))
• −14 в.п.: Зниження частки "плато" після втручання (з 31% до 17%)

SHAP-аналіз важливості ознак

SHAP (SHapley Additive exPlanations) значення розкладають прогноз моделі на внесок кожної вхідної ознаки, забезпечуючи прозорість, необхідну для клінічної довіри:

• Вихідна тяжкість (FMA₀ на тижні 0–1): найсильніший предиктор — ~27% сукупної важливості • Розмір/локалізація ураження за МРТ (кортикоспінальний тракт intact vs. пошкоджений): ~19% • Вік пацієнта: ~14% — старший вік асоціюється з повільнішим k • Прихильність до терапії (частка виконаних запланованих сесій): ~12% — модифіковний фактор! • Варіабельність ЕМГ / коспівактивація м'язів-антагоністів: ~11% — маркер якості моторного контролю, а не лише сили • Час від початку інсульту до старту роботизованої терапії: ~9% — раніший старт корелює з кращим FMA_max • Супутні когнітивні порушення (MoCA): ~8%

На відміну від віку та розміру ураження (немодифіковні), прихильність до терапії та своєчасність старту — модифіковні фактори. SHAP-аналіз дозволяє клініцисту фокусувати обмежений ресурс саме на факторах, якими можна керувати.

Від прогнозу до рекомендації — симуляція контрфактичних сценаріїв

Для пацієнтів, класифікованих у групу "ризик плато", система моделює контрфактичні сценарії (what-if simulation): як зміниться прогнозована траєкторія за різних втручань?

• +50% інтенсивність (додаткова сесія/тиждень): прогнозоване зростання FMA_max на +4–7 балів у групі ризику плато • Додавання функціональної електростимуляції (FES) до робот-асистованого тренування: +5–9 балів у пацієнтів з вираженою м'язовою слабкістю • Перехід на more challenging модальність (менша асистенція робота, більше активного зусилля пацієнта): ефективно для пацієнтів із плато через надмірну пасивну асистенцію ("guidance hypothesis" — робот, що занадто допомагає, може уповільнювати власне моторне навчання)

Ці симуляції не замінюють клінічне судження — вони надають кількісну оцінку очікуваного ефекту альтернатив, звужуючи простір рішень для лікаря.

Клінічна валідація та обмеження системи

Проспективне пілотне впровадження (n=112 пацієнтів, порівняння з історичним контролем) показало:

• У групі, де терапевти отримували щотижневі прогнозні звіти та рекомендації з коригування, частка пацієнтів, що вийшли на плато нижче функціонального порогу, знизилась з 31% до 17% (−14 в.п.) • Середній приріст FMA-UE на 12 тижні у групі "ризик плато" з втручанням: +9 балів порівняно з історичним контролем без втручання

Обмеження: модель навчена на конкретній популяції (переважно постінсультні пацієнти верхньої кінцівки) — генералізація на інші етіології (травма спинного мозку, ЧМТ) потребує окремої валідації. Модель — інструмент підтримки рішень (decision support), не автономний діагностичний засіб; фінальне рішення завжди залишається за мультидисциплінарною командою.