📊 Home-Based Rehabilitation Adherence Sensor Tracking

Носимий сенсор і цифровий рецепт домашньої реабілітації

Після виписки з клініки чи завершення курсу очної фізіотерапії пацієнт зазвичай залишається сам на сам з аркушем паперових інструкцій. Носимі IMU-сенсори та мобільний застосунок-хаб перетворюють цей "невидимий" етап на потік об’єктивних даних: скільки підходів реально виконано, з якою якістю руху та наскільки регулярно — замість самозвітних щоденників, які пацієнти схильні прикрашати.

• >7 млн: Пацієнтів переходять на домашню реабілітацію щороку (США) (після ортопедичних і неврологічних втручань)
• ~65%: Прихильність за самозвітними щоденниками (систематично завищена оцінка)
• 30–50%: Реальна прихильність за об’єктивними сенсорами (типовий діапазон без підтримки)
• ~15 хв: Час розгортання сенсора вдома (калібрування + пара з додатком)

Проблема "невидимої" домашньої реабілітації

Очні сесії з фізіотерапевтом закінчуються, і пацієнт залишається виконувати призначену програму самостійно — часто 4–6 тижнів без прямого спостереження. Дослідження систематично показують розрив між тим, що пацієнти повідомляють у щоденниках, і тим, що вони роблять насправді: самозвіт завищує реальну прихильність на 15–25 відсоткових пунктів.

Без об’єктивних даних клініцист дізнається про проблему лише на контрольному візиті — тобто через тижні після того, як пацієнт фактично припинив виконувати вправи. До цього моменту вікно для раннього втручання вже закрите, а функціональний прогрес встигає вийти на плато або регресувати.

Носимі сенсори закривають цей розрив: замість запитання "чи виконували ви вправи?" система відповідає на питання "скільки підходів, якої якості та коли саме" було виконано — без залежності від пам’яті чи чесності пацієнта.

Апаратна конфігурація: IMU, застосунок, хаб

Типова конфігурація складається з трьох рівнів:

• Носимий вузол — триаксіальний акселерометр + гіроскоп (інерціальний вимірювальний модуль, IMU), закріплений на зап’ясті, гомілці або стегні залежно від типу призначеної вправи; частота дискретизації ~100 Гц • Хаб — смартфон пацієнта приймає сигнал по Bluetooth Low Energy, виконує попередню обробку "на краю" (edge inference) і локальне зберігання • Хмарний бекенд — синхронізує лише агреговані показники (кількість повторень, якість руху, час), а не сирий безперервний потік — для економії трафіку та приватності

Перед першим використанням вузол калібрується під конкретного пацієнта: коротка контрольна сесія записує еталонний патерн руху для кожної призначеної вправи, який потім використовується як шаблон для класифікації.

Один і той самий фізичний сенсор здатний коректно розрізняти до 8–12 типів вправ без перекалібрування, якщо кожна з них має унікальну траєкторію прискорення — це знімає потребу в окремому пристрої на кожну вправу.

Цифровий рецепт вправ і базова оцінка

Клініцист формує цифровий рецепт у системі: тип вправи, кількість підходів і повторень, цільова амплітуда руху (ROM), частота на тиждень. Рецепт завантажується на пристрій пацієнта і слугує еталоном, з яким порівнюється кожна фактично виконана сесія.

Паралельно фіксується базова функціональна оцінка — наприклад, тест 10-метрової ходьби, Timed Up and Go (TUG) або гоніометрія амплітуди суглоба. Ці показники стають точкою відліку: саме з ними згодом порівнюється результат після 6–8 тижнів програми, щоб оцінити, чи прихильність до вправ трансформувалась у реальне функціональне покращення.

Типи сенсорів для домашнього моніторингу

Класифікація вправ і підрахунок повторень у реальному часі

Сирий сигнал з акселерометра — це просто хвиляста лінія прискорення по трьох осях. Щоб перетворити її на клінічно корисну подію "виконано повторення присідання з правильною амплітудою", потрібен конвеєр обробки сигналу та легка модель класифікації, яка працює просто на телефоні пацієнта, з мінімальною затримкою й без постійного відео.

• 100 Гц: Частота дискретизації сенсора (триаксіальний акселерометр + гіроскоп)
• 93–97%: Точність класифікації типу вправи (CNN/LSTM на розмічених даних пацієнта)
• <300 мс: Затримка розпізнавання повторення (інференс безпосередньо на пристрої)
• <5%: Хибні спрацювання (не-вправа → "вправа") (після фільтрації побутового руху)

Від сирого сигналу до події "повторення"

Обробка відбувається у ковзному вікні ~2 секунди з перекриттям 50%:

1. Фільтрація шуму — низькочастотний фільтр прибирає високочастотне тремтіння сенсора 2. Витягування ознак — середнє, дисперсія, пік спектру (FFT), джерк (похідна прискорення) для кожної осі 3. Класифікація — легка згорткова або рекурентна мережа (CNN/LSTM) визначає, який тип вправи виконується у вікні, з оцінкою впевненості 4. Детекція піків — на нормі вектора прискорення шукаються локальні максимуми, що відповідають окремим повторенням; для кожного повторення оцінюється амплітуда руху (ROM) через інтегрування сигналу гіроскопа

Результат — потік дискретних подій "повторення виконано, тип X, якість Y%, час Z" замість безперервного сирого сигналу.

На валідаційних даних узгодженість автоматичного підрахунку повторень з ручним підрахунком фізіотерапевта за відеозаписом становить ICC ≈ 0.95 — модель практично не поступається людині-спостерігачу.

Відмінність вправи від побутової активності

Головний виклик — не переплутати цільову вправу з побутовим рухом: підйом зі стільця, хода до кухні чи струшування руки можуть частково нагадувати патерн прискорення реальної вправи. Це джерело хибних спрацювань.

Щоб знизити цей ризик, система використовує:

• Персональну калібрувальну сесію — еталонний запис вправи саме цього пацієнта під наглядом застосунку • Динамічне вирівнювання часу (DTW) — порівняння форми траєкторії з еталоном, а не лише амплітуди • Контекстні правила — вправа зараховується, лише якщо серія повторень відповідає очікуваній тривалості підходу з призначеного рецепту

Окремо оцінюється якість руху: амплітуда обмеженого повторення (наприклад, неповне присідання) позначається прапорцем "часткова якість" — це важливо, бо клінічно значуще не лише "скільки", а й "як".

Приватність і обробка на пристрої (edge AI)

На відміну від відеомоніторингу, IMU-дані не дозволяють ідентифікувати обличчя чи оточення пацієнта — фіксується лише траєкторія руху сенсора в просторі. Інференс моделі виконується локально на телефоні (edge inference), тож у хмару передаються лише агреговані показники: кількість повторень, оцінка якості, часові мітки.

Це одночасно знижує обсяг переданого трафіку та відповідає принципу мінімізації даних у регуляціях на кшталт GDPR: система не зберігає й не передає більше персональних даних, ніж потрібно для клінічного рішення. Пацієнт має контроль над згодою на моніторинг і може призупинити передачу даних у будь-який момент без втрати локального прогресу.

Теплова карта прихильності, стрики та гейміфіковані нагадування

Окремі події "повторення виконано" самі по собі мало що кажуть клініцисту. Цінність з’являється, коли вони агрегуються у щоденний і тижневий показник прихильності, візуалізований як теплова карта — і коли цей показник підживлюється поведінковими механіками, які утримують пацієнта в програмі довше, ніж це вдається паперовому аркушу з інструкціями.

• ≥70%: Поріг клінічно значущої прихильності (асоційований із кращим відновленням функції)
• +15–20 в.п.: Приріст прихильності від гейміфікації (порівняно з групою без нагадувань)
• 9 днів: Середній стрик до першого пропуску (без адаптивних нагадувань)
• 3–5: Кількість пуш-нагадувань на тиждень (адаптовано під розклад пацієнта)

Від подій до щоденного показника прихильності

Щоденна прихильність рахується як відношення фактично виконаних підходів/повторень до призначених, зважене на прапорець якості руху: повторення з неповною амплітудою враховується з нижчою вагою, ніж повне.

Ці щоденні значення агрегуються у теплову карту тижня: зелений колір — день виконано на ≥80%, жовтогарячий — 40–79%, червоний — <40% або повністю пропущений день. Клініцист бачить не середнє число за місяць, а конкретний патерн — наприклад, стабільне виконання в будні й систематичні пропуски у вихідні, що підказує, де саме потрібне коригування нагадувань.

Гейміфікація: стрики, бейджі, адаптивний час нагадувань

Поведінкові механіки запозичені з досліджень формування звичок:

• Стрики — безперервна серія днів із виконаною нормою, візуально винагороджена в застосунку • Бейджі за етапні досягнення — перший тиждень, перші 50 підходів, повний місяць без пропуску • Фреймінг уникнення втрати — повідомлення на кшталт "не перервіть свій 9-денний стрик" працює ефективніше за нейтральне нагадування • Адаптивний час — застосунок аналізує, о котрій годині пацієнт історично найчастіше виконує вправи, і надсилає нагадування саме в це вікно, а не за фіксованим розкладом

У контрольованому порівнянні когорта з адаптивними гейміфікованими нагадуваннями показала прихильність на 15–20 відсоткових пунктів вищу за когорту з простими щоденними пуш-повідомленнями без персоналізації.

Кореляція прихильності й функціонального результату

Кумулятивна прихильність за перші 8 тижнів програми корелює з покращенням функціональних шкал (наприклад, WOMAC для суглобів, Berg Balance Scale, TUG) на рівні r ≈ 0.62 — помірний, але клінічно значущий зв’язок.

Пацієнти з прихильністю нижче ~50% статистично значно частіше виходять на функціональне плато або навіть демонструють регрес порівняно з базовою оцінкою. Ця кореляція — не просто дослідницький факт, вона показується самому пацієнту у застосунку у вигляді простого графіка "ваша прихильність" поруч із "ваш прогрес", що підсилює мотивацію продовжувати.

Модель прогнозування ризику відмови від програми (dropout risk)

До появи об’єктивного моніторингу клініцист дізнавався про відмову пацієнта від програми лише постфактум — на пропущеному контрольному візиті. Модель прогнозування ризику аналізує тренд прихильності та супутні поведінкові ознаки, щоб оцінити ймовірність відмови за 1–2 тижні до того, як пацієнт фактично зникне з поля зору.

• 0.81: AUC моделі прогнозування відмови (градієнтний бустинг + логістична базова модель)
• 12–16 днів: Медіанний час до виявлення підвищеного ризику (від початку програми)
• 38%: Вага тренду прихильності серед ознак моделі (найвагоміший предиктор)
• −34%: Зниження фактичного відсіву при ранньому втручанні (порівняно з контрольною групою)

Ознаки моделі: не лише "скільки", а й "як" і "коли"

Замість єдиного показника "прихильність за місяць" модель використовує набір динамічних ознак:

• Ковзна прихильність за 7/14/28 днів і нахил тренду (чи погіршується вона) • Варіативність часу виконання вправ протягом дня — зростання хаотичності часто передує повній зупинці • Затримка реакції на нагадування — скільки часу минає між пуш-повідомленням і фактичним початком сесії • Тренд якості руху — поступове скорочення амплітуди чи підходів може сигналізувати про біль або втому • Клінічні й демографічні коваріати — вік, відстань до клініки, вихідна тяжкість стану, супутні захворювання

Архітектура моделі та пояснюваність для клініциста

Основна модель — градієнтний бустинг (тип XGBoost/LightGBM) поверх часових ознак, доповнена простою логістичною регресією як інтерпретованим базовим орієнтиром для звірки. Модель періодично перенавчається на накопичених даних когорти.

Для кожного індивідуального прогнозу генеруються SHAP-значення — вони показують клініцисту, які саме фактори підняли ризик конкретного пацієнта: наприклад, "спадний тренд прихильності за останні 10 днів" та "збільшена затримка реакції на нагадування" є основними внесками в підвищений бал ризику. Це перетворює "чорну скриньку" на пояснюваний клінічний інструмент.

Каліброваність моделі перевіряється через Brier score та криву каліброваності: прогнозована ймовірність 70% ризику дійсно повинна відповідати приблизно 70% реальних відмов у цій групі — інакше клінічні рішення на основі бала ризику будуть систематично викривленими.

Пороги ризику та маршрутизація втручань

Прогнозований бал розподіляється на три рівні:

• Зелений (низький ризик) — жодних додаткових дій, стандартні нагадування • Жовтогарячий (помірний ризик) — автоматичне підбадьорливе повідомлення та пропозиція легшого варіанта вправи, якщо тренд якості руху вказує на втому чи біль • Червоний (високий ризик) — пацієнт потрапляє у пріоритетний список клінічної команди для персонального втручання

Така маршрутизація дозволяє масштабувати обмежений ресурс уваги клініциста: замість рівномірного контакту з усіма пацієнтами команда концентрується саме на тих, де втручання дасть найбільший ефект.

Замикання циклу: від сповіщення клініциста до покращення результату

Прогноз ризику має клінічну цінність лише тоді, коли він призводить до дії. Останній етап системи — панель клініциста з пріоритизованим списком пацієнтів, набір градуйованих втручань та повторна оцінка функціонального результату, яка підтверджує, що весь цикл сенсор → модель → людина дійсно покращує завершення програми.

• <48 год: Час реакції клініциста на червоний алерт (цільовий SLA команди супроводу)
• 82%: Частка алертів із реальним втручанням (дзвінок, повідомлення або корекція плану)
• +27 в.п.: Приріст завершення повної програми (порівняно з групою без сенсорного моніторингу)
• −4.2: Скорочення очних візитів на пацієнта (завдяки дистанційному моніторингу)

Панель клініциста: пріоритизований список замість дзвінків навмання

Панель сортує пацієнтів клінічної команди за балом ризику, а не за алфавітом чи датою запису. Для кожного показано міні-графік тренду прихильності (спарклайн), дату останньої активності та прапорці якості руху.

Замість того, щоб щотижня дзвонити кожному з 40–60 пацієнтів на своїй панелі, координатор реабілітації бачить за кілька хвилин, хто дійсно потребує уваги сьогодні — це перетворює обмежений час клінічної команди на ресурс, спрямований туди, де він найбільш ефективний.

Градуйовані типи втручань

Відповідь на підвищений ризик масштабується за інтенсивністю:

1. Автоматичний підбадьорливий підштовх — персоналізоване повідомлення, коротке відео-нагадування техніки 2. Дзвінок координатора реабілітації — з’ясування причини (біль, брак часу, нерозуміння вправи) та коригування розкладу нагадувань 3. Корекція плану — зменшення кількості повторень, збільшення відпочинку між підходами, заміна вправи на менш навантажувальний варіант 4. Телевізит із фізіотерапевтом — відеоогляд техніки виконання в реальному часі 5. Ескалація до очного візиту — якщо червоний статус зберігається попри дистанційні втручання

У пілотних впровадженнях 82% сповіщень з високим ризиком призводили до реального контакту з пацієнтом протягом цільового вікна 48 годин — і саме ця швидкість реакції, а не сам факт прогнозування, визначає клінічну користь системи.

Замкнений цикл: дані → рішення → результат → нові дані

Після кожного втручання цикл не завершується — він продовжується: наступні сесії знову записуються сенсором, прихильність і якість руху знову агрегуються, модель ризику оновлює прогноз з урахуванням нової поведінки пацієнта.

Програма вважається завершеною, коли досягнуто критеріїв виписки: цільовий функціональний бал (наприклад, покращення TUG чи ROM відносно базової оцінки) підтверджений повторним тестуванням, а прихильність утримувалась на клінічно значущому рівні протягом останніх тижнів програми. Порівняно зі стандартним домашнім курсом на паперовому аркуші, замкнений цикл сенсор-модель-клініцист демонструє суттєво вищу частку пацієнтів, які доходять до цієї точки завершення, а не випадають з програми мовчки.