Носимі IMU-сенсори, розпізнавання вправ і прогнозування відмови від домашньої реабілітаційної програми
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.
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.
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.
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.
| Product | Indication | Trial Design | Key Result |
|---|---|---|---|
| Наручний/гомілковий IMU | Силові та балансові вправи кінцівок | Акселерометр + гіроскоп, 100 Гц, класифікація типу руху та підрахунок повторень | Компактний, дешевий, не потребує камери |
| Стелька з тиском (pressure insole) | Ходьба, перенесення ваги, баланс | Масив п’єзорезистивних датчиків фіксує розподіл навантаження стопи | Точна оцінка симетрії ходи та балансу |
| Камера з оцінкою пози (pose estimation) | Складні багатосуглобові вправи, постава | Комп’ютерний зір оцінює кути суглобів у кадрі без маркерів | Найдетальніша оцінка якості руху |
| Розумна еластична стрічка | Вправи з опором (band exercises) | Тензодатчик у стрічці вимірює силу натягу та кількість циклів | Прямий вимір дозованого навантаження |
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.
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.
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".
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.
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.
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.
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.
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.
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.
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
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.
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.
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.
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.
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.
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.