Case Studies / Analiza ruchu 3D
HEALTHTECH · COMPUTER VISION & REHABILITACJA
Analiza ruchu 3D oparta na AI zastępująca bezpośredni nadzór fizjoterapeuty
Pacjenci po operacjach lub z ograniczoną mobilnością często nie mają wystarczającego dostępu do fizjoterapii. Zbudowaliśmy 3D-owego osobistego trenera – wykorzystującego kamery Azure Kinect, Pose Estimation i VR z elementami grywalizacji – który monitoruje poprawność ćwiczeń w czasie rzeczywistym i automatycznie koryguje błędy, eliminując konieczność obecności fizjoterapeuty w domu pacjenta.
Partnerzy: Szpitale, uczelnie i dostawcy technologii (partnerstwo badawcze) – z naciskiem na rehabilitację domową pacjentów pooperacyjnych i osób starszych.
KEY RESULTS
3D
Pełne przestrzenne śledzenie ruchu z wielokamerowego setupu
Real-time
Automatyczna weryfikacja poprawności ćwiczeń z natychmiastowym feedbackiem
W domu
Ćwiczenia rehabilitacyjne bez fizjoterapeuty na miejscu
VR
Zgrywalizowane sesje treningowe zwiększające motywację pacjentów
BRANŻA
HealthTech / Rehabilitacja
USE CASE
Monitoring fizjoterapii w warunkach domowych
PODEJŚCIE AI
Pose Estimation + Activity Recognition
HARDWARE
Kamery Azure Kinect 3D
INTERFEJE
Grywalizacja VR
FORMA WSPÓŁPRACY
Partnerstwo badawcze
Wyzwanie
Rehabilitacja pooperacyjna i fizjoterapia dla osób starszych lub z ograniczoną mobilnością opierają się na prawidłowym i regularnym wykonywaniu ćwiczeń. Problem w tym, że fizjoterapeutów brakuje, terminy są ograniczone, a wielu pacjentów ma trudności z dotarciem do gabinetu. Efekt? Ćwiczenia wykonywane w domu bez nadzoru – często nieprawidłowo, a niekiedy wręcz pogarszające stan zdrowia zamiast go poprawiać.
Dotychczas nie istniał wiarygodny sposób, by pacjent otrzymywał informację zwrotną o poprawności ćwiczeń w czasie rzeczywistym – poza wizytą u fizjoterapeuty. Instrukcje na papierze i filmy instruktażowe pomagają, ale nie są w stanie ocenić, czy konkretna osoba faktycznie wykonuje ruch prawidłowo.
Sedno problemu: ćwiczenia rehabilitacyjne muszą być wykonywane prawidłowo, żeby przynosiły efekty — ale ci pacjenci, którzy potrzebują ich najbardziej, najczęściej nie mają dostępu do regularnej opieki fizjoterapeutycznej. Przepaść między „znać ćwiczenie” a „robić je poprawnie” pozostawała całkowicie bez kontroli.
Co zbudowaliśmy
Stworzyliśmy osobistego trenera AI opartego na analizie 3D – system, który obserwuje pacjenta podczas ćwiczeń w domu i na bieżąco informuje, czy wykonuje je prawidłowo. Bez konieczności obecności fizjoterapeuty w pomieszczeniu.
Wielokamerowy 3D Motion Capture. Zainstalowaliśmy i skonfigurowaliśmy zestaw kamer Azure Kinect 3D do przechwytywania pełnego ruchu ciała pacjenta w przestrzeni trójwymiarowej. To znacznie więcej niż analiza 2D z kamery – daje dokładność przestrzenną niezbędną do oceny kątów w stawach, postawy i zakresu ruchu.
Pose Estimation i Activity Recognition oparte na AI. Dedykowane algorytmy analizują trójwymiarowe dane ruchu, rozpoznając wykonywaną czynność i oceniając jakość jej wykonania. System identyfikuje konkretne ćwiczenia – przysiady, unoszenie ramion, ćwiczenia równoważne – i weryfikuje, czy spełniają kryteria poprawności zdefiniowane przez fizjoterapeutów.
Automatyczna weryfikacja poprawności. Gdy system wykryje nieprawidłowość – kolano odchylające się do wewnątrz, niewystarczająco prosty kręgosłup, zbyt mały zakres ruchu – natychmiast informuje pacjenta, co należy skorygować. Ta pętla feedbacku w czasie rzeczywistym zastępuje rolę nadzorującego fizjoterapeuty w przypadku ćwiczeń rutynowych.
Grywalizacja VR dla zwiększenia motywacji. Żeby rozwiązać dobrze znany problem porzucania programów ćwiczeń, zintegrowaliśmy elementy gier VR z sesjami treningowymi. Dzięki temu powtarzalne ćwiczenia rehabilitacyjne zamieniają się w angażujące, celowe aktywności – ze znacząco lepszą adherencją w porównaniu z tradycyjnymi programami domowymi bez nadzoru.
Rezultaty
Przed
Pacjenci ćwiczą w domu bez nadzoru. Brak informacji zwrotnej o technice. Duże ryzyko nieprawidłowego wykonania. Niska motywacja i słaba adherencja do programu.
Po
Ćwiczenia w domu pod nadzorem AI z analizą ruchu 3D w czasie rzeczywistym, automatycznymi korektami i zgrywalizowanymi sesjami utrzymującymi zaangażowanie pacjentów.
System wykazał, że rzetelna ocena poprawności ćwiczeń – dotychczas wymagająca obecności wykwalifikowanego fizjoterapeuty – może zostać zautomatyzowana dzięki 3D Computer Vision i AI. Pacjenci otrzymywali natychmiastową, konkretną informację zwrotną o swoich ruchach, a warstwa grywalizacji rozwiązywała problem zaangażowania, który podważa skuteczność większości programów rehabilitacyjnych prowadzonych bez nadzoru.
Projekt pokazał również kompetencje theBlue.ai w zakresie Computer Vision, analizy przestrzennej 3D oraz integracji hardware-software – obszarów, w których połączenie wiedzy z zakresu AI z praktycznym inżynierskim podejściem decyduje o tym, czy rozwiązanie działa tylko w laboratorium, czy również w salonie pacjenta.
Zastosowane technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
MEDTECH · APOQLAR
Wielogodzinna ręczna segmentacja obrazów zastąpiona AI wykonującą to w sekundy
Przed każdą operacją ktoś musiał ręcznie segmentować struktury anatomiczne na skanach MRI i CT, warstwa po warstwie. Zbudowaliśmy modele AI, które robią to automatycznie, skracając wielogodzinne zadanie do sekund.
Godz. → Sek.
Czas segmentacji
MRT+CT
Obie modalności
OPIEKA ZDROWOTNA · TIROL KLINIKEN INNSBRUCK
Automatyzacja ręcznej anonimizacji danych pacjentów
Pracownicy największej grupy szpitalnej w zachodniej Austrii ręcznie redagowali dane pacjentów z tysięcy dokumentów medycznych, aby spełnić wymogi regulacyjne. AI obsługuje to teraz automatycznie, na własnych serwerach, bez chmury.
100%
Zautomatyzowane
TGF
Zgodne
On-premis
Bez chmury
OPIEKA ZDROWOTNA · EV. KRANKENHAUS ALSTERDORF
Pomoc lekarzom w wykrywaniu ognisk padaczkowych, które umykają podczas ręcznego odczytu MRI
Neurolodzy wizualnie skanowali skany MRI mózgu w poszukiwaniu ognisk epileptycznych – proces, który wymaga specjalistycznej wiedzy i w którym mogą umknąć subtelne przypadki. Zbudowaliśmy AI wykrywające te ogniska z wyższą czułością niż ludzkie oko. Wyniki opublikowane w recenzowanych czasopismach.
90%
Czułość
70%
Swoistość