Simple Science

Ciência de ponta explicada de forma simples

# Ciências da saúde# Ortopedia

Métodos Inovadores de Recuperação Usando IMUs para Reabilitação do Tendão de Aquiles

Novas tecnologias podem melhorar a recuperação de lesões no tendão de Aquiles com uma estimativa melhor de carga.

― 7 min ler


IMUs Transformam aIMUs Transformam aRecuperação do Aquilestendões.melhoram a reabilitação após lesões nosFerramentas de monitoramento avançadas
Índice

A Reabilitação depois de lesões ou cirurgias, principalmente relacionadas a músculos e tendões, depende muito de quanto a gente carrega esses tecidos. Estudos recentes mostraram que a forma como aplicamos pressão nesses tecidos pode afetar bastante o processo de cicatrização. Por exemplo, as lesões no tendão de Aquiles destacam a complexidade do carregamento, onde pressão demais ou de menos pode gerar problemas diferentes.

Na recuperação de uma lesão no tendão de Aquiles, é importante introduzir o carregamento corretamente, pois isso pode ajudar na cicatrização melhor do que apenas descansar ou imobilizar a área por muito tempo. Atualmente, os pacientes que estão se recuperando de cirurgias costumam usar um tipo específico de bota que limita o movimento, mas é feita para aumentar gradualmente o carregamento do tendão. Apesar de serem úteis, essas botas também diminuem o carregamento natural, e encontrar a melhor maneira de aplicar o carregamento para uma recuperação mais rápida ainda é um desafio.

A Necessidade de Monitoramento

Para criar planos de reabilitação melhores, precisamos acompanhar quanto de pressão é aplicada no tendão durante a recuperação. O método tradicional para monitorar essa pressão usa equipamentos caros e complexos em ambientes controlados. Essas técnicas conseguem coletar dados precisos, mas não são práticas para um número maior de pacientes em situações do dia a dia.

Para superar essa limitação, sugerimos usar tecnologias mais simples e fáceis de usar para estimar o carregamento do tendão enquanto os pacientes usam botas imobilizadoras. Uma opção promissora é usar Unidades de Medição Inercial (IMUs), que são dispositivos pequenos e baratos que podem ser encontrados em muitos smartphones e smartwatches. Esses sensores são fáceis de usar e manter, tornando-os adequados para aplicações mais amplas na recuperação dos pacientes.

Vantagens das IMUs

As IMUs gravam dados sobre movimento medindo aceleração e velocidade rotacional. Embora não meçam diretamente as cargas no tendão, elas oferecem vários benefícios que as tornam atraentes para o monitoramento de pacientes. Esses benefícios incluem:

  1. Durabilidade: Algumas IMUs são feitas para resistir a poeira e água, tornando-as adequadas para vários ambientes.
  2. Longa Duração da Bateria: Muitas IMUs funcionam por semanas sem precisar ser recarregadas.
  3. Baixa Interação do Usuário: Algumas IMUs conseguem gravar dados sem que o usuário precise apertar botões ou intervir, diminuindo a carga sobre os pacientes.

Usando IMUs, esperamos coletar mais dados, que são essenciais para acompanhar a recuperação.

Objetivos do Estudo

O principal objetivo do nosso estudo é criar um sistema que use IMUs para estimar com precisão quanto de carga é colocado no tendão de Aquiles e a Velocidade de Caminhada dos pacientes que usam botas imobilizadoras. Monitorando esses fatores, queremos melhorar a reabilitação após lesões ou cirurgias.

Para isso, acompanhamos os movimentos dos pacientes enquanto andavam com uma bota imobilizadora. Observamos os movimentos das pernas deles e coletamos dados através das IMUs para criar modelos que prevejam o carregamento do tendão e a velocidade de caminhada.

Coleta de Dados

Realizamos nosso estudo com dez participantes saudáveis, garantindo que nenhum tivesse lesões anteriores no tendão de Aquiles. Cada participante andou com uma bota imobilizadora enquanto os monitorávamos em um ambiente de laboratório. Usamos várias velocidades, formas diferentes de caminhar e várias posições da bota para simular cenários da vida real.

Os participantes usaram uma IMU comercial na bota e IMUs adicionais no pulso e na outra perna. Analisamos o movimento através das IMUs e validamos essas medições usando técnicas aprovadas, coletando dados sobre velocidade de caminhada e carregamento do tendão.

Processamento de Dados

Depois de coletar os dados, examinamos usando software para garantir que estavam precisos. Isolamos cada ciclo de caminhada para analisar os padrões de movimento dos participantes. Calculamos os valores máximos e mínimos dos dados gravados pelas IMUs, focando especificamente nas medições relacionadas à caminhada e ao carregamento.

Ao avaliar as cargas do pé e as velocidades de caminhada, criamos Modelos Preditivos para entender melhor a relação entre esses fatores.

O Modelo Preditivo

Para criar o modelo preditivo de velocidade de caminhada e carga do tendão, usamos um método chamado regressão LASSO. Esse método é eficaz para prever dados biomecânicos e nos ajudou a gerenciar relações complexas entre diferentes medições. Usamos vários fatores dos dados coletados, como a força do movimento, o tempo em pé e a velocidade de caminhada.

Treinamos modelos separados com base na posição da bota, já que mudar o ângulo da bota afeta significativamente a carga no tendão. Os modelos foram testados usando dados de cada participante e avaliados com base em quão bem previam o carregamento e a velocidade.

Resultados do Estudo

Previsões de Carga do Tendão

Nossos modelos se comportaram de maneiras diferentes dependendo das condições da bota. Ao prever o carregamento do tendão, os resultados variaram bastante, com as previsões mais precisas sendo alcançadas quando a bota estava em posição neutra. No entanto, as previsões para a carga do tendão não foram tão boas quanto esperávamos.

Previsões de Velocidade de Caminhada

Em contraste, as previsões de velocidade de caminhada foram geralmente melhores. Os modelos mostraram um alto grau de precisão em diferentes posições da bota. Participantes andando em um ângulo neutro mostraram os melhores resultados. A presença de dados específicos de cada sujeito melhorou significativamente a precisão do modelo, permitindo previsões mais personalizadas.

Impacto dos Dados Sensoriais

Também testamos como remover partes do fluxo de dados do sensor afetou o modelo. Excluir certas medições, como dados do giroscópio, teve alguns efeitos negativos, mas no geral, os modelos continuaram efetivos. A duração da bateria e a facilidade de uso continuaram sendo considerações chave, e descobrimos que os modelos podiam funcionar bem mesmo com menos fluxos de dados.

Usar frequências de amostragem mais baixas e considerar diferentes colocações dos sensores também foram explorados. Esses ajustes frequentemente impactaram as previsões, mas permitiram que melhorássemos a experiência do usuário sem sacrificar o desempenho.

Conclusão

Criamos modelos eficazes para estimar a carga do tendão e a velocidade de caminhada usando IMUs fixadas em botas imobilizadoras. Esses modelos podem ajudar a monitorar pacientes após lesões em situações do dia a dia, tornando a recuperação mais informada e personalizada.

Os próximos passos envolvem testar essas ferramentas com pacientes reais se recuperando de lesões no tendão de Aquiles. Conforme coletamos mais dados e refinamos nossos modelos, esperamos oferecer aos terapeutas e médicos insights valiosos para melhorar os planos de reabilitação.

O uso de IMUs pode revolucionar nossa abordagem sobre a recuperação, fornecendo um meio fácil de coletar dados ao longo do tempo e adaptando os protocolos de reabilitação com base em feedback em tempo real. Com os avanços contínuos em tecnologia, estamos otimistas sobre o futuro das estratégias de reabilitação e recuperação dos pacientes.

Ao focar em soluções práticas que priorizam a experiência do usuário, pretendemos apoiar os pacientes em suas jornadas de cura de forma eficaz e eficiente.

Fonte original

Título: Wearable sensor and machine learning accurately estimate tendon load and walking speed during immobilizing boot ambulation

Resumo: Achilles tendon injuries are treated with progressive weight bearing to promote tendon healing and restore function. Patient rehabilitation progression are typically studied in controlled, lab settings and do not represent the long-term loading experienced during daily living. The purpose of this study is to develop a wearable paradigm to accurately monitor Achilles tendon loading and walking speed using low-cost sensors that reduce subject burden. Ten healthy adults walked in an immobilizing boot under various heel wedge conditions (30{degrees}, 5{degrees}, 0{degrees}) and walking speeds. Three-dimensional motion capture, ground reaction force, and 6-axis inertial measurement unit (IMU) signals were collected per trial. We used Least Absolute Shrinkage and Selection Operator (LASSO) regression to predict peak Achilles tendon load and walking speed. The effects of using only accelerometer data, different sampling frequency, and multiple sensors to train the model were also explored. Walking speed models outperformed (mean absolute percentage error (MAPE): 8.41 {+/-} 4.08%) tendon load models (MAPE: 33.93 {+/-} 23.9%). Models trained with subject-specific data performed significantly better than generalized models. For example, our personalized model that was trained with only subject-specific data predicted tendon load with a 11.5 {+/-} 4.41% MAPE and walking speed with a 4.50 {+/-} 0.91% MAPE. Removing gyroscope channels, decreasing sampling frequency, and using combinations of sensors had inconsequential effects on models performance (changes in MAPE < 6.09%). We developed a simple monitoring paradigm that uses LASSO regression and wearable sensors to accurately predict Achilles tendon loading and walking speed while ambulating in an immobilizing boot. This paradigm provides a clinically implementable strategy to longitudinally monitor patient loading and activity while recovering from Achilles tendon injuries.

Autores: Josh R Baxter, M. P. Kwon, T. J. Hullfish, C. J. Humbyrd, L. A. T. Boakye

Última atualização: 2023-06-05 00:00:00

Idioma: English

Fonte URL: https://www.medrxiv.org/content/10.1101/2023.06.03.23290612

Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.06.03.23290612.full.pdf

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao medrxiv pela utilização da sua interoperabilidade de acesso aberto.

Artigos semelhantes