Bedeutung der Rehabilitation nach Schlaganfall
Der Schlaganfall ist weltweit die zweithäufigste Todesursache und eine der führenden Ursachen für bleibende Behinderung. Etwa 50–70 % der Überlebenden behalten langfristige Einschränkungen, insbesondere in der Mobilität. Trotz steigender Überlebensraten dank der verbesserten medizinischen Versorgung steigt der Bedarf an Rehabilitationsmaßnahmen – stationär wie auch im häuslichen Umfeld. Dabei bietet die Telerehabilitation diverse Vorteile, etwa weil Patienten die Rehamaßnahmen im heimischen Umfeld durchführen können und ein Mangel an Therapieplätzen abgepuffert werden kann. Die gängigen Methoden zur Erhebung funktioneller Fortschritte, wie das Fugl-Meyer-Assessment (FMA), erfordern bislang aber die Durchführung am Patienten und Interpretation durch Fachpersonal.
Herausforderungen in Reha der unteren Extremitäten nach Schlaganfall
Während robotische Systeme und Virtual-Reality-(VR)-Technologien bereits in der Neurorehabilitation der oberen Extremitäten Anwendung finden, bleibt die Versorgung der unteren Extremitäten eine große Herausforderung. Ganganalysen sind aufwendig, teuer und für häusliche Settings ungeeignet. Eine präzise, skalierbare und patientennahe Lösung fehlt bislang.
Ein hybrides Modell zur intelligenten Bewegungsanalyse in der Rehabilitation
Ziel der vorliegenden Studie eines Teams um Uptal Chandra Das von der Faculty of Engineering an der Chulalongkorn University in Bangkok war die Entwicklung und Evaluation eines Modells zur objektiven Erfassung und Bewertung von Rehabilitationsübungen der unteren Extremität bei Schlaganfallpatienten. Das System nutzt Videodaten, analysiert Gelenkwinkel, zählt Wiederholungen und gibt eine visuelle Rückmeldung.
Dabei wurden zwei Hauptmodell eingesetzt:
- Fuzzylogik-basiertes Regelmodell
Dieses Modell bestimmt anhand von 3D-Skelettdaten (MediaPipe Pose) die Winkelveränderungen von Hüfte, Knie und Sprunggelenk, berechnet ROM (Range of Motion)-Werte und klassifiziert die Ausführung der Übung in Echtzeit. - K-Nearest-Neighbor-Modell (K-NN)
Das K-NN-Modell dient der Klassifikation und Visualisierung des Übungsstatus und ermöglicht eine Trainingsbewertung mit bis zu 97 % Genauigkeit.
Beide Systeme wurden anhand von erfahrenen Physiotherapeuten validiert, die Übungen wie Hüftflexion, Hüftaußenrotation und Kniestreckung demonstrierten.
Training der KI zur Rehabilitation nach Schlaganfall
Die Videoerfassung erfolgte mit handelsüblichem Equipment (Webcam und Laptop mit speziellem Grafikprozessor). Die Trainingsdaten stammten aus einer klinischen Umgebung (King Chulalongkorn Memorial Hospital). Zur Analyse wurden 33 Schlüsselpunkte des menschlichen Körpers erfasst.
Das System definierte Bewegungen anhand vordefinierter Winkelbereiche, um bestimmte während der Rehabilitation ausgeführte Bewegungen selbst zu analysieren. Für die Genauigkeitsbestimmung wurde ein geometrisches Winkelmodell herangezogen.
Vergleich der aktuellen KI zu bestehenden Ansätzen
Im direkten Vergleich übertrifft das K-NN-Modell der Studie bestehende Systeme signifikant. Zudem ermöglicht das System die Echtzeitanalyse und Darstellung der Bewegungsqualität in Form von Grafiken und Statusanzeigen – ein Vorteil sowohl für Klinikpersonal als auch für Patienten zu Hause in der Telerehabilitation.
Studie zeigt Potenzial KI-gestützter Rehabilitation
Die Ergebnisse dieser Studie verdeutlichen das Potenzial KI-gestützter Rehabilitation zur Verbesserung von Behandlungsverläufen. Die Modelle ermöglichen eine standardisierte, objektive und reproduzierbare Bewegungsanalyse und eignen sich für die Integration in Telemedizin-Plattformen. Klinisch relevante Parameter wie ROM und Wiederholungszahl können zuverlässig überwacht werden.
Ausblick zu KI in der Rehabilitation nach Schlaganfall
Diese Arbeit stellt einen vielversprechenden Schritt in Richtung individualisierter, technologiegestützter Schlaganfallrehabilitation dar. Die entwickelten Modelle ermöglichen eine präzise Bewegungsanalyse, könnten die Motivation zur Übungsausführung erhöhen und entlasten Fachpersonal.
Zukünftige Studien sollten den Transfer auf andere Körperregionen (z. B. obere Extremität) sowie die langfristige Wirksamkeit in der Patientenpopulation evaluieren und im Outcome mit dem konventionellen Rehabilitationssetting „Mensch zu Mensch“ verglichen werden.
