Le cadute nei pazienti con protesi transfemorale sono comuni, anche tra quanti indossano le protesi di ultima generazione. Non sono infatti disponibili modelli di controllo protesico che possano anticipare ogni asperità del terreno. Si calcola che circa metà degli amputati transfemorali cade almeno una volta l’anno. Ne consegue un certo timore per il movimento, che porta a diventare più sedentari, con conseguenze negative non solo sul comparto muscolo-scheletrico ma anche sulla salute generale.
L’uso di sensori indossabili e di altre strategie consente oggi di valutare momento per momento il cammino dei soggetti con protesi, così da poterlo studiare al meglio. L’ideale sarebbe poter usare queste tecnologie per riconoscere per tempo le fase che precedono una caduta, così da poterla evitare. Tecnologia da inserire in un ginocchio protesico.
Questo è il focus di uno studio pubblicato su Prosthesis da un team dell’Università del Texas di El Paso, composto da ricercatori in Computer Science e in Engineering Education and Leadership. Alla base del metodo proposto vi è l’uso dell’Intelligenza Artificiale e, in particolare, dell’algoritmo “Long Short-Term Memory”, che fa parte dei “recurrent neural networks (RNN)”.
Gli RNN sono network di algoritmi di machine learning che consentono di effettuare letture e interpretazioni in tempo reale dei dati, condizione necessaria per poter valutare il passo momento per momento e prevenire eventuali cadute.
Il sistema utilizzato
Gli autori hanno utilizzato una protesi di ginocchio LIMBS M3, di produzione texana, aggiungendovi due sensori, uno sopra e l’altro sotto il ginocchio, entrambi aventi 9 gradi di libertà. Ogni sensore lavora su una prospettiva unica. Alla protesi è stato poi aggiunto un piede protesico, il Niagara Foot v1.
Il sistema è stato utilizzato da tre pazienti ai quali è stato prima chiesto di camminare in due diversi setting: uno privo di ostacoli e l’altro con ostacoli. In questo secondo caso, i partecipanti hanno indossato degli occhiali che ne limitavano il campo visivo, per evitare che vedessero gli ostacoli prima del tempo. Se la perturbazione data dall’ostacolo era tale da causare una caduta, la consegna era di lasciarsi cadere. L’esperimento è proseguito fino al raggiungimento di 30 cadute per ogni partecipante.
In questo modo gli autori hanno potuto collezionare dati rispetto al passo dei tre soggetti in diverse condizioni, potendo così valutare cosa accade prima di una caduta.
Il sistema sembra avere potenziale
Alla fine della fase di raccolta dati gli autori hanno ottenuto centotrenta cadute da utilizzare per allenare gli algoritmi di IA. Oltre al già nominato “Long-Short Term Memory” gli autori hanno utilizzato anche il “Simple Recurrent Neural Network” e la “Gradient Recurrent Unit”.
Presi singolarmente, gli algoritmiche hanno mostrato maggiore accuratezza sono il primo e l’ultimo, con percentuali del 76%. Se si considera invece un network a 4 strati, si riesce a ottenere una accuratezza generica dell’88,7% e una specifica per il passo del 66,9%.
Si vede chiaramente che il processo deve essere ulteriormente ottimizzato, prima di poter aggiungere il controllo di IA in una protesi di ginocchio, ma lo studio mostra che occorre valutare anche i dati relativi a inciampi o strascichi di piede per rendere più completo il quadro di studio e individuare sistemi di controllo proattivi, che possano davvero prevenire una caduta.
Studio: Galey, L.; Fuentes, O.; Gonzalez, R.V. Transfemoral Amputee Stumble Detection through Machine-Learning Classification: Initial Exploration with Three Subjects. Prosthesis 2024, 6, 235-250.
