AFFILIAZIONE
helaglobe srl
AUTORE PRINCIPALE
Dr Tedone Fabio
Registrazione obbligatoria. Una valutazione consentita
GRUPPO DI LAVORO
Dr.ssa Nocentini Olivia istituto italiano di tecnologia
Dr.ssa Fiorini Laura università di firenze
Ing. Giugliano Serena helaglobe srl
Dr Cafiero Davide helaglobe srl
Prof Cavallo Filippo università di firenze
Dr.ssa Fiorini Laura università di firenze
Ing. Giugliano Serena helaglobe srl
Dr Cafiero Davide helaglobe srl
Prof Cavallo Filippo università di firenze
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
Nel contesto del crescente numero di pazienti affetti da patologie neuro-degenerative e dell’importanza della riabilitazione domiciliare personalizzata, il nostro progetto si propone di rivoluzionare il settore attraverso l’implementazione di un’app innovativa AI-driven da associare a percorsi riabilitativi per persone con patologia cronica. La riabilitazione domiciliare presenta numerosi vantaggi per i pazienti, tuttavia, richiede interventi altamente personalizzati, spesso difficili da fornire in modo efficiente.
Le soluzioni attuali, spesso basate su computer vision e intelligenza artificiale, non sono in grado di fornire feedback quantitativi sull’esecuzione dell’esercizio (postura, simmetria, …).
Altre soluzioni sfruttano esclusivamente la computer vision e l’analisi geometrica per valutare ciclicamente angoli e distanze e stimare la progressione dell’esercizio. Ne consegue la necessità di un algoritmo ad hoc per ogni esercizio e un costo computazionale crescente all’aumentare dei parametri da osservare.
Il nostro progetto ha invece valutato una combinazione di computer vision, deep learning (rete LSTM) e analisi geometrica che ha permesso di ridurre i tempi di elaborazione dei feedback quantitativi, di personalizzare i feedback restituiti sulla base dei progressi dell’utente, di adattare il sistema facilmente a nuovi esercizi e patologie.
Il cuore del sistema è un coach virtuale alimentato dalla rete LSTM e dall’analisi geometrica che monitora in tempo reale i movimenti del paziente e fornisce feedback audio e video personalizzati.
Al momento, è stata sviluppata l’architettura cloud per lo storage e l’analisi dei dati e un’applicazione mobile che consente agli utenti di selezionare e svolgere gli esercizi assegnati e che abbiamo usato per misurare i primi risultati di accuratezza e velocità di reazione del sistema in ambienti non controllati, su esercizi riabilitativi e senza alcuna indicazione precedente al paziente. I risultati sono stati premiati con il “Best Conference Paper” al 12° Forum Italian Ambient Assisted Living a giugno 2023.
Al momento il progetto si sta concentrando sull’ottimizzare l’applicazione mobile e sullo sviluppo di una web application per consentire ai professionisti sanitari di monitorare e adattare il percorso riabilitativo in base ai dati registrati.
Infine, è in pianificazione uno studio clinico per la misurazione dell’usabilità e dell’efficacia del sistema su un campione rappresentativo di pazienti.
Le soluzioni attuali, spesso basate su computer vision e intelligenza artificiale, non sono in grado di fornire feedback quantitativi sull’esecuzione dell’esercizio (postura, simmetria, …).
Altre soluzioni sfruttano esclusivamente la computer vision e l’analisi geometrica per valutare ciclicamente angoli e distanze e stimare la progressione dell’esercizio. Ne consegue la necessità di un algoritmo ad hoc per ogni esercizio e un costo computazionale crescente all’aumentare dei parametri da osservare.
Il nostro progetto ha invece valutato una combinazione di computer vision, deep learning (rete LSTM) e analisi geometrica che ha permesso di ridurre i tempi di elaborazione dei feedback quantitativi, di personalizzare i feedback restituiti sulla base dei progressi dell’utente, di adattare il sistema facilmente a nuovi esercizi e patologie.
Il cuore del sistema è un coach virtuale alimentato dalla rete LSTM e dall’analisi geometrica che monitora in tempo reale i movimenti del paziente e fornisce feedback audio e video personalizzati.
Al momento, è stata sviluppata l’architettura cloud per lo storage e l’analisi dei dati e un’applicazione mobile che consente agli utenti di selezionare e svolgere gli esercizi assegnati e che abbiamo usato per misurare i primi risultati di accuratezza e velocità di reazione del sistema in ambienti non controllati, su esercizi riabilitativi e senza alcuna indicazione precedente al paziente. I risultati sono stati premiati con il “Best Conference Paper” al 12° Forum Italian Ambient Assisted Living a giugno 2023.
Al momento il progetto si sta concentrando sull’ottimizzare l’applicazione mobile e sullo sviluppo di una web application per consentire ai professionisti sanitari di monitorare e adattare il percorso riabilitativo in base ai dati registrati.
Infine, è in pianificazione uno studio clinico per la misurazione dell’usabilità e dell’efficacia del sistema su un campione rappresentativo di pazienti.
