Un nouveau système robotique évalue la mobilité après un accident vasculaire cérébral

L’AVC est l’une des principales causes d’invalidité de longue durée dans le monde. Chaque année, plus de 15 millions de personnes dans le monde sont victimes d’un AVC, et les trois quarts des survivants d’un AVC souffriront d’une déficience, d’une faiblesse et d’une paralysie des bras et des mains.

De nombreux survivants d’un AVC comptent sur leur bras le plus fort pour accomplir leurs tâches quotidiennes, comme faire l’épicerie ou se coiffer, même lorsque le bras le plus faible a le potentiel de s’améliorer. Rompre avec cette habitude, connue sous le nom de « non-utilisation des bras » ou « non-utilisation apprise », peut améliorer la force et prévenir les blessures.

Mais il est difficile de déterminer dans quelle mesure un patient utilise son bras le plus faible en dehors de la clinique. Dans un cas classique de paradoxe de l’observateur, la mesure doit être secrète pour que le patient se comporte spontanément.

Aujourd’hui, des chercheurs de l’USC ont développé un nouveau système robotique permettant de collecter des données précises sur la manière dont les personnes se remettant d’un AVC utilisent spontanément leurs bras. La première méthode en son genre est décrite dans un article publié dans Robotique scientifique.

En utilisant un bras robotique pour suivre les informations spatiales 3D et des techniques d’apprentissage automatique pour traiter les données, la méthode génère une métrique de « non-utilisation du bras », qui pourrait aider les cliniciens à évaluer avec précision les progrès de la réadaptation d’un patient. Un robot d’assistance sociale (SAR) fournit des instructions et des encouragements tout au long du défi.

“En fin de compte, nous essayons d’évaluer dans quelle mesure les performances d’une personne en physiothérapie se transfèrent dans la vie réelle”, a déclaré Nathan Dennler, auteur principal de l’article et doctorant en informatique.

La recherche a impliqué les efforts combinés des chercheurs du département d’informatique Thomas Lord de l’USC et de la division de biokinésiologie et de physiothérapie.

“Ce travail rassemble des données quantitatives sur les performances de l’utilisateur collectées à l’aide d’un bras robotique, tout en motivant également l’utilisateur à fournir une performance représentative grâce à un robot d’assistance sociale”, a déclaré Maja Matarić, co-auteur de l’étude et titulaire de la chaire Chan Soon-Shiong et distingué. Professeur d’informatique, de neurosciences et de pédiatrie. “Cette nouvelle combinaison peut constituer un processus plus précis et plus motivant pour l’évaluation des patients victimes d’un AVC.”

Les autres auteurs sont Stefanos Nikolaidis, professeur adjoint d’informatique ; Amelia Cain, professeure adjointe de physiothérapie clinique ; Carolee J. Winstein, professeure émérite et professeure adjointe au programme d’études supérieures en neurosciences ; et les étudiantes en informatique Erica De Guzmann et Claudia Chiu.

À l’image d’une utilisation quotidienne

Pour l’étude, l’équipe de recherche a recruté 14 participants qui étaient dominants à droite avant l’AVC. Le participant a placé ses mains sur la position d’origine de l’appareil, une boîte imprimée en 3D avec des capteurs tactiles.

Un robot d’assistance sociale (SAR) a décrit la mécanique du système et a fourni une rétroaction positive, tandis que le bras du robot déplaçait un bouton vers différents emplacements cibles devant le participant (100 emplacements au total). Le « essai d’atteinte » commence lorsque le bouton s’allume et que le SAR indique au participant de bouger.

Dans la première phase, les participants devaient atteindre le bouton en utilisant la main qui leur venait naturellement, reflétant leur utilisation quotidienne. Dans la deuxième phase, il leur a été demandé d’utiliser uniquement le bras affecté par un accident vasculaire cérébral, reflétant les performances en physiothérapie ou dans d’autres contextes cliniques.

Grâce à l’apprentissage automatique, l’équipe a analysé trois mesures pour déterminer une mesure de non-utilisation du bras : la probabilité d’utilisation du bras, le temps nécessaire pour l’atteindre et l’atteinte réussie. Une différence notable de performance entre les phases suggérerait une non-utilisation du bras affecté.

“Les participants ont un temps limite pour atteindre le bouton, donc même s’ils savent qu’ils sont testés, ils doivent quand même réagir rapidement”, a déclaré Dennler. « De cette façon, nous mesurons la réaction instinctive à l’allumage de la lumière : quelle main utiliserez-vous sur place ? »

Sûr et facile à utiliser

Chez les survivants d’un AVC chronique, les chercheurs ont observé une grande variabilité dans le choix des mains et dans le temps nécessaire pour atteindre les objectifs dans l’espace de travail. La méthode s’est avérée fiable lors de sessions répétées et les participants l’ont jugée simple à utiliser, avec des scores d’expérience utilisateur supérieurs à la moyenne. Tous les participants ont trouvé l’interaction sûre et facile à utiliser.

Surtout, les chercheurs ont découvert des différences dans l’utilisation des bras entre les participants, qui pourraient être utilisées par les professionnels de la santé pour suivre plus précisément la guérison d’un patient après un AVC.

“Par exemple, un participant dont le côté droit était plus affecté par son accident vasculaire cérébral a montré une utilisation moindre de son bras droit, spécifiquement dans les zones situées plus haut sur son côté droit, mais a maintenu une forte probabilité d’utiliser son bras droit pour les zones inférieures du même côté.” dit Dennler.

“Un autre participant a présenté une utilisation plus symétrique, mais a également compensé légèrement plus souvent avec son côté le moins affecté les points supérieurs proches de la ligne médiane.”

Les participants ont estimé que le système pourrait être amélioré grâce à la personnalisation, que l’équipe espère explorer dans de futures études, en plus d’incorporer d’autres données comportementales telles que les expressions faciales et différents types de tâches.

En tant que physiothérapeute, Cain a déclaré que la technologie résout de nombreux problèmes rencontrés avec les méthodes d’évaluation traditionnelles, qui “exigent que le patient ne sache pas qu’il est testé et sont basées sur l’observation du testeur, ce qui peut laisser plus de place à l’erreur”.

“Ce type de technologie pourrait fournir à son thérapeute en réadaptation des informations riches et objectives sur l’utilisation du bras d’un survivant d’un AVC”, a déclaré Cain. “Le thérapeute pourrait alors intégrer ces informations dans son processus de prise de décision clinique et mieux adapter ses interventions pour répondre aux points faibles du patient et s’appuyer sur ses points forts.”