MIT工程师公布用于运动障碍的远程患者评估创新技术

在医疗领域的一项重大进展中，麻省理工学院（MIT）的一个工程师团队推出了一种开创性的方法，用于远程评估患者的运动功能。这种创新策略融合了计算机视觉和机器学习技术，有效评估患有运动障碍（尤其是脑瘫）的个人。这一创新解决方案简化了评估流程，并有望彻底改变各种神经系统疾病的评估和管理方式。

变革患者评估格局

前往医生办公室就诊可能既繁琐又昂贵，尤其是对于患有脑瘫等运动障碍儿童的父母而言。频繁的面诊评估（每次长达一小时）带来了后勤和情感上的挑战。MIT的新颖方法旨在大幅减轻这些负担。

利用计算机视觉和机器学习

MIT工程师利用计算机视觉和机器学习的能力开发了一种远程评估解决方案。通过审查实时患者视频并识别视频帧中的特定姿势模式，该系统可以计算临床运动功能评分。这种开创性的方法为运动障碍患者及其家庭带来了希望。

对超过1000名脑瘫儿童的视频进行广泛测试取得了显著成果。该方法一致地分配临床评分，准确率超过70%，与临床医生进行的面诊评估非常接近。这种精度标志着远程患者评估新时代的到来。

通过移动设备实现便捷评估

这项开创性技术最引人注目的特性之一是其多功能性。患者可以使用各种移动设备（包括智能手机和平板电脑）在家中录制自己日常活动的视频。系统随后可以快速分析这些视频，生成临床评分，并与医疗保健提供者分享以供评估。这种可及性赋予患者掌控评估的能力，并减少了频繁去医院的需求。

虽然最初的焦点是脑瘫儿童，但MIT的工程师们怀有更广泛的抱负。他们正在调整该方法以评估患有异染性脑白质营养不良（metachromatic leukodystrophy）的儿童，这是一种影响神经系统的罕见遗传病。此外，他们希望将其应用扩展到评估经历过中风的患者，展示了该技术应用于各种运动相关疾病的潜力。

为了开发这种开创性的方法，MIT团队首先研究了能够从视频片段中解读人类运动的姿态估计算法。他们与一个公开可用的数据集合作，该数据集包含脑瘫儿童的视频，每个视频都标注了临床评估评分。该数据集为项目奠定了坚实基础。

机器学习赋能诊断准确性

研究人员部署了一种时空图卷积神经网络（Spatial-Temporal Graph Convolutional Neural Network），这是一种强大的机器学习流程，擅长处理随时间演变的空间数据。他们通过训练该神经网络识别脑瘫儿童运动中的特征模式，取得了令人印象深刻的成果。他们最初使用包含从事各种活动的健康成人视频的更广泛数据集对网络进行了优化。这种方法产生了对儿童 mobility 水平更精确的分类。

技术人人可及

该方法的适应性还体现在其与各种移动设备的兼容性上。在智能手机、平板电脑和笔记本电脑上进行测试后，团队观察到大多数设备都能熟练执行程序并实时生成临床评分。这种可及性为开发用户友好型应用程序奠定了基础，患者及其家庭可以在家中舒适地利用该应用程序分析视频，提供便利并减轻面诊评估带来的压力。

除了其直接应用外，MIT团队还设想这项技术作为一种多功能工具，能够评估广泛的运动相关疾病，包括中风和帕金森病。费城Moss康复医院的首席医疗官Alberto Esquenazi对这项技术的潜在影响表示乐观。他强调，该技术有能力改善护理、降低医疗成本、减少家庭因照顾患者而需要请假的情况，并提高患者的依从性。

预测治疗疗效

展望未来，远程评估方法可能发挥另一个关键作用——预测治疗疗效。通过促进更频繁的评估，临床医生可以迅速衡量干预措施的影响，从而可能改善患者预后。

MIT的工程师们通过其创新的远程评估方法，开启了患者评估的新纪元。通过结合计算机视觉和机器学习，他们打造了一种赋能患者、减轻压力并有望改善运动障碍患者护理的工具。随着这项技术的不断演变，其对医疗可及性和质量的影响预计将是变革性的。