Des chercheurs de l'Université du Michigan ont développé un modèle d'intelligence artificielle capable de prédire, à partir de capteurs portables, l'évaluation qu'un·e kinésithérapeute donnerait à des exercices d'équilibre réalisés à domicile. L'approche vise à prolonger le suivi entre deux consultations et à rendre la rééducation plus accessible hors des structures spécialisées.

Contexte et méthode

L'équipe, dirigée par Kathleen Sienko, a filmé des participant·e·s effectuant des exercices statiques debout tout en collectant des données issues d'accéléromètres et de capteurs gyroscopiques intégrés dans des unités de mesure inertielle (IMU). Des thérapeutes ont ensuite noté la difficulté de chaque exercice sur une échelle de 1 à 5. Ces annotations ont servi de référence pour entraîner un réseau de neurones convolutionnel à reproduire le jugement clinique.

Résultats et praticité

Le modèle a appris à prédire la note moyenne attribuée par les professionnels avec une précision proche de 90 %. Les expériences initiales utilisaient treize capteurs répartis sur le corps. À l'issue d'analyses de sensibilité, les chercheur·se·s ont montré qu'une configuration réduite à quatre capteurs (positionnés sur les deux cuisses, le bas du dos et le haut du dos) permettait de conserver des performances satisfaisantes. Cette simplification améliore la praticité pour un usage domestique et réduit la complexité d'un dispositif destiné aux patient·e·s.

  • Mesures utilisées : accélérations et rotations issues d'IMU.
  • Modèle : réseau de neurones convolutionnel entraîné sur les annotations des thérapeutes.
  • Réduction du nombre de capteurs : de treize à quatre, sans perte majeure de performance.

Leia Stirling, membre du projet, met en avant l'importance d'intégrer les besoins des patient·e·s et des thérapeutes lors de la conception d'outils d'aide à la décision, afin d'assurer leur utilité et leur acceptation sur le terrain.

Limites, risques et validation nécessaire

Les auteur·rice·s insistent sur les limites inhérentes aux modèles d'apprentissage automatique. Un risque majeur est le surapprentissage : si le modèle s'est trop adapté aux données d'entraînement, il peut donner des prédictions inadaptées pour de nouveaux patient·e·s, ce qui pourrait conduire à des recommandations potentiellement dangereuses. Pour cette raison, les chercheur·se·s recommandent une validation sur des données recueillies en conditions réelles et une utilisation encadrée par un·e professionnel·le de santé.

L'équipe mène également des travaux complémentaires visant à analyser le regard des thérapeutes via le suivi oculaire, afin de mieux comprendre les indices visuels sur lesquels s'appuie l'évaluation humaine et, éventuellement, d'affiner les modèles.

La recherche, financée par la National Science Foundation et l'université, est publiée dans le Journal of NeuroEngineering and Rehabilitation. Les auteur·rice·s indiquent rechercher des partenaires industriels pour envisager une commercialisation et étendre l'accès à la réhabilitation, en particulier dans les zones rurales ou sous-dotées en services spécialisés.

Ce qui reste à confirmer : la robustesse du modèle auprès de populations cliniques diversifiées et son comportement en conditions d'utilisation à domicile doivent être vérifiés par des études supplémentaires. Le cheminement vers une mise sur le marché implique par ailleurs des tests de sécurité, des validations cliniques et une acceptation réglementaire qui n'ont pas encore été détaillés.

À retenir

  • Un modèle IA formé à partir de capteurs IMU peut estimer la note moyenne de kinésithérapeutes pour des exercices d'équilibre avec une précision proche de 90 %.
  • La configuration pratique retenue n'utilise que quatre capteurs placés sur les cuisses, le bas et le haut du dos, ce qui facilite l'usage à domicile.
  • Le système vise à compléter le suivi clinique (notamment en zones rurales) mais doit être validé en conditions réelles et rester supervisé par un professionnel de santé.
  • Des travaux sur le suivi du regard des thérapeutes cherchent à mieux modéliser le processus d'évaluation humaine.

Article amélioré avec l'IA - Article original