Uma nova ferramenta robótica desenvolvida por uma equipa de especialistas em ciência da computação e biocinesiologia poderia ajudar os sobreviventes de AVC a monitorizar com mais precisão o seu progresso de recuperação.
O autor principal Nathan Dennler, estudante de doutorado em ciência da computação, com o braço robótico, que fornece informações espaciais 3D precisas, e um robô socialmente assistencial, que fornece instrução e motivação durante toda a avaliação.
Todos os anos, mais de 15 milhões de pessoas em todo o mundo sofrerão AVC, com três quartos enfrentando desafios como deficiência, fraqueza e paralisia nos braços e nas mãos, de acordo com a American Stroke Association.
Embora o velho ditado diga “Use ou perca”, para sobreviventes de AVC, pode ser mais fácil falar do que fazer.
Muitas pessoas que se recuperam de um derrame dependem do braço mais forte para realizar as tarefas diárias, mesmo quando o braço mais fraco tem potencial para melhorar.
Isto pode tornar-se um ciclo vicioso – o braço mais fraco é menos utilizado, tornando-se menos funcional. Quebrar esse hábito, conhecido como “não uso do braço” ou “não uso aprendido”, pode melhorar a força e prevenir lesões.
Mas determinar o quanto um paciente está usando o braço mais fraco fora da clínica é um desafio. Num caso clássico de paradoxo do observador, a medição tem que ser encoberta para que o paciente se comporte naturalmente.
Agora, os pesquisadores da USC desenvolveram um novo sistema robótico para coletar dados precisos sobre como as pessoas que se recuperam de um derrame usam os braços espontaneamente. O método inédito é descrito em um artigo publicado na edição de 15 de novembro da Science Robotics.
Usando um braço robótico para rastrear informações espaciais em 3D e técnicas de aprendizado de máquina para processar os dados, o método gera uma métrica de “não utilização do braço”, que poderia ajudar os médicos a avaliar com precisão o progresso da reabilitação de um paciente.
Um robô socialmente assistencial (SAR) fornece instruções e incentivo durante todo o desafio.
“Em última análise, estamos tentando avaliar o quanto o desempenho de alguém na fisioterapia se transfere para a vida real”, disse Nathan Dennler, autor principal do artigo e estudante de doutorado em ciência da computação.
A pesquisa envolveu esforços combinados de pesquisadores do Departamento de Ciência da Computação Thomas Lord da USC e da Divisão de Biocinesiologia e Fisioterapia.
“Este trabalho reúne dados quantitativos de desempenho do usuário coletados usando um braço robótico, ao mesmo tempo que motiva o usuário a fornecer um desempenho representativo graças a um robô socialmente assistencial”, diz Maja Matarić, coautora do estudo e Chan Soon-Shiong Chair and Distinguished Professor de Ciência da Computação, Neurociências e Pediatria.
“Esta nova combinação pode servir como um processo mais preciso e mais motivador para a avaliação de pacientes com AVC.”
Autores adicionais são Stefanos Nikolaidis, professor assistente de ciência da computação; Amelia Cain, professora assistente de fisioterapia clínica, Carolee J. Winstein, professora emérita e professora adjunta do Programa de Pós-Graduação em Neurociências, e as estudantes de ciência da computação Erica De Guzmann e Claudia Chiu.
Espelhando o uso diário
Para este estudo, a equipe de pesquisa recrutou 14 participantes que dominavam a mão direita antes do acidente vascular cerebral. O participante colocou as mãos na posição inicial do dispositivo – uma caixa impressa em 3D com sensores de toque.
Um robô socialmente assistencial (SAR) descreveu a mecânica do sistema e forneceu feedback positivo, enquanto o braço do robô movia um botão para diferentes locais-alvo na frente do participante (100 locais no total). O “teste de alcance” começa quando o botão acende e o SAR avisa o participante para se mover.
Na primeira fase, os participantes foram orientados a alcançar o botão com a mão que surgisse naturalmente, espelhando o uso diário. Na segunda fase, foram instruídos a usar apenas o braço afetado pelo AVC, espelhando o desempenho da fisioterapia ou de outros ambientes clínicos.
Usando aprendizado de máquina, a equipe analisou três medidas para determinar uma métrica para o não uso do braço: probabilidade de uso do braço, tempo para alcançar e alcance bem-sucedido. Uma diferença notável no desempenho entre as fases sugeriria a não utilização do braço afetado.
“Os participantes têm um limite de tempo para chegar ao botão, por isso, mesmo sabendo que estão sendo testados, ainda precisam reagir rapidamente”, disse Dennler. “Desta forma, estamos medindo a reação instintiva à luz acesa – que mão você usará no local?”
Seguro e fácil de usar
Nos sobreviventes de AVC crónico, os investigadores observaram uma elevada variabilidade na escolha das mãos e no tempo para atingir as metas no espaço de trabalho.
O método foi confiável em sessões repetidas e os participantes classificaram-no como simples de usar, com pontuações de experiência do usuário acima da média. Todos os participantes consideraram a interação segura.
Os participantes sentiram que o sistema poderia ser melhorado através da personalização, que a equipe espera explorar em estudos futuros, além de incorporar outros dados comportamentais como expressões faciais e diferentes tipos de tarefas.
Crucialmente, os investigadores encontraram diferenças no uso do braço entre os participantes, o que poderia ajudar os profissionais de saúde a monitorizar com mais precisão a recuperação de um paciente com AVC.
“Por exemplo, um participante cujo lado direito foi mais afetado pelo acidente vascular cerebral exibiu menor uso do braço direito, especificamente nas áreas superiores do lado direito, mas manteve uma alta probabilidade de usar o braço direito para áreas inferiores do mesmo lado”, diz Dennler.
“Outro participante exibiu um uso mais simétrico, mas também compensou com o lado menos afetado um pouco mais frequentemente para pontos mais altos que estavam próximos da linha média.”
Como fisioterapeuta, Cain disse que a tecnologia aborda muitos problemas encontrados nos métodos tradicionais de avaliação, que “exigem que o paciente não saiba que está sendo testado e se baseiam na observação do testador, o que pode deixar mais margem para erros”.
“Este tipo de tecnologia poderia fornecer informações ricas e objetivas sobre o uso do braço de um sobrevivente de acidente vascular cerebral ao seu terapeuta de reabilitação”, diz Cain.
“O terapeuta poderia então integrar esta informação no seu processo de tomada de decisão clínica e adaptar melhor as suas intervenções para abordar as áreas de fraqueza do paciente e desenvolver as áreas de força.”
