การวิเคราะห์การเคลื่อนไหวและท่าทาง: วิดีโอและปัญญาประดิษฐ์

กำไร:

• การทำความเข้าใจว่าเครื่องมือประมาณท่าทางแบบวิดีโอใดที่สามารถวัดได้ และข้อผิดพลาดในการทำกายภาพบำบัดมีส่วนใดที่ผิด
• ความสามารถในการตรวจสอบข้ามข้อมูลมุม สมมาตร และการเคลื่อนไหวที่ได้จาก AI พร้อมการประเมินเชิงสังเกตและการวัดจริง
• ความสามารถในการรายงานการวิเคราะห์วิดีโอพร้อมทั้งปกป้องความเป็นส่วนตัวของผู้ป่วย โดยทราบข้อผิดพลาดและขีดจำกัดในการวัด

ดวงตาของนักกายภาพบำบัดบอกอะไรได้มากมายจากการดูวิธีที่ผู้ป่วยเดิน นั่งยองๆ และยกแขนขึ้น ในช่วงไม่กี่ปีที่ผ่านมา ปัญญาประดิษฐ์ (AI) ได้เปิดตัวเครื่องมือใหม่เพื่อรองรับดวงตานี้: การประมาณท่าทาง; ซอฟต์แวร์ที่จะทำเครื่องหมายข้อต่อของร่างกายมนุษย์ในวิดีโอหรือภาพถ่ายโดยอัตโนมัติ และคำนวณมุม ระยะทาง และสมมาตร สามารถประมาณมุมเข่าจากวิดีโอย่อเข่าที่ถ่ายด้วยกล้องโทรศัพท์ และความสมมาตรของขั้นจากวิดีโอการเดิน นี่เป็นความช่วยเหลือที่ทรงพลัง แต่ก็มีข้อผิดพลาดในการวัดที่ร้ายแรงเช่นกัน ในหน่วยนี้ คุณจะได้เรียนรู้ว่าการประมาณแบบก่อให้เกิดสามารถวัดอะไรได้บ้าง ผิดพลาดตรงไหน และวิธีการตรวจสอบผลลัพธ์อย่างปลอดภัย

การประมาณแบบก่อให้เกิดทำอะไรได้บ้าง และทำอะไรไม่ได้?

เครื่องมือประมาณท่าทางจะตรวจจับจุดของร่างกาย (เช่น ไหล่ ข้อศอก สะโพก เข่า ข้อเท้า) ในภาพ และคำนวณค่าต่างๆ เช่น มุมข้อต่อ ความเอียงของร่างกาย และความแตกต่างที่สมมาตรจากจุดเหล่านั้น สิ่งนี้มีประโยชน์สำหรับการเปรียบเทียบการเคลื่อนไหวซ้ำๆ เมื่อเวลาผ่านไป การให้ข้อมูลย้อนกลับด้วยภาพแก่ผู้ป่วย และการสแกนคร่าวๆ ตัวอย่างเช่น การแสดงภาพความลึกของการนั่งพับเพียบของผู้ป่วยที่เพิ่มขึ้นในแต่ละสัปดาห์ถือเป็นสิ่งจูงใจ

อย่างไรก็ตาม การประมาณค่าแบบก่อให้เกิดไม่ได้แทนที่การวัดทางคลินิก หากมุมกล้องเปลี่ยนแปลง ค่ามุมก็จะเปลี่ยนไป เสื้อผ้าหลวมซ่อนข้อต่อ แสงที่ไม่ดีทำให้โมเดลสับสน การคาดเดาการเคลื่อนไหวสามมิติ (3D) จากวิดีโอสองมิติ (2D) นั้นไม่ถูกต้องโดยธรรมชาติ (การสูญเสียการหมุนและความลึก) การวัดด้วยโกนิโอมิเตอร์ (เครื่องมือทางคลินิกที่ใช้วัดมุมข้อต่อ) ยังคงเป็นข้อมูลอ้างอิง การประมาณค่าแสงจะบอกคุณ "โดยประมาณ"; มันไม่ได้บอกว่า "แน่นอน"

ข้อควรระวัง: ค่ามุมที่เกิดจากการประมาณค่าท่าทางไม่ใช่การวัดทางคลินิกอย่างเป็นทางการ ยืนยันด้วยโกนิโอมิเตอร์หรือวิธีการตรวจสอบภายใต้เงื่อนไขมาตรฐานก่อนเขียนรายงาน ประโยค "AI กล่าวว่า 47°" ไม่ใช่หลักฐานทางคลินิก

แหล่งที่มาของข้อผิดพลาดในการวัด

การรู้ปัจจัยที่ส่งผลต่อความแม่นยำของการประมาณค่าแบบโพสท่าเป็นกุญแจสำคัญในการอ่านผลลัพธ์อย่างถูกต้อง

แหล่งที่มาของข้อผิดพลาด

เอฟเฟกต์

วิธีลด

มุมกล้อง

เปลี่ยนค่ามุมอย่างมาก

วางกล้องให้นิ่งและตั้งฉากกับระนาบการเคลื่อนที่

เสื้อผ้า

ซ่อน/เลื่อนจุดร่วม

เสื้อผ้ารัดรูปหรือเข้ารูปสถานที่สำคัญ

แสง

โมเดลพลาดคะแนน

แสงสว่างสม่ำเสมอดี ไม่มีเงา

การสูญเสีย 2D-3D

ไม่สามารถมองเห็นความลึกและการหมุนได้

การถ่ายภาพหลายมุมหรือระบบ 3 มิติในการวัดที่สำคัญ

ระยะทาง/ความละเอียด

ความละเอียดต่ำเพิ่มข้อผิดพลาด

มองเห็นได้เต็มตัว ความละเอียดเพียงพอ

ทีละขั้นตอน: วิเคราะห์วิดีโออย่างปลอดภัย

1. ได้รับความยินยอม อธิบายให้ผู้ป่วยทราบว่าวิดีโอจะถูกถ่าย วิธีการจัดเก็บและวัตถุประสงค์ของวิดีโอ และได้รับความยินยอมอย่างชัดแจ้ง
2. แก้ไขมาตรฐาน ตรวจสอบให้แน่ใจว่าตำแหน่งกล้อง ระยะทาง แสง และเสื้อผ้าเหมือนกันสำหรับการวัดแต่ละครั้ง (ไม่เช่นนั้นการเปรียบเทียบจะไม่มีความหมาย)
3. ดึงและดำเนินการ เรียกใช้เครื่องมือ รับค่ามุมเอาต์พุต/สมมาตร
4. ตรวจสอบข้ามด้วยการสังเกต การสังเกตทางคลินิกของคุณเองสอดคล้องกับ AI หรือไม่? หากมีความคลาดเคลื่อนให้อาศัยการสังเกต ไม่ใช่ AI
5. ยืนยันค่าวิกฤตด้วยโกนิโอมิเตอร์ ทุกแง่มุมที่จะรวมอยู่ในรายงานจะต้องได้รับการตรวจสอบโดยใช้วิธีมาตรฐาน
6. รายงานโดยระบุวงเงิน เช่น "การประมาณปริมาณแสง โดยมีข้อผิดพลาด ±X" ปกป้องความเป็นส่วนตัว

มินิเคส 3 อัน (เป็นตัวเลข)

กรณีที่ 1 – การติดตามผล Squat คนไข้อายุ 28 ปี ปวดกระดูกสะบ้า. การประมาณการสัมผัสในสัปดาห์แรกแสดงให้เห็นการงอเข่าที่ 62°, โกนิโอมิเตอร์วัดได้ 68° (ความแตกต่าง 6°, กล้องเอียงไปด้านข้างเล็กน้อย) นักกายภาพบำบัดแก้ไขกล้อง และในการวัดครั้งต่อๆ ไป ความแตกต่างลดลงเหลือ 2° หลังจากผ่านไป 4 สัปดาห์ ความลึกของการนั่งยองๆ แบบไร้ความเจ็บปวดเพิ่มขึ้นอย่างมีนัยสำคัญ วิดีโอเปรียบเทียบผู้ป่วยรายสัปดาห์เป็นแรงจูงใจ

กรณีที่ 2 — การเดินผิดสมมาตรของการเดิน คนไข้อายุ 60 ปี หลังเปลี่ยนข้อเข่า การประมาณท่าทางรายงานว่ามีความยาวขั้นไม่สมมาตร 18% แต่คนไข้ใส่กางเกงขาบานและกล้องอยู่ในทางเดิน (มุมไม่คงที่) ในการถ่ายภาพซ้ำโดยสวมเสื้อผ้ารัดรูปและกล้องคงที่ ความไม่สมมาตรอยู่ที่ 7% บทเรียน: สภาวะที่ไม่ดีสามารถเพิ่มข้อผิดพลาดเป็นสองเท่า มันจะเป็นข้อผิดพลาดหากการตัดสินใจทางคลินิกขึ้นอยู่กับค่าแรกที่ไม่ถูกต้อง

กรณีที่ 3 — การยกระดับไหล่ ไหล่ติดเมื่ออายุ 50 ปี วิดีโอ 2 มิติประเมินการลักพาตัวสูงเกินไปเนื่องจากแขนยื่นไปข้างหน้า (แขนไม่ได้อยู่ในระนาบด้านข้างพอดี) นักกายภาพบำบัดวัด 95° ด้วยโกนิโอมิเตอร์ และบอกว่า AI อยู่ที่ 112° ค่า goniometer ถูกเขียนไว้ในรายงาน ค่า AI ใช้สำหรับการติดตามแนวโน้มเท่านั้น

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

ในที่นี้ "พร้อมท์" คือข้อความที่ตีความทั้งเครื่องมือและผลลัพธ์

จุดอ่อน: "จากวิดีโอนี้ บอกมุมเข่าคนไข้แล้วเขียนลงในรายงาน"

ละเว้นเงื่อนไขการวัด ขอบของข้อผิดพลาด และการตรวจสอบ สามารถทำให้ค่าที่ไม่ถูกต้องเป็นทางการได้

Güçlü: "แสดงความคิดเห็นเกี่ยวกับมุมงอเข่าในผลลัพธ์การประมาณท่าทางนี้ ระบุแหล่งที่มาของข้อผิดพลาดที่เป็นไปได้เนื่องจากมุมกล้อง เสื้อผ้า และขอบเขต 2 มิติ ติดป้ายกำกับค่าเป็น 'ประมาณการ' และระบุว่าควรได้รับการยืนยันด้วยโกนิโอมิเตอร์ แนะนำการตัดสินใจทางคลินิก"

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

ภารกิจ: ตีความผลลัพธ์ของการประมาณการสัมผัส (ไม่ใช่เป็นการวัดทางคลินิก) ข้อมูล: [ค่ามุม/สมมาตร + สภาพการถ่ายภาพ: กล้อง ระยะทาง แสง เสื้อผ้า] ฉันต้องการ: (1) สรุปค่า (2) แหล่งที่มาของข้อผิดพลาดที่เป็นไปได้ (3) ค่าใดที่ต้องมีการยืนยันโกนิโอมิเตอร์ (4) ป้ายกำกับ "โดยประมาณ" อย่าตัดสินใจ เพียงตีความและเสนอให้มีการยืนยัน

งาน: จัดทำรายการตรวจสอบโปรโตคอลการรับมาตรฐาน บริบท: [การเคลื่อนไหวที่จะวัด เช่น นั่งยอง / ลักพาตัวไหล่ / เดิน] ฉันต้องการ: ตำแหน่งกล้อง ระยะทาง มุม การจัดแสง เสื้อผ้า และรายการตรวจสอบแยกรายการเพื่อให้สามารถทำซ้ำได้ สำหรับการวัดเปรียบเทียบ

งาน: เปรียบเทียบข้อมูลความเสี่ยงจากสองเซสชันที่แตกต่างกัน ข้อมูล: เซสชัน 1 [ค่า] / เซสชัน 2 [ค่า] / มีเงื่อนไขเหมือนกัน: [ใช่/ไม่ใช่]ฉันต้องการ: สรุปการเปลี่ยนแปลง + คำเตือนว่าการเปลี่ยนแปลงอาจเกิดจากข้อผิดพลาดในการวัดหรือความคืบหน้าจริงหรือไม่ หากเงื่อนไขแตกต่าง การเปรียบเทียบจะเป็นโมฆะ

งาน: แปลผลการวิเคราะห์วิดีโอเป็นภาษาธรรมดาสำหรับผู้ป่วย การค้นหา: [สรุปมุมทางเทคนิค/สมมาตร] กฎ: สร้างแรงบันดาลใจแต่พูดน้อย ระบุว่า "การวัดโดยประมาณ" ไม่ทำให้เกิดความกลัว เพียงอธิบายขั้นตอนต่อไป

เคล็ดลับ: การใช้การประมาณค่าความเสี่ยงที่มีประสิทธิภาพที่สุดคือแนวโน้ม ไม่ใช่ค่าสัมบูรณ์ การดูการเปลี่ยนแปลงในแต่ละสัปดาห์ภายใต้เงื่อนไขมาตรฐานเดียวกันนั้นน่าเชื่อถือและสร้างแรงบันดาลใจมากกว่าการอ้างมุมมองที่ "แน่นอน" เพียงครั้งเดียว

คุณค่าที่เป็นแรงจูงใจของการตอบรับด้วยภาพ

แม้ว่าความแม่นยำในการวัดของการประมาณท่าทางจะยังเป็นที่ถกเถียงกันอยู่ แต่คุณค่าของมันในการให้ผลตอบรับด้วยภาพแก่ผู้ป่วยก็มีมาก เมื่อผู้ป่วยเห็นภาพเทียบเคียงกันของความลึกของการนั่งพับเพียบหรือความสูงของแขนที่เพิ่มขึ้นในแต่ละสัปดาห์ พวกเขาจะได้รับแรงบันดาลใจที่เข้มแข็งมากกว่าประโยคนามธรรมที่ระบุว่า "คุณกำลังก้าวหน้า" ซึ่งตั้งอยู่บนพื้นฐานของหลักพฤติกรรมศาสตร์ที่ว่าความก้าวหน้าที่จับต้องได้และมองเห็นได้จะช่วยเพิ่มความมุ่งมั่น ภาพเดียวกันนี้ยังสามารถใช้เพื่อสาธิตให้ผู้ป่วยเห็นรูปแบบการเคลื่อนไหวที่ไม่ถูกต้อง (เช่น เข่าเคลื่อนเข้าเมื่อนั่งยองๆ) ผู้ป่วยเรียนรู้ที่จะแก้ไขการเคลื่อนไหวของตนเองได้ง่ายขึ้นเมื่อมองเห็นการเคลื่อนไหวจากภายนอก แต่กฎนี้ก็ยังคงอยู่: ใช้ภาพเป็นเครื่องมือในการสร้างแรงบันดาลใจและการสอน ไม่ใช่เป็นข้ออ้างในการวัดผลทางคลินิกที่แม่นยำ การบอกผู้ป่วยว่า "นี่คือการวัดโดยประมาณ ซึ่งแสดงให้เห็นแนวโน้มของคุณ" จะรักษาความซื่อสัตย์และความไว้วางใจ

เคล็ดลับ: ให้ผลตอบรับด้วยภาพโดยเปรียบเทียบกับประวัติของผู้ป่วย ไม่ใช่จำนวนที่แน่นอน ข้อความ “ลึกและสอดคล้องกันมากกว่าสัปดาห์ที่แล้ว” ทั้งปลอดภัยและสร้างแรงบันดาลใจมากกว่าข้อความ “งอเข่า 68°”

ข้อผิดพลาดทั่วไป

• การเข้าใจผิดว่ามุม AI เป็นการวัดทางคลินิก การประมาณแบบเป็นการคาดเดา goniometer เป็นข้อมูลอ้างอิง
• ไม่ได้กำหนดเงื่อนไขให้เป็นมาตรฐาน การเปรียบเทียบวิดีโอที่ถ่ายด้วยกล้อง/ไฟ/เสื้อผ้าที่แตกต่างกันถือเป็นความเข้าใจผิด
• Forgetting the 2D limit. วิดีโอ 2D ให้ข้อผิดพลาดร้ายแรงในการเคลื่อนไหวที่เกี่ยวข้องกับการหมุนและความลึก
• ไม่ได้รับความยินยอม. วิดีโอของผู้ป่วยเป็นข้อมูลพิเศษ ความยินยอมอย่างชัดเจนและการจัดเก็บที่ปลอดภัยถือเป็นสิ่งสำคัญ
• เพื่อทำให้การสังเกตเป็นโมฆะ หาก AI ขัดแย้งกับการสังเกตทางคลินิก ให้เชื่อถือการสังเกต จากนั้นจึงตรวจสอบสาเหตุ
• การจัดเก็บวิดีโอไม่ปลอดภัย การเก็บวิดีโอที่สามารถระบุตัวตนของผู้ป่วยไว้โดยไม่มีการป้องกันบนคลาวด์ถือเป็นการละเมิด KVKK

โดยสรุป

การประมาณท่าทางโดยใช้วิดีโอเป็นตัวช่วยอันทรงคุณค่าในการติดตามและเปรียบเทียบการเคลื่อนไหว และการให้ข้อมูลย้อนกลับด้วยภาพแก่ผู้ป่วย อย่างไรก็ตาม มีแนวโน้มที่จะเกิดข้อผิดพลาดในการวัดเนื่องจากมุมกล้อง เสื้อผ้า แสง และการสูญเสีย 2D-3D ถือว่าผลลัพธ์เป็น "การประมาณการ" สร้างเงื่อนไขที่เป็นมาตรฐาน ตรวจสอบค่าวิกฤตด้วยโกนิโอมิเตอร์ และใช้ส่วนใหญ่ในการติดตามแนวโน้ม วิดีโอของผู้ป่วยเป็นข้อมูลส่วนตัว จำเป็นต้องได้รับอนุมัติและจัดเก็บอย่างปลอดภัย

งานสมัคร

เลือกการเคลื่อนไหว (หมอบ ดึงไหล่ หรือเดิน) สร้างรายการตรวจสอบการยิงมาตรฐานด้วยเทมเพลตที่สอง สมมติว่าการเคลื่อนไหวแบบเดียวกันนี้ถูก "ถ่าย" หนึ่งครั้งด้วยวิธีมาตรฐาน ครั้งหนึ่งภายใต้สภาวะที่ไม่ดีโดยจงใจ (กล้องด้านข้าง เสื้อผ้าหลวม) และให้เทมเพลตแรกตีความความแตกต่างระหว่างเอาท์พุตทั้งสอง ทำเครื่องหมายค่าที่ต้องการการยืนยันด้วยโกนิโอมิเตอร์

รายการตรวจสอบ

• [ ] ฉันได้รับความยินยอมอย่างชัดแจ้งสำหรับวิดีโอของผู้ป่วยและเก็บไว้อย่างปลอดภัย
• [ ] ฉันกำหนดเงื่อนไขการถ่ายภาพให้เป็นมาตรฐาน (กล้อง ระยะทาง แสง เสื้อผ้า)
• [ ] ฉันตั้งชื่อมุม AI ว่า "ประมาณการ" และไม่ได้พิจารณาว่าเป็นการวัดอย่างเป็นทางการ
• [ ] ฉันตรวจสอบด้วยการสังเกตทางคลินิกของฉัน
• [ ] ฉันยืนยันค่าวิกฤตที่จะรวมไว้ในรายงานด้วยโกนิโอมิเตอร์
• [ ] ฉันใช้ข้อมูลการเปิดเผยเป็นส่วนใหญ่ในการติดตามแนวโน้ม ไม่ใช่อ้างสิทธิ์ขั้นสุดท้ายเพียงครั้งเดียว