Mga nadagdag:
- Pag-unawa kung anong mga tool sa pagtatantya ng pose na nakabatay sa video ang maaaring masukat at kung saan mali ang mga ito sa physiotherapy
- Kakayahang i-cross-validate ang AI-derived angle, symmetry at motion data na may observational evaluation at aktwal na pagsukat
- Kakayahang mag-ulat ng pagsusuri ng video habang pinoprotektahan ang privacy ng pasyente, alam ang mga error sa pagsukat at limitasyon
Maraming sinasabi ang mata ng physical therapist sa pamamagitan ng panonood kung paano lumalakad, nag-squats, nagtaas ng braso ang isang pasyente. Sa mga nakalipas na taon, ang artificial intelligence (AI) ay nagpakilala ng isang bagong tool upang suportahan ang mata na ito: pose estimation; software na awtomatikong nagmamarka ng mga joints ng katawan ng tao sa isang video o larawan at kinakalkula ang anggulo, distansya at simetrya. Maaari nitong tantyahin ang anggulo ng tuhod mula sa isang squatting na video na kinunan gamit ang camera ng telepono, at step symmetry mula sa isang walking video. Ito ay isang malakas na tulong, ngunit naglalaman din ito ng mga malubhang error sa pagsukat. Sa yunit na ito matututunan mo kung ano ang masusukat ng pagtatantya ng pose, kung saan ito mali, at kung paano ligtas na i-verify ang output nito.
Ano ang ginagawa ng pose estimation at ano ang hindi nito magagawa?
Nakikita ng mga tool sa pagtatantya ng pose ang mga punto ng katawan (tulad ng balikat, siko, balakang, tuhod, bukung-bukong) sa isang imahe at kinakalkula ang mga halaga tulad ng magkasanib na anggulo, pagtabingi ng katawan, at pagkakaiba ng simetriya mula sa kanila. Ito ay kapaki-pakinabang para sa paghahambing ng paulit-ulit na paggalaw sa paglipas ng panahon, pagbibigay ng visual na feedback sa pasyente, at pagbibigay ng magaspang na pag-scan. Halimbawa, ang pag-visualize sa pagtaas ng squat depth ng pasyente bawat linggo ay nakakaganyak.
Gayunpaman, hindi pinapalitan ng pagtatantya ng pose ang klinikal na pagsukat. Kung nagbabago ang anggulo ng camera, nagbabago ang halaga ng anggulo; ang maluwag na damit ay nagtatago sa kasukasuan; ang masamang ilaw ay nakalilito sa modelo; Ang pag-extrapolate ng three-dimensional (3D) na paggalaw mula sa isang two-dimensional (2D) na video ay likas na hindi tumpak (nawawala ang pag-ikot at lalim). Ang pagsukat gamit ang goniometer (clinical instrument na sumusukat sa magkasanib na anggulo) pa rin ang sanggunian. Sinasabi sa iyo ng pagtatantya ng exposure ang "tinatayang"; Wala namang sinasabing "sigurado".
Babala: Ang halaga ng anggulo na nagreresulta mula sa pagtatantya ng pose ay hindi isang opisyal na klinikal na pagsukat. Kumpirmahin gamit ang isang goniometer o isang validated na paraan sa ilalim ng mga karaniwang kundisyon bago isulat sa ulat. Ang pangungusap na "AI said 47°" ay hindi klinikal na ebidensya.
Mga mapagkukunan ng error sa pagsukat
Ang pag-alam sa mga salik na nakakaapekto sa katumpakan ng pagtatantya ng pose ay ang susi sa tamang pagbabasa ng output.
Pinagmulan ng error
Epekto
Paraan ng pagbabawas
anggulo ng camera
Malaki ang pagbabago sa halaga ng anggulo
Panatilihing steady at patayo ang camera sa plane of motion
damit
Itinatago / inililipat ang magkasanib na punto
Masikip o angkop na kasuotan, mga palatandaan
liwanag
Nawalan ng puntos ang modelo
Magandang, pare-parehong pag-iilaw; walang anino
2D-3D na pagkawala
Hindi makita ang lalim at pag-ikot
Multi-angle shooting o 3D system sa kritikal na pagsukat
Distansya/resolusyon
Ang mababang resolution ay nagdaragdag ng error
Nakikita ang buong katawan, sapat na resolution
Hakbang sa hakbang: pag-aaral ng video nang ligtas
- Kumuha ng pahintulot. Ipaliwanag sa pasyente na kukunan ang isang video, kung paano ito iimbak at ang layunin nito, at kumuha ng tahasang pahintulot.
- Ayusin ang pamantayan. Siguraduhin na ang posisyon ng camera, distansya, ilaw at damit ay pareho para sa bawat pagsukat (kung hindi, ang paghahambing ay magiging walang kabuluhan).
- Hilahin at iproseso. Patakbuhin ang tool, kumuha ng mga halaga ng anggulo/simetrya ng output.
- Cross check na may pagmamasid. Ang iyong sariling klinikal na pagmamasid ay pare-pareho sa AI? Kung mayroong pagkakaiba, umasa sa pagmamasid, hindi sa AI.
- Kumpirmahin ang kritikal na halaga gamit ang isang goniometer. Ang bawat aspeto na isasama sa ulat ay dapat ma-verify gamit ang karaniwang pamamaraan.
- Mag-ulat sa pamamagitan ng pagtukoy ng limitasyon. Tulad ng "Pagtatantya ng pagkakalantad, na may ±X na margin ng error." Protektahan ang privacy.
Tatlong mini case (sa mga numero)
Case 1 — Squat follow-up. 28 taong gulang na pasyente, patellofemoral pain. Ang pagtatantya ng pagkakalantad sa unang linggo ay nagpakita ng pagbaluktot ng tuhod sa 62°, ang goniometer ay may sukat na 68° (6° pagkakaiba, bahagyang nasa gilid ang camera). Itinama ng physiotherapist ang camera, at sa kasunod na mga sukat ay bumaba ang pagkakaiba sa 2°. Pagkatapos ng 4 na linggo, ang walang sakit na squatting depth ay tumaas nang malaki; Ang lingguhang video ng paghahambing sa pasyente ay nakakaganyak.
Case 2 — Gait symmetry fallacy. 60 taong gulang na pasyente pagkatapos ng pagpapalit ng tuhod. Iniulat ng pagtatantya ng pose na 18% ang haba ng hakbang na kawalaan ng simetrya. Ngunit ang pasyente ay nakasuot ng baggy na pantalon at ang camera ay nasa corridor (ang anggulo ay hindi naayos). Sa re-shoot na may masikip na damit at nakapirming camera, ang asymmetry ay 7%. Aral: maaaring doblehin ng masamang kalagayan ang pagkakamali; Magiging isang error kung ang klinikal na desisyon ay ginawa batay sa unang maling halaga.
Case 3 — Pagtaas ng balikat. Naka-frozen na balikat sa edad na 50. Ang 2D na video ay nag-overestimated sa pagdukot dahil ang braso ay nakaharap (ang braso ay hindi eksakto sa lateral plane). Sinukat ng physiotherapist ang 95° gamit ang goniometer, at sinabing ang AI ay 112°. Ang halaga ng goniometer ay nakasulat sa ulat, ang halaga ng AI ay ginamit lamang para sa pagsubaybay sa trend.
Mahinang prompt / Malakas na prompt
Dito, ang "prompt" ay ang teksto na nagbibigay-kahulugan sa tool at sa resulta.
Mahina: "Mula sa video na ito, sabihin ang anggulo ng tuhod ng pasyente at isulat ito sa ulat."
Binabalewala ang kondisyon ng pagsukat, margin ng error at pag-verify; maaaring gawing pormal ang isang hindi tamang halaga.
Güçlü: "Komento ang anggulo ng pagbaluktot ng tuhod sa output ng pagtatantya ng pose na ito. Ilista ang mga posibleng pinagmumulan ng error dahil sa anggulo ng camera, pananamit, at hangganan ng 2D. Lagyan ng label ang halaga bilang 'tinantya' at isaad na dapat itong kumpirmahin gamit ang isang goniometer. Magrekomenda ng klinikal na desisyon."
Apat na maaaring kopyahin na mga template
Gawain: Bigyang-kahulugan ang output ng pagtatantya ng pagkakalantad (hindi bilang isang klinikal na pagsukat). Data: [mga halaga ng anggulo/simetrya + kundisyon ng pagbaril: camera, distansya, ilaw, damit] Gusto ko: (1) buod ng mga halaga, (2) posibleng pinagmumulan ng error, (3) kung aling mga halaga ang nangangailangan ng kumpirmasyon ng goniometer, (4) label na "tinantya". Huwag gumawa ng desisyon, bigyang-kahulugan lamang at magmungkahi ng pagpapatunay.
Gawain: Gumawa ng standard acquisition protocol checklist.Context: [motion to be measured, hal. squatting / shoulder abduction / walking] Gusto ko: Posisyon ng camera, distansya, anggulo, ilaw, damit, at isang naka-itemize na checklist para sa pag-uulit. Para sa maihahambing na pagsukat.
Gawain: Ihambing ang data ng pagkakalantad mula sa dalawang magkaibang session.Data: Session 1 [values] / Session 2 [values] / pareho ba ang mga kundisyon: [yes/no]Gusto ko: Buod ng pagbabago + babala kung ang pagbabago ay maaaring dahil sa error sa pagsukat o aktwal na pag-unlad. Kung magkaiba ang mga kundisyon, ipawalang-bisa ang paghahambing.
Gawain: Isalin ang paghahanap ng video analysis sa simpleng wika para sa pasyente. Paghahanap: [technical angle/symmetry summary] Panuntunan: Motivating but understated, state "estimated measurement", huwag lumikha ng takot, ipaliwanag lang ang susunod na hakbang.
Tip: Ang pinakamabisang paggamit ng pagtatantya ng exposure ay ang trend, hindi ang absolute value. Ang panonood ng pagbabago mula linggo hanggang linggo sa ilalim ng parehong karaniwang kundisyon ay mas maaasahan at nakakaganyak kaysa sa pag-claim ng isang beses na "sigurado" na anggulo.
Pagganyak na halaga ng visual na feedback
Kahit na ang katumpakan ng pagsukat ng pagtatantya ng pose ay kontrobersyal, ang halaga nito sa pagbibigay ng visual na feedback sa pasyente ay mahusay. Kapag ang isang pasyente ay nakakita ng magkatabi na mga larawan ng kanilang squat depth o taas ng braso na tumataas bawat linggo, sila ay mas nauudyukan kaysa sa abstract na pangungusap ng "ikaw ay umuunlad." Ito ay batay sa prinsipyo ng agham ng asal na ang nakikita at nakikitang pag-unlad ay nagpapataas ng pangako. Ang parehong visual ay maaari ding gamitin upang ipakita sa pasyente ang isang maling pattern ng paggalaw (hal., tuhod na dumulas kapag squatting); Natututo ang pasyente na itama ang sarili niyang mga galaw nang mas madali kapag nakikita niya ang mga ito mula sa labas. Ngunit dito rin nananatili ang panuntunan: gamitin ang visual bilang isang tool sa pagganyak at pagtuturo, hindi bilang isang paghahabol sa tumpak na pagsukat ng klinikal. Ang pagsasabi sa pasyente na "ito ay isang tinantyang sukat, ipinapakita nito ang iyong kalakaran" ay nagpapanatili ng katapatan at tiwala.
Tip: I-base ang visual na feedback sa paghahambing sa sariling kasaysayan ng pasyente, hindi sa absolute number. Ang mensaheng "mas malalim at mas nakahanay kaysa noong nakaraang linggo" ay parehong mas ligtas at mas nakakaganyak kaysa sa mensaheng "lumuhod ng mga tuhod 68°."
Mga karaniwang pagkakamali
- Napagkamalan ang anggulo ng AI para sa isang klinikal na pagsukat. Ang pagtatantya ng pose ay panghuhula; goniometer ang reference.
- Hindi nag-standardize ng mga kondisyon. Ang paghahambing ng mga video na kinunan gamit ang iba't ibang camera/ilaw/damit ay nakaliligaw.
- Nakalimutan ang 2D na limitasyon. Nagbibigay ang 2D na video ng mga seryosong error sa mga paggalaw na kinasasangkutan ng pag-ikot at lalim.
- Hindi pagkuha ng pahintulot. Ang video ng pasyente ay espesyal na data; Ang tahasang pahintulot at ligtas na imbakan ay mahalaga.
- Upang mapawalang-bisa ang pagmamasid. Kung sumasalungat ang AI sa clinical observation, magtiwala sa obserbasyon, pagkatapos ay siyasatin ang dahilan.
- Pag-imbak ng video nang hindi secure. Ang pagpapanatiling walang protektadong video ng makikilalang pasyente sa cloud ay isang paglabag sa KVKK.
Sa buod
Ang pagtatantya ng pose na nakabatay sa video ay isang mahalagang tulong para sa pagsubaybay at paghahambing ng paggalaw at pagbibigay ng visual na feedback sa pasyente; Gayunpaman, ito ay madaling kapitan ng error sa pagsukat dahil sa anggulo ng camera, pananamit, ilaw, at pagkawala ng 2D-3D. Tratuhin ang output bilang isang "tantiya," i-standardize ang mga kondisyon, i-verify ang mga kritikal na halaga gamit ang isang goniometer, at gamitin ang karamihan para sa pagsubaybay sa trend. Ang video ng pasyente ay pribadong data; Ang pag-apruba at ligtas na imbakan ay sapilitan.
Gawain ng aplikasyon
Pumili ng galaw (squat, shoulder abduction, o walk). Gumawa ng karaniwang checklist ng pagbaril na may pangalawang template. Ipagpalagay na ang parehong paggalaw ay "na-shoot" nang isang beses sa karaniwang paraan, minsan sa ilalim ng sadyang masamang kondisyon (side camera, maluwag na damit), at ipakahulugan sa unang template ang pagkakaiba sa pagitan ng dalawang output. Markahan kung aling halaga ang nangangailangan ng kumpirmasyon gamit ang goniometer.
checklist
- [ ] Kumuha ako ng tahasang pahintulot para sa video ng pasyente at pinanatiling ligtas ito.
- [ ] Na-standardize ko ang mga kondisyon ng pagbaril (camera, distansya, ilaw, damit).
- [ ] Nilagyan ko ng label ang anggulo ng AI bilang "tinantya" at hindi ito itinuturing na isang opisyal na sukat.
- [ ] Nag-cross-check ako sa aking clinical observation.
- [ ] Kinumpirma ko ang mga kritikal na halaga na isasama sa ulat gamit ang isang goniometer.
- [ ] Gumamit ako ng data ng pagkakalantad sa karamihan para sa pagsubaybay sa trend, hindi paggawa ng isang beses na tiyak na paghahabol.