Hankkeen yhtenä sisältöteemana on tekoäly kuntoutuksessa ja vastaan tästä työpaketista. Tutkimme tekoälyn potentiaalia kuntoutuksessa ja keskitymme etupäässä nuoriin kuntoutujiin.
Koneoppimisjärjestelmät toimivat yleensä luokittimina. Koneoppimisjärjestelmissä kysytään esimerkiksi sitä, sairastaako henkilö Parkinsonin tautia. Tietyllä varmuudella vastaukseksi tulee ”kyllä” tai ”ei” riippuen siitä, minkälaista oppimisdataa järjestelmään on syötetty. Tein haun Google Scholarista. Hakusanoilla ”machine learning”, ”rehabilation” ja ”youth” löytyi 1500 artikkelia.
Olemme keskustelleet paljon vireystilan vaikutuksesta kuntoutukseen, joten lisäsin hakuun termin ”fatigue” rajatakseni hakua. Nytkin tuli vielä 264 osumaa.
Voidaanko kävelyä käyttää vireystilan mittaamiseen?
Olemme keskustelleet myös siitä, voidaanko kävelyä käyttää vireystilan mittaamiseen, joten tarkensin hakua vielä sanalla ”gait”. Edelleen tuli 56 osumaa. Tein vapaamuotoisen haun hyödyntämällä Google Scholaria. Jo sen perusteella sain hyvän kuvan siitä, että koneoppimista on käytetty varsin paljon kuntoutustutkimuksissa.
Moni ammattikorkeakoulu on rakentanut kävelylabroja, joihin on hankittu kävelyä analysoiva Optogait-laitteisto. Siitä saa suoraan joukon kävelyyn liittyviä parametrejä, esimerkiksi askeleen leveyden, pituuden ja linjan, joita koneoppimisalgoritmit voivat jokseenkin suoraan hyödyntää. Lisäsin ”optogaitin” vielä hakutermirajaukseksi. Enää ei tullut yhtään osumaa. Rajasin haun vuoteen 2021, jotta osumien määrä saadaan rajattua uusimpaan tietoon.
Optogait-laitteistoa on käytetty ainakin yhdessä koripalloon liittyvässä koneoppimistutkimuksessa, joka on julkaistu vuonna 2021 (Taborri et al., 2021). Siinä arvioidaan eturistisiteen varioitumisen riskiä naispuolisilla koripalloilijoilla. Jalan vakautta, liikkuvuutta ja kyvykkyyttä eliminoida hypyn aiheuttamaa kuormaa luokiteltiin Landing Error Score -järjestelmällä Optogaitista ja Inertia-sensorista saatavan datan avulla. Tuloksena saatiin malli, jolla pystyttiin luokittelemaan urheilijan riski eturistisiteen varioitumiseen 95 prosentin tarkkuudella. Urheilijan voisi olettaa pystyvän hyötymään tästä tiedosta samoin kuin ohjelmointia tekevien urheiluvalmentajien.
Koneoppimista käytetään kuntoutustutkimuksessa
Tehty haku ja esimerkki osoittavat, että koneoppimista on käytetty varsin paljon kuntoutustutkimuksissa. Tein vielä lisähakuja eri vuosille katsoakseni trendejä. Tutkimusten määrä vuodesta toiseen varsin rajatulla hauilla indikoi, että koneoppiminen on tulossa kuntoukseen tai jo tullut. Koneoppiminen on monessa suhteessa jo arkipäivää, joten välttämättä emme tiedä, missä kaikkialla sitä käytetään. Joka tapauksessa tarvitsemme koneoppimistutkimusta jo siksi, että ymmärrämme sen mahdollisuudet ja rajoitukset.
Oma kokemukseni koneoppimisesta on se, että koneoppimismallin rakentaminen terveydenhuollon lääketieteellisiin tehtäviin vaatii laajaa yhteistyötä eri alojen asiantuntijoilta. Haasteena on se, että tämäntyyppisissä koneoppimisprojekteissa asiantuntijoiden tulee ymmärtää toisiaan jaettujen käsitteiden ja toimintojen kautta.
Tähän kuntoutuksen projektiin on saatu kerättyä alan asiantuntemusta. Koneoppimisella on saatu alustavia tuloksia esimerkiksi Parkinsonin taudin tunnistamiseen kävelystä (Jauhianen et al., 2019; Juutinen et al., 2020; Ruokolainen et al., 2021).
Jauhiainen, M., Puustinen, J., Mehrang, S., Ruokolainen, J., Holm, A., Vehkaoja, A., & Nieminen, H. (2019). Identification of motor symptoms related to Parkinson disease using motion-tracking sensors at home (KÄVELI): protocol for an observational case-control study. JMIR research protocols, 8(3), e12808.
Juutinen, M., Wang, C., Zhu, J., Haladjian, J., Ruokolainen, J., Puustinen, J., & Vehkaoja, A. (2020). Parkinson’s disease detection from 20-step walking tests using inertial sensors of a smartphone: Machine learning approach based on an observational case-control study. Plos one, 15(7), e0236258.
Ruokolainen, Haladijan, J., …, (2021), Mobilemicroservices Architecture for Remote Monitoring of Patients: A Feasibility Study MedInfo21, forthcoming.
Taborri, J., Molinaro, L., Santospagnuolo, A., Vetrano, M., Vulpiani, M. C., & Rossi, S. (2021). A Machine-Learning Approach to Measure the Anterior Cruciate Ligament Injury Risk in Female Basketball Players. Sensors, 21(9), 3141.
Lisätiedot, teksti:
Jari Ruokolainen
Dosentti, TkT
Teollisuusteknologia
Tampereen ammattikorkeakoulu
jari.ruokolainen@tuni.fi
Kuva: Shutterstock