Kinderstep voor in the medische kunstmatige intelligentie: voor the AI-experts

Wat is het?

Een kinderstep voor in de medische kunstmatige intelligentie is geen gewoon stepje.

Het is een geavanceerd, instrumented hulpmiddel dat specifiek ontworpen is om biomechanische en neurologische data bij kinderen te verzamelen. Dit apparaat lijkt op een normale driewielstep, maar is uitgerust met een netwerk van sensoren. Deze sensoren registreren continu allerlei parameters. Denk aan de kracht op de voetplaat, de stuuruitslag, de acceleratie en de trillingen tijdens het steppen.

Alle data wordt draadloos verzonden naar een computer of tablet voor analyse. Het doel is niet vermaak, maar het genereren van hoogwaardige datasets.

Deze datasets zijn essentieel voor het trainen en valideren van AI-modellen binnen de kindergeneeskunde en revalidatiewetenschap.

Het is dus een brug tussen alledaags buitenspelen en klinisch onderzoek.

Hoe werkt het precies?

Het systeem werkt via een driefasenproces: dataverzameling, -transmissie en -analyse. Tijdens het gebruik meet een ingebouwde inertiale meeteenheid (IMU) de oriëntatie en beweging in drie dimensies.

Druksensoren onder de voetplaat en in de handvatten leggen de belastingsverdeling en gripkrachten vast. Deze ruwe sensorgegevens worden via Bluetooth Low Energy (BLE) naar een gekoppelde app gestuurd. De app voert een eerste, eenvoudige filtering uit en slaat de data op in een gestructureerd formaat. Vervolgens wordt de dataset geüpload naar een beveiligde cloudomgeving.

In de cloud vinden de complexe AI-bewerkingen plaats. Algoritmes voor bewegingsherkenning analyseren de data om specifieke patronen te identificeren. Dit kan gaan om de symmetrie van de beweging, de coördinatie of subtiele afwijkingen die voor het menselijk oog onzichtbaar zijn.

De wetenschap erachter

De kernwetenschap is de fusie van biomechanica en machine learning. De biomechanica levert de theoretische modellen voor hoe een kinderlichaam zich zou moeten bewegen tijdens het steppen.

AI wordt ingezet om deze modellen te toetsen aan de werkelijk gemeten data. Er wordt gebruikgemaakt van geavanceerde neurale netwerken, zoals recurrente neurale netwerken (RNN's) of transformers, die uitstekend zijn in het analyseren van tijdreeksdata.

Deze netwerken leren om uit de miljoenen datapunten betrouwbare voorspellingen te doen over motorische ontwikkeling. Een cruciaal wetenschappelijk principe is 'feature extraction'. Het AI-model leert automatisch welke combinaties van sensorwaarden het meest relevant zijn voor het onderscheiden van bijvoorbeeld een normale gang van een ataxische (onvaste) gang. Dit reduceert de noodzaak voor handmatige, tijdrovende analyse door experts.

Voordelen en nadelen

Het grootste voordeel is de ecologische validiteit. Kinderen worden gemeten in een natuurlijke, speelse context, niet in een klinische lab-omgeving.

Dit levert authentiekere data op over hun functioneren in het dagelijks leven. De hoeveelheid data die onopvallend kan worden verzameld is enorm. Een ander voordeel is de objectiviteit en schaalbaarheid.

Een AI-model analyseert elke sessie op precies dezelfde manier, zonder vermoeidheid of subjectieve bias.

Dit maakt het mogelijk om grote groepen kinderen te monitoren of de voortgang van een individu over jaren nauwkeurig te volgen. De nadelen liggen op het gebied van privacy en complexiteit. Het verzamelen van data bij kinderen vereist strikte ethische goedkeuring en ouderlijke toestemming. Daarnaast is het ontwikkelen, trainen en onderhouden van de AI-modellen een kostbaar en specialistisch traject dat diepgaande expertise vereist.

Voor wie relevant?

Deze technologie is primair relevant voor AI-experts en datawetenschappers in de gezondheidszorg.

Zij kunnen deze datasets gebruiken om hun modellen voor motorische stoornissen bij kinderen te trainen en te valideren. Het biedt een concrete, praktische toepassing voor hun algoritmische kennis. Ook voor kinderfysiotherapeuten en revalidatieartsen is het een krachtig hulpmiddel.

Het kan hen helpen bij het objectief kwantificeren van een behandeleffect of het vroegtijdig signaleren van ontwikkelingsachterstanden. De AI levert hen een gedetailleerde, data-onderbouwde analyse.

Tenslotte is het relevant voor ontwikkelaars van medische hulpmiddelen en orthopedische instrumenten.

Zij kunnen inzichten uit de data gebruiken om betere, op maat gemaakte steppen of braces te ontwerpen. De step fungeert dan als een testplatform voor nieuwe producten.