Mašīnredzes un mākslīgā intelekta izmantošana telefizioterapijā mazkustīga dzīvesveida mazināšanai un fizisko aktivitāšu veicināšanai: darbības jomas noteikšanas pārskats

Abstract

Pētījuma nosaukums: Mašīnredzes un mākslīgā intelekta izmantošana telefizioterapijā mazkustīga dzīvesveida mazināšanai un fizisko aktivitāšu veicināšanai: darbības jomas noteikšanas pārskats.

Pētījuma mērķis: Apkopot un sistematizēt datus par mākslīgā intelekta un mašīnredzes izmantošanu telefizioterapijā, lai veicinātu fiziskās aktivitātes un mazinātu mazkustīgu dzīvesveidu.

Pētījuma metodes: Tika lietota darbības jomas noteikšanas pārskata pieeja. PCC ietvars tika definēts sekojoši: dalībnieki: veseli, pilngadīgi cilvēki, koncepts: mākslīgais intelekts, mašīnmācīšanās un mašīnredze, konteksts: fiziskās aktivitātes objektīva attālināta monitorēšana (telefizioterapija) ārpus veselības aprūpes iestādes (mājas vidē) – novērtējumam un analīzei, vai kā rezultātu mērījums mērķtiecīgā intervencē ikdienas fiziskās aktivitātes veicināšanai sekundārās profilakses ietvaros. Datu avoti – pēdējo astoņu gadu zinātniskās publikācijas – tika atlasītas no elektroniskajām datu bāzēm: PubMed, ProQuest, Science Direct, Wiley Online Library, atbilstoši pētnieciskajiem jautājumiem un PCC ietvaram.

Pētījuma rezultāti un secinājumi: Analīzē tika iekļauti 4 pētījumi. Pēdējo astoņu gadu zinātniskajās publikācijās par primārajiem pētījumiem, kuros analizēti mākslīgā intelekta un mašīnredzes risinājumi telefizioterapijā, tika identificēti dažādu veidu digitālie risinājumi: mašīnmācīšanās algoritmi XGBoost (eXteme Gradient Boosting), apvienotie mašīnmācīšanās algoritmi, mašīnmācīšanās klasifikatori, ontoloģija semantiskai datu strukturēšanai un personalizācijai, dziļās mācīšanās ietvars ar Graph Convolutional Networks (GCN) fizisko aktivitāšu novērtēšanai, personalizēts CoP rādītāju novērtējums no video un izmantojot RGB kameru. Pārskatā iekļautajās publikācijās, kas aprakstīja pētījumus par mākslīgā intelekta un mašīnredzes izmantošu telefizioterapijā, pārbaudi vai klīnisko izpēti pieaugušajiem pacientiem, katrā tika identificēta vismaz viena digitālā tehnoloģija. Biežāk pētītais digitālais risinājums ietvēra valkājamo sensoru kombinācijā ar mašīnmācīšanās algoritmu integrēšanu, kas lielākoties bija specifiski veidotas, balstoties uz uzvedības maiņas teorētisko konceptu, lai pārbaudītu konkrēta prototipa lietderību un izmantošanu tālāko pētījumu veikšanai. Savukārt rezultāti neapstiprina mazkustīga dzīvesveida samazināšanos vai fizisko aktivitāšu palielināšanos pētīto perosnu dzīvesveidā.

Atslēgas vārdi: veseli pieaugušie, mākslīgais intelekts, mašīnredze, telefizioterapijaTitle: Leveraging AI and Machine Vision in Telephysiotherapy for Promoting Physical Activity and Reducing Sedentary Behavior: A Scoping Review.

The goal of this research was to collect and systematise data on the use of artificial intelligence and machine vision in telephysiotherapy to promote physical activity and reduce sedentary lifestyles.

Methods: A scoping review approach was chosen. Initially, the PCC framework was defined: participants (P) - healthy adults; concept (C) - artificial intelligence, machine learning and machine vision; context (C) - objective remote monitoring of physical activity (tele-physiotherapy) outside a healthcare setting (home environment) - for evaluation and analysis, or as an outcome measure in a targeted intervention to promote daily physical activity as part of secondary prevention. The publications of the last eight years were searched using electronic databases PubMed, ProQuest, Science Direct, Wiley Online Library. The selection was based on the defined inclusion criteria, according to the PCC framework.

Results and conclusions: The review was based on 4 publications. Over the past eight years, scientific publications on primary research analyzing artificial intelligence and machine vision solutions in telehealth have identified various types of digital solutions: machine learning algorithms XGBoost (eXteme Gradient Boosting), combined machine learning algorithms, machine learning classifiers, ontology for semantic data structuring and personalization, deep learning framework with Graph Convolutional Networks (GCN) for physical activity assessment, personalized CoP indicator assessment from video and using an RGB camera. The review includes publications describing research on the use of artificial intelligence and machine vision in telerehabilitation, testing or clinical research in adult patients, each of which identified at least one digital technology. The most frequently studied digital solution involved a combination of wearable sensors with integrated machine learning algorithms, which were mostly specifically designed based on the theoretical concept of behavioral change to test the usefulness and usability of a specific prototype for further research. However, the results do not confirm a reduction in sedentary lifestyles or an increase in physical activity in the lifestyles of the people studied.

Keywords: healthy adults, artificial intelligence, machine vision, telephysiotherapy