Método voltado à recomendação de tratamentos fisioterapêuticos para pacientes com lesão na coluna espinhal por meio de técnicas de aprendizado de máquina

Abstract

A fisioterapia tem testemunhado avanços recentes, especialmente no tratamento de Lesão da Medula Espinhal (SCI). Estes avanços tecnológicos estão revolucionando a eficácia dos tratamentos e melhorando a qualidade de vida dos pacientes. A evolução contínua em tecnologias de ponta e a análise de grandes volumes de dados clínicos ressaltam a crescente interseção da fisioterapia com técnicas de Aprendizado de Máquina (ML). Este trabalho visa desenvolver um método integrativo para a recomendação de tratamento de SCI, unindo técnicas de Engenharia do Conhecimento e Computação à Fisioterapia. O foco é a aplicação em dispositivos sensoriais e atuadores, como Interfaces Cérebro-Máquina (BMIs), para a previsão de séries temporais em Eletroestimulação Funcional (FES). Com a adoção da metodologia PRISMA-P para uma revisão sistemática da literatura, foram identificados inicialmente 168 estudos, dos quais apenas 7,14% foram considerados relevantes para análise aprofundada. Este processo foi fundamental para entender estratégias eficientes no tratamento de SCI com o suporte de ML. A metodologia de pesquisa Design Science Research Methodology (DSRM) foi utilizada para desenvolver e avaliar os objetos propostos. Além do método proposto, foi desenvolvida uma Rede Neural Artificial (ANN), mais especificamente uma Long Short-Term Memory (LSTM) para analisar séries temporais de Eletromiografia (EMG) em engenharia biomédica. O modelo alcançou uma precisão de 81% para R² na previsão de eventos mioelétricos. Análises quantitativas revelaram que um único canal mioelétrico é mais eficaz do que múltiplos canais, enfatizando a importância da seleção de características. Os resultados demonstram o potencial do método proposto na captura e análise de biossinais complexos e na previsão de séries temporais. O estudo destaca as previsões de aplicar estes achados em cenários reais, como na FES, e em tecnologias assistivas para melhorar a qualidade de vida dos pacientes com SCI.

Abstract: Physical therapy has witnessed significant advancements, particularly in the treatment of Spinal Cord Injury (SCI). These technological breakthroughs are revolutionizing the effectiveness of treatments and enhancing the quality of life for patients. The ongoing evolution in cutting-edge technologies and the analysis of large volumes of clinical data highlight the increasing intersection of physical therapy with Machine Learning (ML) techniques. This study aims to develop an integrative method for SCI treatment, combining Knowledge Engineering and Computing techniques with Physical Therapy. The focus is on the application in sensory and actuator devices, such as Brain-Machine Interfaces (BMIs), for predicting time series in Functional Electrical Stimulation (FES). Utilizing the PRISMA-P methodology for a systematic literature review, we initially identified 168 studies, of which only 7.14% were deemed relevant for in-depth analysis. This process was crucial for understanding efficient strategies in SCI treatment supported by ML. The Design Science Research Methodology (DSRM) was employed to develop and assess the proposed artifact. An Artificial Neural Network (ANN), specifically a Long Short-Term Memory (LSTM), was developed to analyze electromyography (EMG) time series in Biomedical Engineering. The model achieved an accuracy of 81% for R² in predicting myoelectric events. Quantitative analyses revealed that a single myoelectric channel is more effective than multiple channels, emphasizing the importance of feature selection. The findings demonstrate the potential of the proposed method in capturing and analyzing complex biosignals and in predicting time series. The study highlights the feasibility of applying these findings in real-world scenarios, such as in FES, and in advanced assistive technologies to improve the quality of life for patients with SCI.