Tratamiento para reducir los movimientos distónicos de pacientes con parálisis cerebral

Imagen destacada

Mediante el modelo estándar de ciclo de vida de Software CRISP-DM, se podría construir valor para pacientes con parálisis cerebral, su entorno familiar y los profesionales (por ejemplo, sanitarios) que tratan a estos pacientes mediante la estimación de la pose para evaluar el éxito de los tratamientos o terapias que pueden recibir estos pacientes.

¿Cómo se puede estudiar la eficacia de un tratamiento para reducir los movimientos distónicos de pacientes con parálisis cerebral?

Susana Martín López

Por Susana Martín López

Alumna de la 3ª edición del Máster en Big Data Sanitario y Médico Residente en Farmacología Clínica Hospital Universitario La Paz, Madrid (España)

A continuación, se describen las historias agile a acometer en primera iteración:

Tecnologías de Estimación de la Pose que existen y medios que necesitan

La familia de algoritmos pre-entrenados de Estimación de la Pose consiste en un conjunto de técnicas de visión por ordenador para detectar figuras humanas en imágenes y videos y mostrar sus articulaciones clave. El resultado final es una representación de las articulaciones y puntos clave para detectar la posición. Los modelos de estimación de pose toman una imagen de cámara procesada como entrada y salida de información sobre puntos clave. A los puntos clave detectados se les otorga una puntuación de confianza entre 0,0 y 1,0, la cual indica la probabilidad de que exista un punto clave en esa posición, pudiendo proporcionar información precisa sobre el movimiento y la posición de una figura humana.

Estos modelos de Deep Learning (un tipo de Machine Learning) son gratuitos, de uso simple y diseñados para sacar fácilmente valor de ellos. Los algoritmos han sido previamente entrenados con grandes cantidades de datos y su arquitectura ya está establecida, siendo funcionales en cuanto se crean (plug-and-play).

Para poder adaptar y configurar estos algoritmos a la aplicación de interés hay que tener en cuenta el número de personas que se desea detectar, el tipo de entrada, el número de cámaras que graban la misma escena, si se desea aplicar a una imagen estática o a un video, si se desea un modelo en 2D o en 3D y el modelo corporal necesario según el número de articulaciones detectadas.

La familia de algoritmos pre-entrenados de Estimación de la Pose consiste en un conjunto de técnicas de visión por ordenador para detectar figuras humanas en imágenes y videos y mostrar sus articulaciones clave

La Estimación de la Pose Multipersona o Multi-person Pose Estimation (MPE) captura las poses de muchas personas simultáneamente. Los métodos MPE se pueden dividir en:

TensorFlow_examples
Source: TensorFlow examples

Ejemplos de bibliotecas de aprendizaje automático de código abierto donde se pueden encontrar modelos para la Estimación de la Pose son Tensorflow, Pytorch o Keras.

Una implementación de referencia de modelo de Estimación de la Pose de TensorFlow es MoveNet, un modelo ultrarrápido y preciso que detecta 17 puntos significativos de un cuerpo. Para entrada de video (secuencia de imágenes), se debe aplicar el recorte inteligente basado en detecciones del fotograma anterior cuando la entrada es una secuencia de fotogramas. Así el modelo dedica su atención y recursos al tema principal, lo que se traduce en una calidad de predicción mejor. Se podría usar este modelo de estimación de la pose para estudiar la eficacia de un tratamiento para reducir los movimientos distónicos de pacientes con parálisis cerebral.

En definitiva, existen muchas maneras de estimar la pose, entre las cuales se encuentran métodos de modelado geométrico, de mapeado visual, algoritmos basados en patrones, algoritmos probabilísticos, sistemas pasivos, sistemas activos con sensores remotos, etc. Según el tipo de proyecto, se debe escoger el más adecuado.

Una implementación de referencia de modelo de Estimación de la Pose de TensorFlow es MoveNet, un modelo ultrarrápido y preciso que detecta 17 puntos significativos de un cuerpo

Fuentes de datos que puedan servir para la prueba de concepto (entendimiento de los datos o Data Understanding)

Tras determinar qué datos son necesarios y recolectarlos, habría que proceder a explorarlos (determinar los diversos tipos, la distribución de los mismos y los patrones que siguen) y verificar la calidad de los mismos para comprobar que tengan validez, ya que son precisos datos de calidad para obtener buenas conclusiones (siguiendo la regla mnemotécnica GIGO: Gold In, Gold Out; Garbage In, Garbage Out).

Posteriormente, ya en la fase de preparación de los datos (Data Preparation), habría que tratar los datos de entrada del modelo. Para ello, podría ser necesario transformar, normalizar y agregar variables, mediante la limpieza (borrado de datos que no concuerden), la generación de nuevos atributos para analizar (Feature Engineering) mediante la transformación de variables, agrupaciones de valores, varios tipos de codificación, reducción de la dimensionalidad, etc.), así como la integración de datos de distintas procedencias que configuran un mismo punto de análisis.

Cómo se puede medir el éxito de la prueba de concepto

En definitiva, se trataría de realizar una evaluación del cambio en los movimientos distónicos mediante la comparación de un mismo individuo con parálisis cerebral a lo largo del tiempo, antes y después del tratamiento.

En la fase de modelado (Modelling) se podría contestar a la pregunta inicial gracias al modelado mediante la aplicación de algoritmos de aprendizaje automático, así como la aplicación de algoritmos estadísticos que den respuesta a la pregunta mediante el análisis de los datos obtenidos y preparados en las fases anteriores. En esta fase se observaría qué pacientes responden mejor o más rápido a un determinado tratamiento o ejercicio motor, o bien si la combinación de terapias (como, por ejemplo, ejercicios y deporte adaptado) es más efectiva (en caso de observarse, por ejemplo, una reducción de la frecuencia, amplitud y duración de los movimientos distónicos y de los segmentos corporales implicados en dichos movimientos en los pacientes con parálisis cerebral).

Posteriormente, en la fase de evaluación (Evaluation), se valoraría la veracidad de las conclusiones obtenidas en la fase de modelado, evaluando si se ha contado con los datos suficientes para extraer conclusiones fiables, repasando el/los modelo/s usado/s y comprobando que el resultado obtenido es correcto y que no se ha dejado nada sin tener en cuenta.

Finalmente, en la fase de lanzamiento (Deployment), el algoritmo se haría accesible a los clientes, cumpliendo con los criterios de disponibilidad y calidad a considerar por la empresa.