РЕКОМЕНДАЦІЙНА СИСТЕМА ПІДТРИМКИ ФІЗИЧНОЇ РЕАБІЛІТАЦІЇ НА ОСНОВІ КОРЕКЦІЇ ТЕРАПЕВТИЧНИХ ЗОБРАЖЕНЬ

Анотація

У статті розглянуто розробку та реалізацію рекомендаційної системи для підтримки прийняття рішень фізичним терапевтом у процесі реабілітації пацієнтів з порушеннями рухливості верхніх кінцівок. Рекомендаційна система інтегрована безпосередньо у вебзастосунок фізіотерапевта, побудований на React, який є складовою комплексної AR-системи реабілітації з арт-терапією на гарнітурі Magic Leap 2. Система забезпечує автоматичний збір даних про рухову активність пацієнта та отримання прогнозованих значень кутів згину суглобів на основі інтервальних математичних моделей, побудованих за даними попередніх реабілітаційних сесій. На відміну від традиційних підходів, запропоноване рішення ґрунтується не на поточних вимірюваннях, а на аналізі прогнозованої динаміки відновлення, що дозволяє здійснювати проактивну корекцію реабілітаційного процесу.

Ключовим механізмом реалізації рекомендацій є корекція терапевтичного зображення-розмальовки, яке пацієнт малює на віртуальному AR-полотні під час сеансу арт-терапії. Рекомендаційний модуль аналізує прогнозовану динаміку кутів згину та, у випадку виявлення неоптимальної траєкторії відновлення, формує рекомендації щодо зміни просторового розподілу елементів зображення для цілеспрямованої стимуляції рухів у необхідній анатомічній площині. Система генерує рекомендації щодо корекції рухової активності шляхом зміни терапевтичного зображення та налаштування параметрів AR-сесії (розмір полотна, орієнтація, відстань до полотна). Важливою особливістю запропонованого підходу є використання багатоступеневого AI-контуру, у якому текстова рекомендація для терапевта автоматично трансформується мовною моделлю у prompt для генерації зображення, після чого генеративна модель створює відповідний арт-контент, який завантажується на AR-полотно через вебзастосунок фізіотерапевта.

Експериментальні результати апробації на двох пацієнтах підтверджують працездатність рекомендаційної системи: корекція терапевтичного зображення на основі рекомендацій прискорила темп відновлення кута згинання плечового суглоба у 1,9–3,9 раза та скоротила прогнозовану кількість сеансів до досягнення нормативного діапазону на 12–18%. Запропоноване рішення демонструє перспективність поєднання прогнозної аналітики, рекомендаційних систем та генеративного штучного інтелекту для персоналізованої фізичної реабілітації.