ارزیابی دقت ابزارهای برآورد حالت بدن برای اندازه‌گیری زاویه زانو در سقوط‌های ویدیویی سالمندان: آنچه جدید مطالعه PLOS One نشان می‌دهد

خلاصه سریع برای خواننده

• یک مطالعه PLOS One مدل‌های هوش‌مصنوعی OpenPose، VideoPose3D و WHAM را برای اندازه‌گیری زاویه زانو هنگام سقوط سالمندان مقایسه کرده است.
• نمونه شامل ۱۲۱ ویدیو از ۱۳ فرد سالمند (میانگین سن ۶۴.۰ ± ۵.۹ سال) با راهبردهای سقوط متنوع بوده است.
• معیار مقایسه، داده‌های مرجع از سیستم motion capture آزمایشگاهی بود؛ بالاترین دقت مربوط به مدل WHAM با MAPE ≈ ۱۳.۶% گزارش شد.
• اگرچه نتایج امیدوارکننده‌اند، اما دقت متوسطِ کنونی برای جایگزینی کامل سیستم‌های مرجع یا تصمیمات درمانی دقیق کافی نیست.
• این تکنیک‌ها می‌توانند در پژوهش‌های بزرگ‌تر یا پایش محیطی مفید باشند اما نیاز به اعتبارسنجی بیشتر در شرایط واقعی، جمعیت متنوع و سناریوهای دیداری پیچیده دارند.

مقدمه

سقوط‌ها یکی از علل عمده آسیب و بستری در میان سالمندان هستند و پیامدهایی مانند شکستگی لگن، ناتوانی و کاهش کیفیت زندگی را در پی دارند. یکی از عواملی که می‌تواند شدت آسیب را کاهش دهد، خم شدن زانوها در هنگام افتادن است؛ این حرکت می‌تواند بار وارد بر مفاصل و استخوان‌ها را کاهش دهد. با این حال، تحلیل دقیق رفتار مفاصل در سقوط‌ها به‌دلیل محدودیت‌های آزمایشگاهی (مسائل ایمنی، پوشش‌گذاری markers و شرایط ثبت) دشوار است.

ابزارهای مبتنی بر برآورد حالت بدن (pose estimation) با استفاده از تصاویر و ویدیوها امکان استخراج توالی‌های زمانی زاویه مفاصل را بدون نیاز به markers فراهم می‌آورند. اگر دقت این روش‌ها در اندازه‌گیری پارامترهای کینماتیکی کلیدی مانند زاویه خم‌شدگی زانو هنگام تماس با زمین قابل قبول باشد، می‌توانند پژوهش‌های بزرگ‌مقیاس‌تر و حتی پایش بالینی غیراختصاصی را تسهیل کنند. مطالعه‌ای که در PLOS One منتشر شده، به ارزیابی دقت سه مدل مشهور در این زمینه می‌پردازد: OpenPose، VideoPose3D و WHAM.

اهداف مطالعه

• بررسی دقت سه ابزار برآورد حالت بدن برای استخراج زاویه زانو در ویدیوهای سقوط سالمندان.
• مقایسه نتایج ابزارها با داده مرجع سیستم motion capture در زمان برخورد با زمین.
• تحلیل عملکرد در نماهای مختلف (ساجیتال vs فرانتال) و بین پاهای طرف اصابت و مخالف.

روش‌شناسی (خلاصه)

مطالعه بر پایه ۱۲۱ ویدیو از ۱۳ شرکت‌کننده سالمند انجام شد که در آزمایشگاه به طور کنترل‌شده سقوط‌های پهلو (sideways) را انجام دادند. شرکت‌کنندگان از استراتژی‌های سقوط متنوعی مانند knee block، stick-like و tuck-and-roll استفاده کردند تا تنوع رفتار واقعی‌تر شبیه‌سازی شود.

در هم‌زمان با ضبط ویدیو، داده‌های حرکت توسط یک سیستم motion capture مرجع ثبت شد تا زاویه‌های مفصل زانو در لحظه برخورد به زمین (ground impact) استخراج شود. سپس سه مدل برآورد حالت بدن (OpenPose، VideoPose3D و WHAM) روی ویدیوها اجرا شد و زوایای زانو از خروجی زمانی هر مدل محاسبه شد.

معیارهای دقت شامل Mean Absolute Error (MAE)، Mean Absolute Percentage Error (MAPE) و بررسی bias میان اندازه‌گیری‌های مدل‌ها و مرجع بود. تحلیل‌ها به تفکیک نماهای تصویربرداری (ساجیتال/فرانتال) و طرف پاها (پای اصابت‌کننده vs طرف مقابل) گزارش شده‌اند.

نتایج اصلی

از میان سه مدل، WHAM بهترین عملکرد کلی را نشان داد؛ به‌طوری‌که MAPE برابر ۱۳.۶۱ ± ۱۰.۵۵% گزارش شد که کمترین میزان میانگین درصد خطا در مقایسه با دو مدل دیگر بود. گزارش کامل مقادیر MAE و bias برای هر مدل در مقاله اصلی آمده است و تحلیل تفکیکی نشان داد که خطاها بسته به نما و طرف پا متفاوت بودند.

نکات کلیدی نتایج:

• عملکرد مدل‌ها در نماهای مختلف متفاوت بود؛ معمولاً مشاهده از نماهای ساجیتال (جانبی) برای اندازه‌گیری زاویه خم‌شدگی زانو مناسب‌تر است، اما در عمل وابسته به جهت دوربین و انسداد جزئیات است.
• پاهای طرف برخورد (impact leg) ممکن است در برخی موارد دقت متفاوتی نسبت به پاهای مقابل داشته باشند؛ این می‌تواند ناشی از حالت‌های دینامیک و پوشش‌دهی متفاوت اعضا در تصاویر باشد.
• پراکندگی خطا (انحراف معیار بالای MAPE) نشان می‌دهد که در برخی ویدیوها خطاها زیاد بوده‌اند؛ بنابراین نمی‌توان به‌طور یکسان به همه ثبت‌ها اعتماد کرد.

تفسیر نتایج و معنای بالینی

یافته‌های این مطالعه نشان می‌دهد که ابزارهای برآورد حالت بدن می‌توانند به‌صورت تقریبی زاویه زانو در زمان برخورد با زمین را استخراج کنند و در برخی شرایط به اندازه‌ای قابل‌اعتماد باشند که در پژوهش‌های غیرتهاجمی یا تحلیل‌های جمعی مورد استفاده قرار گیرند. با این حال، دقت میانگین حدود ۱۳.۶% (MAPE) برای کاربردهایی که به اندازه‌گیری‌های دقیق و فردی نیاز دارند—مثلاً طراحی درمان‌های جراحی یا ارزیابی‌های دقیق زیست‌مکانیکی—کافی نیست.

برای کاربردهای بالینی/پژوهشی ممکن:

• تحلیل‌های جمعی و اپیدمیولوژیک که هدف‌شان شناسایی الگوها و روندهاست، نه تصمیم‌گیری بالینی فردی، می‌توانند از این ابزارها بهره ببرند.
• پایش اولیه یا غربالگری ویدئویی در مراکز سالمندان یا مطالعات میدانی برای شناسایی افراد با ریسک بالاتر سقوط، در صورتی که با احتیاط و اعتبارسنجی محلی همراه باشد.
• توسعه برنامه‌های آموزش تعادلی یا فیزیوتراپی مبتنی بر ویدیو که نیازمند بازخورد نسبی هستند، نه اندازه‌گیری‌های عددی کاملاً دقیق.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• اندازه نمونه و تنوع جمعیت: تنها ۱۳ شرکت‌کننده و ۱۲۱ ویدیو مورد استفاده قرار گرفت که جمعیت نسبتاً کوچک و احتمالاً غیروارزی از نظر ویژگی‌‎های بالینی (مثلاً افراد خیلی سالم یا خیلی بیمار) است.
• شرایط آزمایشگاهی: سقوط‌ها در محیط کنترل‌شده آزمایشگاهی ضبط شدند؛ شرایط نور، پس‌زمینه و پوشش شرکت‌کنندگان ممکن است با محیط‌های واقعی مانند خانه یا فضای عمومی تفاوت داشته باشد.
• نما و انسداد: عملکرد مدل‌ها تحت تأثیر نما (ساجیتال vs فرانتال)، زاویه دوربین و انسداد اعضا قرار می‌گیرد؛ در شرایط دنیای واقعی احتمالاً انسداد بیشتر و نماهای متنوع‌تری وجود دارد که می‌تواند دقت را کاهش دهد.
• نوع سقوط: مطالعه بر روی سقوط‌های پهلو (sideways) متمرکز بود؛ نتایج ممکن است به سقوط‌های جلویی، عقب یا با سرعت‌های متفاوت تعمیم نیابد.
• معیار ارزیابی محدود به زاویه برخورد: محققان زاویه در لحظه برخورد به زمین را بررسی کردند؛ تحلیل کامل دینامیک حرکت پیش و پس از برخورد (مانند شتاب، نیرو یا انرژی جذب‌شده) بررسی نشد.
• عدم گزارش کامل همه آمار در خلاصه: در چکیده مقادیر دقیق MAE و bias برای هر مدل و تفکیک نماها به‌صورت کامل ارائه نشده است؛ برای ارزیابی دقیق‌تر باید متن کامل مقاله و جداول آماری را مطالعه کرد.

روش‌های جایگزین و نیاز به تحقیقات بیشتر

برای ارتقای قابلیت استفاده بالینی و میدانی، مطالعات بعدی باید موارد زیر را مدنظر قرار دهند:

• اعتبارسنجی در محیط‌های واقعی (خانه، مراکز خدماتی) با شرایط نوری و پس‌زمینه متنوع.
• گسترش نمونه به گروه‌های سنی و بالینی مختلف (مثلاً افراد سالمند با کاهش بینایی، مشکلات حرکتی مزمن یا لباس‌ها و وسایل کمکی متفاوت).
• بررسی ترکیب داده‌های چنددوربینی، استفاده از فریم‌ریت بالاتر و الگوریتم‌های پیشرفته برای کاهش انسداد و بهبود ردیابی مفاصل.
• ارزیابی پارامترهای دینامیک بیشتر مانند سرعت، شتاب و برآورد نیروها با تلفیق مدل‌های مبتنی بر ویدیو و سنسورهای پوشیدنی.

نظر تحریریه پزشک سایت

این مطالعه گامی مهم در راستای اعتبارسنجی ابزارهای برآورد حالت بدن برای تحلیل падهاست. استفاده از ویدیو و الگوریتم‌های هوش‌مصنوعی پتانسیل دارد که هزینه و پیچیدگی مطالعاتی که با سیستم‌های marker-based انجام می‌شود را کاهش دهد و دسترسی به داده‌های حرکتی را گسترده‌تر کند. با این حال، دقت فعلی—اگرچه نویدبخش است—برای کاربردهای بالینی که نیاز به اندازه‌گیری‌های دقیق فردی دارند کافی نیست. به‌نظر می‌رسد بهترین کاربرد فعلی این ابزارها در پژوهش‌های گروهی، پایش نسبی و طراحی مطالعاتی است که هدف‌شان یافتن الگوها یا فاکتورهای خطر کلی است، نه تصمیات درمانی مستقیم مبتنی بر یک اندازه‌گیری خاص.

کاربرد عملی برای بیماران و مراقبان

برای بیماران و خانواده‌ها، مهم‌ترین پیام این است که تکنولوژی‌های مبتنی بر ویدیو و هوش‌مصنوعی می‌توانند به شناسایی الگوهای خطر سقوط کمک کنند، اما فعلاً نباید به‌عنوان ابزار قطعی برای ارزیابی آسیب یا تعیین درمان به‌کار روند. در مراکز مراقبتی، این ابزارها ممکن است به عنوان یک لایه اضافی برای پایش نسبی تغییرات عملکرد حرکتی یا اثربخشی برنامه‌های بازتوانی به‌کار روند، مشروط بر این‌که اعتبارسنجی محلی انجام شود.

چه زمانی باید با پزشک مشورت کرد؟

• بعد از هر سقوطی که باعث درد مداوم، ناتوانی در راه‌رفتن، کبودی قابل‌توجه یا تورم شود.
• در صورت وجود سرگیجه مکرر، ضعف حرکتی یا از دست دادن تعادل تکرارشونده.
• اگر فرد سالمندی پشت سر هم سقوط کرده یا نگرانی از خطر سقوط وجود دارد (مثلاً بدخلقی در راه رفتن، استفاده از داروهای سرگیجه‌آور).
• نزدیکان یا مراقبین در صورتی که سعی دارند از داده‌های ویدیویی برای پایش بیمار استفاده کنند و قصد اقدام درمانی یا تغییر دارویی دارند؛ پیش از هر تصمیم، مشورت بالینی لازم است.

پرسش‌های رایج

۱. آیا این ابزارها می‌توانند جایگزین سیستم‌های motion capture شوند؟

خیر، در حال حاضر نه برای کاربردهای نیازمند دقت بالا. ابزارهای برآورد حالت بدن می‌توانند اطلاعات تقریبی و مفید برای پژوهش‌های بزرگ یا پایش نسبی فراهم کنند، اما برای تحلیل‌های دقیق زیست‌مکانیکی یا تصمیم‌گیری درمانی فردی سیستم‌های مرجع هنوز استاندارد هستند.

۲. آیا دقت گزارش‌شده (MAPE ~۱۳.۶%) خوب است یا نامطلوب؟

این عدد به معنی متوسط درصد خطا است؛ برای برخی کاربردها (تحلیل گروهی، تشخیص روند) قابل‌قبول است، ولی برای مقاصدی که به چند درجه دقت نیاز دارند، مانند برنامه‌ریزی جراحی یا ارزیابی دقیق عملکرد مفصل، کافی نیست.

۳. آیا می‌توان این روش‌ها را در خانه و با موبایل استفاده کرد؟

پتانسیل استفاده وجود دارد، اما نیاز به اعتبارسنجی در شرایط خانگی، توجه به زاویه دوربین، فریم‌ریت، نورپردازی و مسائل حریم خصوصی دارد. تا زمان انجام مطالعات میدانی بیشتر، استفاده بالینی گسترده توصیه نمی‌شود.

۴. آیا همه مدل‌ها عملکرد یکسانی دارند؟

خیر. در این مطالعه WHAM بهترین عملکرد کلی را نشان داد، اما عملکرد نسبی مدل‌ها می‌تواند بسته به نوع سقوط، نما و کیفیت ویدیو متفاوت باشد.

بحث فنی (برای علاقه‌مندان)

ابزارهای برآورد حالت بدن معمولاً بر پایه شبکه‌های عصبی کانولوشنی و مدل‌های اسکلتی آموزش‌دیده از تصاویر برچسب‌خورده عمل می‌کنند. OpenPose یک چارچوب استخراج کلید نقاط اسکلت است، VideoPose3D با استفاده از اطلاعات زمانی سه‌بعدی‌سازی انجام می‌دهد و WHAM—که در مطالعه بهتر عمل کرده—احتمالاً ترکیبی از معماری‌های پیشرفته و تنظیمات آموزش دقیق برای حالات دینامیک را به‌کار گرفته است. خطاها ممکن است ناشی از تخمین ناصحیح نقاط کلیدی در فریم‌های با انسداد، نویز یا حرکت سریع و همچنین خطاهای هموارسازی زمانی باشند. ترکیب داده‌های چنددوربینی و تلفیق با سنسورهای اینرسی (IMU) می‌تواند دقت را به‌طور قابل‌توجهی افزایش دهد.

ملاحظات اخلاقی و حفظ حریم خصوصی

کاربرد ویدیو برای پایش سقوط نیازمند توجه به مسائل حریم خصوصی، رضایت آگاهانه و حفاظت از داده‌هاست. هرگونه پیاده‌سازی در محیط‌های واقعی باید با رعایت قوانین محلی، اخذ رضایت و رمزگذاری داده‌ها همراه باشد تا از سوءاستفاده یا افشای غیرمجاز جلوگیری شود.

جمع‌بندی کاربردی

• نتیجه تحقیق: ابزارهای برآورد حالت بدن، به‌خصوص WHAM، در استخراج زاویه زانو هنگام برخورد زمین عملکرد نسبتاً خوبی نشان دادند (MAPE میانی ≈ ۱۳.۶%)، اما دقت کافی برای جایگزینی کامل سیستم‌های مرجع ندارند.
• کاربرد مناسب فعلی: پژوهش‌های گروهی، پایش نسبی تغییرات حرکتی و مطالعاتی که نیاز به داده‌های غیرتهاجمی و مقیاس‌پذیر دارند.
• چه کاری باید انجام شود: اعتبارسنجی بیشتر در محیط‌های واقعی، نمونه‌های بزرگ‌تر و ترکیب با دیگر سنسورها برای بهبود دقت الزامی است.
• برای بیماران: در صورت سقوط یا علائم آسیب، سریعاً با پزشک مشورت کنید؛ داده‌های ویدیویی در حال حاضر نباید جایگزین معاینه بالینی یا تصویربرداری تشخیصی شوند.

منبع

PLOS One. Validity of multiple human pose estimation tools for measuring knee impact angles in video-captured falls of older adults. 2026. DOI: https://doi.org/10.1371/journal.pone.0335108

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.