Die Zukunft der Bewegungsanalyse in Sport- und Rehamedizin: Markerlos und KI-basiert

Die manuelle Winkelmessung mit dem Goniometer gilt bis heute als klinischer Goldstandard für die Funktionsprüfung von Gelenken zum Beispiel in der Sport- und Rehabilitationsmedizin. Diese einfache und kostengünstige Methode erreicht eine Messgenauigkeit von ± 5° bis 10°. Allerdings sind mit dem Goniometer ausschließlich statische, zweidimensionale Messungen möglich. Außerdem ist die Reliabilität stark untersucherabhängig (Inter-Rater-Reliabilität).

Für die Messung wird lediglich ein handelsübliches Tablet mit integrierter Videokamera und eine App benötigt. Zunächst wird mit der Tablet-Kamera ein kurzes Video des Bewegungsablaufes des gehenden Patienten aufgenommen (hier genügen meist einige Meter). Im Unterschied zu markerbasierten Systemen müssen am Patienten keine optischen Marker angebracht werden.

Die KI berechnet dann auf Basis von Deep-Learning-Algorithmen, einem Neuronalen Netzwerk und umfangreichen annotierten Bilddatensätzen 33 Koordinatenpunkte, die bestimmte Positionen am menschlichen Körper anzeigen (Pose Estimation). Auf Basis der ermittelten Koordinatenpunkte analysiert die App die Bewegung und liefert automatisiert präzise Messergebnisse beispielsweise zur Funktionsfähigkeit von Gelenken – oder eine komplette Ganganalyse.

Folgende Aspekte machen die Anwendung einfach, schnell, flexibel und kostengünstig:

• Das Anbringen von Markern entfällt.
• Es werden keine Spezialkameras benötigt (Tablet-Kamera ist ausreichend).
• Keine zeitintensive Patientenvorbereitung notwendig.
• Die Analyse erfolgt automatisiert und schnell.

Abb.: Auszug aus einem Ganganalysen-Report, angefertigt mit Orthelligent^® VISION. 

Seit einigen Jahren werden Validität und Zuverlässigkeit von KI-basierten Bewegungsanalysen im Rahmen von Studien ausführlich untersucht – unter anderem im Vergleich zu herkömmlichen markerbasierten Videosystemen.^2–6

Die bereits vorliegenden Ergebnisse geben Hinweise, dass KI-basierte Technologien robuste und valide Messergebnisse liefern können. Sie ermöglichen es insbesondere, Bewegungsabläufe konsistenter und zuverlässiger zu verfolgen als markerbasierte Videosysteme.^{3, 4} Im Vergleich zum Goniometer zeigen sie eine höhere Genauigkeit und Reproduzierbarkeit, da die Messdaten berührungslos und unabhängig vom Einfluss des Untersuchers ermittelt werden.⁴

Um zukünftige großangelegte Studien vorzubereiten, wurden bereits drei Pilotstudien zur Validierung einer markerlosen, KI-basierten Bewegungsanalyse (Orthelligent^® VISION, OPED Digital Health Solutions, 83626 Valley/Oberlaindern) durchgeführt und in einem Whitepaper zusammengefasst. Hier finden Sie zum Thema ein Whitepaper (PDF).

• Markerlose, KI-basierte Bewegungsanalysen wie Orthelligent^® VISION begründen eine neue Generation der Bewegungsanalyse-Methoden in der Sport- und Rehabilitationsmedizin.
• Sie ermöglichen eine dynamische, dreidimensionale und markerlose Bewegungsmessung und eine automatisierte Auswertung. Sie sind mit einem geringeren Zeit- und Kostenaufwand verbunden als herkömmliche markerbasierte Systeme.
• Anforderungen an personelle Spezialisierung und aufwendige Auswertungsarbeit entfallen bzw. werden deutlich reduziert – daher kann das System dazu beitragen, neue Anwendungsbereiche, die bisher nur spezialisierten Labors zugänglich waren, zu erschließen.
• Standardisierung und Objektivierung von Bewegungsmessungen ermöglichen die Erfassung von validen Ergebnissen, unabhängig vom einzelnen Untersucher.
• In ersten Pilotstudien zur Validierung wurde Orthelligent^® VISION mit goniometrischen Messungen und einem markerbasierten Videosystem verglichen. In allen Messreihen zeigte die Orthelligent^® VISION eine konsistent hohe Validität mit Pearson-Korrelationskoeffizienten von >0,98.
• Diese Ergebnisse unterstützen die Hypothese, dass Orthelligent^® VISION geeignet ist, zuverlässige und präzise Bewegungsanalysen zu generieren.
• Weitere Studien mit einer größeren Anzahl von Probanden sind in Planung, um diese ersten Validierungsergebnisse zu reproduzieren und zu verifizieren.

Weitere interessante Blogbeiträge zum Thema Digital Health:

• Nach Knieverletzung sicher und motiviert wieder fit werden – was können sensorgesteuerte Reha-Apps dazu beitragen?
• Bessere Prävention und effektiveres Training durch digitale App – individuell und datenbasiert
• Patientenfall: Funktionsbasierte Nachbehandlung bei Knieverletzung

Produkt-Informationen zu Orthelligent^®VISION finden Sie auf der Website von OPED Digital Health Solutions

¹Raiss, P., Rettig, O., Wolf, S., Loew, M., & Kasten, P. (2007). Das Bewegungsausmaß der Schulter und des Ellenbogens bei Alltagsbewegungen in der 3D-Bewegungsanalyse. Zeitschrift für Orthopadie und Unfallchirurgie, 145(04), 493–498. https://doi.org/10.1055/s-2007-965468

²Nakano, N., Sakura, T., Ueda, K., Omura, L., Kimura, A., Iino, Y., Fukashiro, S., & Yoshioka, S. (2020). Evaluation of 3D markerless motion capture accuracy using OpenPose with multiple video cameras. Frontiers in Sports and Active Living, 2, 50. https://doi.org/10.3389/fspor.2020.00050

³Wang XM, Smith DT, Zhu Q (2023). A webcam-based machine learning approach for three-dimensional range of motion evaluation. PLOS ONE 18(10): e0293178. https://doi.org/10.1371/journal.pone.0293178

⁴Saiki, Y., Kabata, T., Ojima, T., Kajino, Y., Kubo, N., & Tsuchiya, H. (2023). Reliability and validity of pose estimation algorithm for measurement of knee range of motion after total knee arthroplasty. Bone & Joint Research, 12(5), 313–320. https://doi.org/10.1302/2046-3758.125.BJR-2022-0257.R1

⁵Köykkä, M. (2022). Markerless video-based estimation of 3D approach velocity in the javelin throw. Conference Paper from 40th International Society of Biomechanics in Sports Conference. Available at: https://commons.nmu.edu/isbs/vol40/iss1/85

⁶Mroz, S., Baddour, N., McGuirk, C., Juneau, P., Tu, A., Cheung, K., & Lemaire, E. (2021). Comparing the quality of human pose estimation with BlazePose or OpenPose. Conference Paper from 2021 4th International Conference on Bio-Engineering for Smart Technologies (BioSMART). https://doi.org/10.1109/BioSMART54244.2021.9677850