En intégrant des dispositifs portables, des applications web et des modèles d’apprentissage automatique, le projet MLSmartPhysio, financé par la Fondation Hasler, introduit une nouvelle approche de la rééducation personnalisée du membre supérieur et jette les bases d’études cliniques et d’applications futures dans des environnements de soins réels.
La rééducation du membre supérieur est une voie thérapeutique visant à récupérer la fonction de l’épaule, du coude, du poignet et de la main à la suite d’un traumatisme, d’une intervention chirurgicale ou d’une maladie. Dans ce contexte, l’innovation technologique peut être un allié précieux pour améliorer la qualité du traitement et personnaliser la récupération de chaque patient.
Dans le cadre d’un doctorat en bioélectronique réalisé en collaboration entre l’équipe Dispositifs médicaux de l’Institut des technologies numériques pour les soins de santé personnalisés (MeDiTech) de la SUPSI et l’Université du Luxembourg (Uni.Lu), le projet a permis de développer des capteurs portables intégrant deux technologies clés : l’électromyographie de surface (sEMG), qui détecte l’activité électrique produite par les muscles, et les capteurs inertiels (IMU), qui mesurent les mouvements cinétiques.
La plateforme comprend également une application web et mobile permettant d’enregistrer et de visualiser les données collectées en temps réel via des îlots de capteurs connectés en Bluetooth. Grâce à cette interface intuitive, le thérapeute peut adapter le parcours de rééducation aux besoins spécifiques du patient.
Pour valider la proposition, une campagne de mesure expérimentale avec 20 volontaires a également été réalisée au cours du projet, qui a produit un jeu de données pseudonymisées, c’est-à-dire où les données personnelles sont remplacées par des codes d’identification, basé sur des mouvements de physiothérapie inspirés de l’échelle clinique standardisée de Fugl-Meyer. Le jeu de données a ensuite été mis à disposition en tant que données ouvertes au profit de l’ensemble de la communauté scientifique.
L’analyse des données a permis d’entraîner des modèles algorithmiques capables de reconnaître différents mouvements (flexion et extension du coude, abduction de l’épaule à 90° et 180°, extension verticale de l’épaule à 90°, rotation externe et interne de l’épaule, flexion et extension du poignet) avec une grande précision, ce qui confirme le potentiel de la plateforme pour de futures applications dans le domaine de la rééducation personnalisée.
Dans les prochaines étapes, le projet s’orientera vers des technologies encore plus avancées, notamment des capteurs électromyographiques à haute densité (HDsEMG) et des algorithmes intégrés directement dans des dispositifs portables, dans le but d’apporter ces solutions dans la pratique clinique quotidienne. Par ailleurs, une fois la clinique de réadaptation avec laquelle poursuivre le projet identifiée et l’échantillon statistique sélectionné, la pathologie sur laquelle se concentrera la phase suivante sera définie, afin d’assurer une voie de développement ciblée avec un réel impact thérapeutique.
