Technologie in de zorg dient te worden ingezet om voor alle betrokken partijen verbetering te leveren. Stijgende kosten, beperkte behandeltijden en capaciteit om zorg te leveren en een toenemende mate van patiënt verantwoordelijkheid hebben geleid tot de ontwikkeling van smart software wat in essentie klinische therapie op afstand mogelijk maakt (E-rehabilitatie). Onze oplossing heeft niet alleen de potentie om de zorgkosten te verlagen, maar voornamelijk ook om behandelingen te verbeteren, door het gebruiken van ons eigen ontwikkelde kunstmatige intelligente programma.

Smart ERA

E-rehabilitatie is zorgverlening met betrekking tot patiënten herstel op afstand. Door de huidige digitalisering is het mogelijk om patiënten en zorgverleners op elk gewenst moment met elkaar in contact te brengen. Onze oplossing ontlast de zorgverlener door het herstel van patiënten op afstand inzichtelijk te maken en patiënten accuraat in hun eigen omgeving feedback te geven m.b.t. hoe zij fysiotherapeutische oefeningen uitvoeren. Doordat we gebruik maken van kunstmatige intelligentie biedt onze oplossing smart e-rehabilitatie op afstand; ook wel Smart ERA genoemd. Met behulp van een standaard camera (denk aan een Iphone camera bijvoorbeeld) kunnen we de oplossing al aanleveren. Een oplossing die sterk schaalbaar is vanwege de kunstmatige intelligentie en geen sensoren nodig heeft.

Kinect
Computer

Heel veel tekst in witte kleur omdat het nodig is want WordPress helpt helaas niet mee.we schrijven vrolijk verder. Hierna komt het leuke deel.

Proces optimalisatie

Door de toenemende zorgkosten is het van belang dat er naar oplossingen gezocht wordt die schaalbaar en flexibel zijn. Onze oplossing is schaalbaar voor patiënten door de minimale middelen die nodig zijn om aan de slag te kunnen. De beoogde cloud oplossing zorgt voor schaalbare datastromen en opslag die met huidige leveranciers succesvol blijken.

Behandelplannen worden vaak opgesteld uit eerdere ervaringen van een zorgverlener. Door het vergaren van digitale patiënten data (zonder inbreuk te maken op privacy wetgeving) kunnen behandelplannen dynamisch worden aangepast op het huidige herstel van een patiënt. Hier kan op statistische wijze optimalisatie plaatsvinden doordat de persoonlijke inzichten van een zorgverlener worden overstegen door de gezamenlijke inzichtelijke kennis poule van alle zorgverleners.

We zorgen er niet alleen voor dat we met behulp van kunstmatige intelligentie werkzaamheden veranderen, ook de interne processen van instellingen worden anders. We helpen instellingen dan ook mee om future proof te worden en processen aan te laten sluiten op het gebruik van E-rehabilitatie, om zo het meest optimale resultaat te halen. We maken hiervoor gebruik van Lean Six Sigma Black Belts, scrummasters en mensen met ervaring in de zorg.

Use case

Voor een van onze use cases hebben we een onderzoek uitgevoerd wat zijn oorsprong vindt in de academische wetenschappen. De focus ligt op het zo goed mogelijk automatisch kunnen vaststellen van de kwaliteit in therapeutische oefeningen. In het onderzoek wordt gekeken naar hoe deze techniek ontwikkeld kan worden voor patiënten die herstellen van een heupvervanging. Een lijst met verscheidene fouten die gemaakt kunnen worden tijdens een therapeutische oefening is opgesteld door betrokken specialisten. Met behulp van de input van de specialisten en de vergaarde data hebben we modellen kunnen trainen met kunstmatige intelligentie. Mede hierdoor heeft ons uiteindelijke model een correcte beoordelingsscore van 97% behaald en is hierover een artikel gepubliceerd in de International Journal of Artificial Intelligence.

Hoe werkt het?

Door gebruik te maken van een lens kunnen we beeldmateriaal opnemen. Op dit moment kunnen we de beelden opnemen met een Microsoft Kinect camera, maar in de toekomst willen we dat dit ook met je IPhone of Android toestel kan. We transformeren het beeldmateriaal naar driedimensionale gegevens, waarna we de snelheid en de hoek per gewricht kunnen bepalen. Vervolgens maken we door middel van algoritmes, classificaties per gewricht over tijd of een oefening goed wordt uitgevoerd, of dat er verbeteringen mogelijk zijn. De terugkoppeling van de verbeteringen kunnen individueel worden teruggekoppeld. Hieronder zie je hoe dat in zijn werk gaat. Eerst filmen we en trainen we de modellen met professionals. Die beelden transformeren we naar 3D beelden. Vervolgens classificeren we deze beelden met onze algoritmes en vertalen het naar een uitvoering over tijd. Je kunt immers de oefening goed uitvoeren in het begin, in het midden of aan het eind en het is fijn om te weten wat en wanneer er wat fout ging.

filming the movement3d imagingg3g4

wit plaatje.png  Bad movement 3dAnalysis bad movementbad classification

Wanneer een persoon de oefening vervolgens uitvoert wordt het 3D beeld real-time ingelezen om feedback te kunnen geven. In dit geval zie je dat de persoon in kwestie niet ver genoeg door zijn knieën buigt, wat leidt tot een afwijking zoals de classificatie ook aangeeft.

Sport

We zijn op dit moment bezig om de oplossing ook beschikbaar te maken voor topsport. Hiervoor zijn we nog in de oriëntatiefase, maar willen graag samenwerken met partijen die hier in geïnteresseerd zijn en onze oplossing willen testen.

Wil je meer weten over de oplossing of wil je graag samenwerken? Stuur dan gerust een mailtje naar jeroen@pollinatorgroup.org.