Валидация видеоассистированного на основе компьютерного зрения гониометрического исследования двигательной функции отведения плечевого сустава

Введение. Гониометрическое исследование движений в плечевом суставе играет важную роль в оценке функционального состояния сустава, диагностике различного рода нарушений, мониторинге проводимого восстановительного лечения, его широко применяют в клинической практике. На сегодняшний день компьютерное зрение является перспективным направлением в решении проблемы унификации и объективизации гониометрических исследований различных соматометрических признаков.

Цель работы — валидация видеоассистированного на основе компьютерного зрения гониометрического исследования двигательной функции отведения плечевого сустава с использованием с использованием потенциала нейросетей.

Материалы и методы. В исследовании приняли участие 33 добровольца, — мужчины и женщины от 18 до 56 лет, с массой тела — от 53 до 108 кг, ростом — от 155 до 195 см. Для валидации авторской методики гониометрического исследования отведения в плечевом суставе сравнивали результаты связанных выборок: обследование с помощью классической гониометрии (группа 1); рентгенологическое изучение изменения положения костных структур плечевого сустава (группа 2); обследование с использованием видеоассистированной методики гониометрии компьютерное зрение (группа 3). Исследование выполнено на аппаратно-программном комплексе «Артро-Про». Статистическая обработка проведена с использованием программного пакета Statgraphics.

Результаты. Среднее отличие показателей амплитуды отведения в группах 1 и 2 — незначительно, оно составило (0,62 ± 0,63)° от минимума 5,2° до максимума 1° (доверительный интервал надежности p = 0,95). Разница значений угла отведения групп 1 и 3 колеблется в диапазоне от —11,8° до 22,7°, средняя разность составляет 6° (доверительный интервал надежности p = 0,95).

Обсуждение. Незначительная разница углов отведения, полученных в результате применения технологий компьютерного зрения и классической гониометрии, свидетельствует о сопоставимости двух методов и открывает возможность внедрения технологии оценки функции опорно-двигательного аппарата на основе искусственного интеллекта в клиническую практику.

Заключение. Видеоассистированная технология гониометрического исследования функции отведения плечевого сустава на основе компьютерного зрения является валидным методом, который можно правомерно применять в клинической практике.

1. Гамбурцев В.А. Гониометрия человеческого тела. М.: Медицина, 1973:200.

2. Герегей А.М., Бондарук Е.В., Малахова И.С. и др. Исследование амплитуд движений в крупных суставах верхних и нижних конечностей и сочленениях позвоночника при использовании промышленных экзоскелетов. Российский журнал биомеханики. 2020;24(4):475-490. doi: 10.15593/RZhBiomeh/2020.4.06.

3. Глухих О.Н., Коломиец А.А. Биомеханика суставов конечностей. Scientist. 2020;4(14):14.

4. Агапов А.А., Небаба А.Н. Интеллектуальные системы захвата движений: виды, преимущества, применение. Труды Ростовского государственного университета путей сообщения. 2019;(2):5-7.

5. Андреева Е.А., Кожеко Л.Г. Использование искусственных нейронных сетей в медицине. Перспективы развития математического образования в эпоху цифровой трансформации: материалы II Всероссийской научно-практ. конф. (25-27 марта 2021 года, г. Тверь). Тверь: Тверской государственный университет; 2021:17-21.

6. Борзиков В.В., Рукина Н.Н., Воробьева О.В. и др. Видеоанализ движений человека в клинической практике (обзор). Современные технологии в медицине. 2015;7(4):201-210. doi: 10.17691/stm2015.7.4.26.

7. Бондарук Е.В., Меркулова А.Г., Калинина С.А. Возможность применения инерционных систем захвата движений для решения задач физиологии труда. Медицина труда и промышленная экология. 2020;60(11):734-737. doi: 10.31089/1026-9428-2020-60-11-734-737.

8. Аксенов А.Ю., Хит Г.Х., Клишковская Т.А., Долганова Т.И. Методология видеоанализа в диагностике нарушений локомоторной функции у детей с церебральным параличом при использовании ограниченного числа светоотражающих камер (обзор литературы). Гений ортопедии. 2019;25(1):102-110. doi: 10.18019/1028-4427-2019-25-1-102-110.

9. Горбунова А.В., Шмакова Я.В., Калугина О.Ф и др. Использование методов компьютерного зрения и больших языковых моделей для проведения доклинических исследований. Медицина. 2024;12(3):55-68. doi: 10.29234/2308-9113-2024-12-3-55-68.

10. Горелов И.А., Немтинов В.А. Применение технологий компьютерного зрения при поиске патологий на рентгенограммах органов грудной клетки. Восточно-европейский научный журнал. 2016;(7, часть 2):6-13.

11. Гурин И.В. Системы видеоанализа движений человека. Научный журнал «A POSTERIORI». 2022;12:120-122.

12. Гусейнов Д.И. Сравнительный анализ биомеханических показателей в системах маркерного и безмаркерного видеозахвата движений. Доклады БГУИР. 2023;21(1):35-42. doi: 10.35596/1729-7648-2023-21-1-35-42.

13. Иванова М.Д., Муравьев С.В., Клоян Г.З. и др. Системы захвата движений: медико-техническая оценка современного этапа развития технологии. Обзор литературы. Спортивная медицина: наука и практика. 2023;13(1):28-40. doi: 10.47529/22232524.2023.1.9.

14. Колесниченко О.Ю., Мартынов А.В., Пулит В.В. и др. Современный передовой уровень искусственного интеллекта для умной медицины. Ремедиум. Журнал о российском рынке лекарств и медицинской технике. 2019;(4):36-43. doi: 10.21518/1561-59362019-04-36-43.

15. Конурова А.С., Бикмуллина И.И. Исследование безмаркерной системы захвата движения. Известия Тульского государственного университета. Технические науки. 2023;(1):118-121. doi: 10.24412/2071-6168-2023-1-118-121.

16. Князь В.А. Оптическая система захвата движения для анализа и визуализации трехмерных процессов. ГРАФИКОН'2015. 2015:232-236.

17. Куимов В.Ю., Чикуров А.И., Бурмистров A.Д., Епишев B.В. Сравнительная характеристика оборудования при измерении биомеханических и кинематических характеристик спортсменов в циклических видах спорта. Человек. Спорт. Медицина. 2023;23(2):165-172. doi: 10.14529/hsm230220.

18. Hellsten T, Karlsson J, Shamsuzzaman M, Pulkkis G. The Potential of Computer Vision-Based Marker-Less Human Motion Analysis for Rehabilitation. Rehabil Process Outcome. 2021 Jul 5;10:11795727211022330. doi: 10.1177/11795727211022330.

19. Moreira R, Fialho R, Teles AS, et al. A computer vision-based mobile tool for assessing human posture: A validation study. Comput Methods Programs Biomed. 2022 Feb;214:106565. doi: 10.1016/j.cmpb.2021.106565.

20. Лутохин А.С. Тычков А.Ю., Сотников А.М., Алимурадов А.К. Анализ систем захвата движения в среде виртуальной реальности. Вестник Пензенского государственного университета. 2021;(2):102-106.

21. Мавлютова И.Ф., Буторин А.В. Основные концепции принципа захвата движения лица. Системный анализ и синтез моделей научного развития общества: Сборник по итогам Международной научно-практической (Саратов, 04 февраля 2021 г.). Стерлитамак: АМИ; 2021:58-59. Доступно по: https://ami.im/sbornik/MNPK-320.pdf. Ссылка активна на 17.06.2025.

22. Морозов С. П., Владзимирский А.В., Ледихова Н.В. и др. Московский эксперимент по применению компьютерного зрения в лучевой диагностике: вовлеченность врачей-рентгенологов. Врач и информационные технологии. 2020;(4):14-23. doi: 10.37690/1811-0193-2020-4-14-23.

23. Нопин С.В., Копанев А.Н., Абуталимова С.М. Современные системы тестирования и анализа движений человека. Современные вопросы биомедицины. 2020;4(4):65-73.

24. Овезова Г.С. Исследование новых методов компьютерного зрения для распознавания объектов и обработки изображений. Наука и мировоззрение. 2024;1(19):40-45.

25. Пальмов С.В., Андирякова О.О. Применение технологии MOTION-CAPTURE. Индустриальная экономика. 2023;2:134-137. doi: 10.47576/2949-1886_2023_2_134.

26. Debnath B. et al. A review of computer vision-based approaches for physical rehabilitation and assessment. Multimedia Systems. 2022;28;209-239. doi: 10.1007/s00530-021-00815-4.

27. Bland JM, Altman DG. Statistical methods for assessing agreement between two methods of clinical measurement. Lancet. 1986;1(8476):307-310.

28. Silva N, Zhang D, Kulvicius T, et al. The future of General Movement Assessment: The role of computer vision and machine learning - A scoping review. Res Dev Disabil. 2021;110:103854. doi: 10.1016/j.ridd.2021.103854.

29. Zhang M, Chen CH. Biomechanics of the Shoulder. In: Cheng CK, Woo SLY. (eds.). Frontiers in Orthopaedic Biomechanics. Singapore: Springer; 2020:131-145. doi: 10.1007/978-981-15-3159-0_6.

30. Funk L. Biomechanics of the Shoulder. In: Milano G, Grasso A, Brzóska R, Kovačič L. (eds.). Shoulder Arthroscopy. Berlin, Heidelberg: Springer; 2023:17-32. doi: 10.1007/978-3-662-66868-9_2.

31. Li L, Ren F, Baker JS. The biomechanics of shoulder movement with implications for shoulder injury in table tennis: a minireview. Appl Bionics Biomech. 2021;2021:9988857. doi: 10.1155/2021/9988857.

32. Чирков Н.Н., Яковлев В.Н., Алексеева А.В. и др. Хирургическое лечение невосстановимых массивных повреждений вращательной манжеты плечевого сустава. Гений ортопедии. 2022;28(1):12-17. doi: 10.18019/1028-4427-2022-28-1-12-17.

33. Шейко Г.Е., Белова А.Н., Рукина Н.Н., Короткова Н.Л. Возможности применения биомеханических систем захвата движений человека в медицинской реабилитации (обзор). Физическая и реабилитационная медицина, медицинская реабилитация. 2022;4(3):181-196. doi: 10.36425/rehab109488.

34. Шинелёв И.Н., Тарасов И.Е. Использование искусственных нейронных сетей в медицине. Электронный научный журнал «ИТСтандарт». 2020;(4).

35. Щербанев А.Ю., Карпов Д.С., Бурханова Р.А. Обзор современных систем трехмерного моделирования движений человека. Вестник современных исследований. 2019;(3.13(30)):205-208.