Automatisierte FIM‑Bewertung durch Deep Learning erkennt Bewegungsmuster

Ein neues Forschungsprojekt aus dem Bereich der Rehabilitationsmedizin hat einen automatisierten Ansatz zur Schätzung des Functional Independence Measure (FIM) entwickelt. Dabei werden anstelle der üblichen, aufwändigen FIM‑Testhandlungen einfache Bewegungsübungen eingesetzt, die von einem tiefen neuronalen Netzwerk verarbeitet werden.

Das Modell kombiniert eine räumlich‑zeitliche Graphkonvolution (ST‑GCN), bidirektionale Long‑Short‑Term‑Memory‑Zellen (BiLSTM) und ein Aufmerksamkeitsmechanismus. So werden langfristige zeitliche Abhängigkeiten erfasst und gleichzeitig die wichtigsten Gelenkbewegungen identifiziert, die für die FIM‑Bewertung entscheidend sind.

In einer Studie mit 277 Rehabilitationspatienten wurde das System auf die FIM‑Items „Transfer“ und „Lokomotion“ angewendet. Die automatisierte Bewertung konnte Patienten, die völlig unabhängig sind, zuverlässig von denen unterscheiden, die Hilfe benötigen. Die balancierten Genauigkeiten lagen zwischen 70,09 % und 78,79 % – ein deutlicher Fortschritt gegenüber herkömmlichen manuellen Verfahren.

Darüber hinaus zeigte die Analyse, welche spezifischen Bewegungsmuster als zuverlässige Prädiktoren für einzelne FIM‑Items dienen. Diese Erkenntnisse könnten die Gestaltung von Therapieplänen und die individuelle Fortschrittsüberwachung in der Rehabilitation nachhaltig verbessern.