PDF herunterladen
VPT Magazin 2025; 11(02): 16-20
DOI: 10.1055/s-0045-1808288
Wissen

Fiktion oder baldige Realität?

KI-unterstützte Bewegungsanalyse in der Neurorehabilitation
Anne Katrin Brust
Wissenschaftliche Mitarbeiterin AI Motion Labs, Fraunhofer-Einrichtung für Individualisierte und Zellbasierte Medizintechnik IMTE Doktorandin Physiotherapie, Institut für Gesundheitswissenschaften, Universität zu Lübeck
› Institutsangaben
› Weitere Informationen
    Lizenzen und Reprints

Zusammenfassung

Das Gesundheitssystem befindet sich im demografischen Wandel, und gleichzeitig lässt der medizinische Fortschritt der letzten Jahrzehnte die Nachfrage nach Gesundheitsdienstleistungen anwachsen. Angesichts knapper werdender Ressourcen müssen innovative Lösungen und Technologien weiterentwickelt werden, um die Verfügbarkeit von Gesundheitsdienstleistungen zu gewährleisten. Die vorgestellten Technologien können wertvolle Ansätze liefern, um Krankheitsverläufe und Therapiefortschritte engmaschig und mithilfe selbstlernender Methoden der KI zu dokumentieren.



Publikationsverlauf

Artikel online veröffentlicht:
22. April 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Bohannon RW, Andrews AW, Smith MB. Rehabilitation goals of patients with hemiplegia. Int J Rehabil Res 1988; 11: 181-184
    CrossrefSuche in Google Scholar
  • 2 Hornby TG, Reisman DS, Ward IG. et al. Clinical practice guideline to improve locomotor function following chronic stroke, incomplete spinal cord injury, and brain injury. J Neurol Phys Ther JNPT 2020; 44: 49-100
    CrossrefPubMedSuche in Google Scholar
  • 3 Mehrholz J, Pohl M, Kugler J. et al. The improvement of walking ability following stroke. Dtsch Arztebl Int 2018; 115: 639-645
    CrossrefPubMedSuche in Google Scholar
  • 4 Elsner B, Mehrholz J. et al. Gehen Sie zurück auf Los. neuroreha 2019; 11: 59-64
    Thieme ConnectSuche in Google Scholar
  • 5 Shafrin J, Sullivan J, Goldman DP. et al. The association between observed mobility and quality of life in the near elderly. PLOS ONE 2017; 12: 1-13
    CrossrefPubMedSuche in Google Scholar
  • 6 Davis JC, Stirling B, Li LC. et al. Mobility and cognition are associated with wellbeing and health related quality of life among older adults: A cross-sectional analysis of the Vancouver Falls Prevention Cohort. BMC Geriatr 2015; 15: 75
    CrossrefPubMedSuche in Google Scholar
  • 7 Higgs J, Jones MA, Loftus S. et al. Clinical reasoning in the health professions. London: Elsevier Health Sciences UK; 2014
    Suche in Google Scholar
  • 8 Klemme B, Siegmann G. Clinical Reasoning. Stuttgart Thieme 2015;
    Suche in Google Scholar
  • 9 Elsner B, Mehrholz J. Algorithmen vs. Experten in der Neuroreha: Wer macht den besseren Job?. neuroreha 2021; 13: 15-20
    Thieme ConnectSuche in Google Scholar
  • 10 Perry J. Pathologic gait. Instr Course Lect 1990; 39: 325-331
    PubMedSuche in Google Scholar
  • 11 Baker R, Esquenazi A, Benedetti MG. et al. Gait analysis: Clinical facts. Eur J Phys Rehabil Med 2016; 52: 560-574
    PubMedSuche in Google Scholar
  • 12 Muro-de-la-Herran A, Garcia-Zapirain B, Mendez-Zorrilla A. Gait analysis methods: An overview of wearable and non-wearable systems, highlighting clinical applications. Sensors 2014; 14: 3362-3394
    CrossrefPubMedSuche in Google Scholar
  • 13 Baker R, Hart HM. Measuring walking. London: Mac Keith Press; 2013
    Suche in Google Scholar
  • 14 McGinley JL, Baker R, Wolfe R. et al. The reliability of three-dimensional kinematic gait measurements: A systematic review. Gait & Posture 2009; 29: 360-369
    CrossrefPubMedSuche in Google Scholar
  • 15 Wren TAL, Tucker CA, Rethlefsen SA. et al. Clinical efficacy of instrumented gait analysis: Systematic review 2020 update. Gait & Posture 2020; 80: 274-279
    CrossrefPubMedSuche in Google Scholar
  • 16 Götz-Neumann K. Gehen verstehen. Stuttgart Thieme 2015;
    Suche in Google Scholar
  • 17 Zhang H, Li X, Gong Y. et al. Three-dimensional gait analysis and sEMG measures for robotic-assisted gait training in subacute stroke: A randomized controlled trial. BioMed Res Int 2023; 2023: 7563802
    CrossrefPubMedSuche in Google Scholar
  • 18 Mukaino M, Ohtsuka K, Tanikawa H. et al. Clinical-oriented three-dimensional gait analysis method for evaluating gait disorder. J Vis Exp 2018; e57063
    CrossrefPubMedSuche in Google Scholar
  • 19 Lam WWT, Tang YM, Fong KNK. A systematic review of the applications of markerless motion capture (MMC) technology for clinical measurement in rehabilitation. Neuroeng Rehabil 2023; 20: 57
    CrossrefPubMedSuche in Google Scholar
  • 20 Jeyasingh-Jacob J, Crook-Rumsey M, Shah H. et al. Markerless motion capture to quantify functional performance in neurodegeneration: Systematic review. JMIR Aging 2024; 7: e52582
    CrossrefPubMedSuche in Google Scholar
  • 21 Kanko RM, Laende EK, Strutzenberger G. et al. Assessment of spatiotemporal gait parameters using a deep learning algorithm-based markerless motion capture system. J Biomech 2021; 122: 110414
    CrossrefPubMedSuche in Google Scholar
  • 22 Wishaupt K, Schallig W, van Dorst MH. et al. The applicability of markerless motion capture for clinical gait analysis in children with cerebral palsy. Sci Rep 2024; 14: 11910
    CrossrefPubMedSuche in Google Scholar
  • 23 Ben Gamra M, Akhloufi MA. A review of deep learning techniques for 2 D and 3 D human pose estimation. Image Vis Comput 2021; 114: 104282
    CrossrefSuche in Google Scholar
  • 24 Cronin NJ. Using deep neural networks for kinematic analysis: Challenges and opportunities. J Biomech 2021; 123: 110460
    CrossrefPubMedSuche in Google Scholar
  • 25 Mathis A, Schneider S, Lauer J. et al. A primer on motion capture with deep learning: Principles, pitfalls, and perspectives. Neuron 2020; 108: 44-65
    CrossrefPubMedSuche in Google Scholar
  • 26 Wade L, Needham L, McGuigan P. et al. Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ 2022; 10: e12995
    CrossrefPubMedSuche in Google Scholar
  • 27 Harsted S, Holsgaard-Larsen A, Hestbæk L. et al. Concurrent validity of lower extremity kinematics and jump characteristics captured in pre-school children by a markerless 3 D motion capture system. Chiropr Man Ther 2019; 27: 39
    CrossrefPubMedSuche in Google Scholar
  • 28 Kanko RM, Laende EK, Davis EM. et al. Concurrent assessment of gait kinematics using marker-based and markerless motion capture. J Biomech 2021; 127: 110665
    CrossrefPubMedSuche in Google Scholar
  • 29 Horsak B, Eichmann A, Lauer K. et al. Concurrent validity of smartphone-based markerless motion capturing to quantify lower-limb joint kinematics in healthy and pathological gait. J Biomech 2023; 159: 111801
    CrossrefPubMedSuche in Google Scholar
  • 30 Wren TAL, Isakov P, Rethlefsen SA. Comparison of kinematics between Theia markerless and conventional marker-based gait analysis in clinical patients. Gait & Posture 2023; 104: 9-14
    CrossrefPubMedSuche in Google Scholar
  • 31 D‘Antonio E, Taborri J, Mileti I. et al. Validation of a 3 D markerless system for gait analysis based on open pose and two RGB webcams. IEEE Sens J 2021; 21: 17064-17075
    CrossrefSuche in Google Scholar
  • 32 Mehrholz J, Elsner B, Thomas S. Virtuelle Realität: Was ist im Einsatz?. neuroreha 2017; 09: 9-14
    Thieme ConnectSuche in Google Scholar
  • 33 Prajjwal P, Chandrasekar KK, Battula P. et al. The efficacy of virtual reality-based rehabilitation in improving motor function in patients with stroke: A systematic review and meta-analysis. Ann Med Surg 2024; 86: 5425-5438
    CrossrefPubMedSuche in Google Scholar
  • 34 Huber M, Janssen C, Erzer Lüscher F. et al. Motorisches Lernen in der Neuroreha. Stuttgart Thieme 2023;
    Suche in Google Scholar
  • 35 Sachverständigenrat Gesundheit und Pflege. Fachkräfte im Gesundheitswesen. Nachhaltiger Einsatz einer knappen Ressource. Gutachten 2024; 332
    CrossrefSuche in Google Scholar
  • 36 Horak F, King L, Mancini M. Role of body-worn movement monitor technology for balance and gait rehabilitation. Phys Ther 2015; 95: 461-470
    CrossrefPubMedSuche in Google Scholar
  • 37 Happe L, Lau S, Koschate J. et al. Machbarkeit und Akzeptanz videobasierter Physiotherapie: Neues Versorgungsangebot für ältere Menschen während der COVID-19-Pandemie. Z Gerontol Geriatr 2021; 54: 346-352
    CrossrefPubMedSuche in Google Scholar
  • 38 Langemak S. Telerehabilitation als Chance für eine bessere Versorgung während und nach der Pandemie. neuroreha 2021; 13: 32-34
    Thieme ConnectSuche in Google Scholar

    • Quelle

    • Brust AK. KI-unterstützte Bewegungsanalyse in der Neurorehabilitation – Fiktion oder baldige Realität?. neuroreha 2024; 16: 167-172
      CrossrefSuche in Google Scholar