স্ট্রোক পুনর্বাসনে কৃত্রিম বুদ্ধিমত্তা: একটি কাঠামোগত ক্লিনিকাল পর্যালোচনা

স্ট্রোক দীর্ঘমেয়াদী অক্ষমতার একটি প্রধান কারণ, এবং পুনরুদ্ধার মোটর, জ্ঞানীয়, যোগাযোগ এবং দৈনন্দিন-জীবিকার ডোমেনগুলির ক্রিয়াকলাপ জুড়ে উল্লেখযোগ্যভাবে পরিবর্তিত হয়, যা ক্রমাগত মূল্যায়ন এবং স্বতন্ত্র পুনর্বাসনকে অপরিহার্য করে তোলে। যাইহোক, বর্তমান পুনর্বাসনের সিদ্ধান্তগুলি এখনও পর্যায়ক্রমিক ক্লিনিকাল স্কেল, চিকিত্সকের অভিজ্ঞতা এবং স্থানীয় সংস্থানগুলির উপর খুব বেশি নির্ভর করে, যা ক্ষত বৈশিষ্ট্য, বেসলাইন ফাংশন, কমরবিডিটিস এবং পুনরুদ্ধারের ট্র্যাজেক্টোরিতে পার্থক্যগুলি সম্পূর্ণরূপে ক্যাপচার করতে পারে না। ভৌগলিক বাধা, অসম পরিষেবার ক্ষমতা এবং বিরতিহীন ফলো-আপ দ্বারাও অ্যাক্সেস সীমিত।

স্ট্রোক ইমেজিং, প্রারম্ভিক পূর্বাভাস, পুনর্বাসন-ফলাফলের পূর্বাভাস, আন্দোলন এবং শারীরবৃত্তীয় মূল্যায়ন, রোবট- এবং ভার্চুয়াল-রিয়েলিটি-সহায়ক প্রশিক্ষণ, মস্তিষ্ক-কম্পিউটার ইন্টারফেস, পরিধানযোগ্য মনিটরিং, এবং টেলিরিহ্যাবিলিটেশনের জন্য কৃত্রিম বুদ্ধিমত্তা ক্রমবর্ধমানভাবে অন্বেষণ করা হচ্ছে, আরও নতুন যত্ন এবং ক্রমাগত যত্নের জন্য নতুন সুযোগ প্রদান করে।

তবুও তীব্র রোগ নির্ণয়, প্রাথমিক ভবিষ্যদ্বাণী, এবং পুনর্বাসন-নির্দিষ্ট ফলাফলগুলি প্রায়ই বিভিন্ন ক্লিনিকাল প্রশ্নগুলি সম্বোধন করা সত্ত্বেও একসাথে আলোচনা করা হয় এবং অনেক পুনর্বাসন অ্যাপ্লিকেশনগুলি প্রধানত ছোট ডেটাসেট, অভ্যন্তরীণ বৈধতা, বা প্রাথমিক সম্ভাব্যতা অধ্যয়ন দ্বারা সমর্থিত থাকে। প্রযুক্তিগত কর্মক্ষমতা তাই পুনর্বাসন সুবিধার সাথে সমান করা উচিত নয়। এটি একটি কাঠামোগত পর্যালোচনার প্রয়োজন তৈরি করে যা AI অ্যাপ্লিকেশনগুলিকে তাদের ক্লিনিকাল সিদ্ধান্তের পয়েন্ট, পুনর্বাসনের প্রাসঙ্গিকতা, বৈধতা পরিপক্কতা এবং ক্লিনিকাল অনুবাদের জন্য প্রস্তুতির সাথে মানচিত্র করে।”

ওয়েইহুয়া গান, লেখক, গবেষক, ক্যাপিটাল মেডিকেল ইউনিভার্সিটি

এই সমীক্ষায় একটি কাঠামোগত বর্ণনামূলক পর্যালোচনা ডিজাইন ব্যবহার করা হয়েছে, পদ্ধতিগতভাবে PubMed/MEDLINE, IEEE Xplore, Web of Science, এবং Scopus কৃত্রিম বুদ্ধিমত্তা এবং স্ট্রোক পুনর্বাসনের উপর অধ্যয়নের জন্য জানুয়ারী 2010 থেকে মার্চ 2025 পর্যন্ত প্রকাশিত হয়েছে, একটি PRISMA-শৈলী প্রক্রিয়া স্বচ্ছতা উন্নত করতে ব্যবহৃত হয়েছে। ডাটাবেস অনুসন্ধানগুলি 1,247টি রেকর্ড চিহ্নিত করেছে, এবং অনুলিপিকরণ, শিরোনাম এবং বিমূর্ত স্ক্রীনিং এবং পূর্ণ-পাঠ্য মূল্যায়নের পরে, 108টি প্রকাশনা বিষয়ভিত্তিক সংশ্লেষণে অন্তর্ভুক্ত করা হয়েছিল। পর্যালোচকরা অধ্যয়নের নকশা, এআই কৌশল, নমুনার আকার, পুনর্বাসন ডোমেন, ফলাফল, মডেলের কার্যকারিতা, বৈধতা পদ্ধতি এবং রিপোর্ট করা সীমাবদ্ধতা সম্পর্কে তথ্য সংগ্রহ করেছেন। প্রমাণ চারটি প্রধান থিমে সংগঠিত হয়েছিল: পুনর্বাসন-ফলাফলের পূর্বাভাস, পুনর্বাসন মূল্যায়ন এবং পর্যবেক্ষণ, থেরাপিউটিক হস্তক্ষেপ এবং ব্যবস্থাপনা, এবং রোবোটিক্স, ভার্চুয়াল রিয়েলিটি, মস্তিষ্ক-কম্পিউটার ইন্টারফেস, পরিধানযোগ্য প্রযুক্তি এবং টেলিরিহ্যাবিলিটেশনের সাথে এআই-এর একীকরণের জন্য এআই। গুরুত্বপূর্ণভাবে, পর্যালোচনাটি পুনর্বাসন-নির্দিষ্ট ফলাফল থেকে তীব্র ডায়গনিস্টিক বা প্রগনোস্টিক প্রমাণকে আলাদা করে এবং বৈধতা গুণমান, ক্লিনিকাল প্রাসঙ্গিকতা এবং বাস্তবায়নের বাধা অনুযায়ী প্রতিটি আবেদনের মূল্যায়ন করে।

স্ট্রোক পুনর্বাসনে কৃত্রিম বুদ্ধিমত্তার একটি প্রধান প্রয়োগ হল ক্লিনিকাল স্কেল, ইমেজিং, ইইজি, পরিধানযোগ্য-সেন্সর ডেটা এবং জনসংখ্যা সংক্রান্ত তথ্য ব্যবহার করে পরবর্তী কার্যকরী পুনরুদ্ধারের পূর্বাভাস। বিদ্যমান অধ্যয়নগুলি 90-দিনের কার্যকরী অবস্থার ভবিষ্যদ্বাণী, বার্থেল সূচকে পরিবর্তন, মোটর-ফাংশন স্কোর, ভাষা এবং জ্ঞানীয় পুনরুদ্ধার, জীবনমানের উন্নতি, এবং দীর্ঘমেয়াদী মৃত্যুহার, মেশিন লার্নিং ব্যবহার করে, গভীর শিক্ষা, এবং পুনরুদ্ধারের গতিপথের সাথে যুক্ত কারণগুলি সনাক্ত করতে ব্যাখ্যাযোগ্য মডেলগুলি অন্বেষণ করেছে৷ তীব্র ইমেজিং এবং প্রারম্ভিক প্রগনোস্টিক মডেলগুলি ক্ষতের বোঝা, প্রাথমিক তীব্রতা এবং চিকিত্সার প্রতিক্রিয়া সম্পর্কে বেসলাইন তথ্য সরবরাহ করতে পারে যা পরবর্তী পুনর্বাসন পরিকল্পনাকে অবহিত করতে পারে, যেখানে পুনর্বাসন-নির্দিষ্ট ভবিষ্যদ্বাণী মোটর ফাংশনের পরিবর্তন, দৈনন্দিন জীবনযাত্রার ক্রিয়াকলাপ, অংশগ্রহণ এবং সময়ের সাথে রোগীর রিপোর্ট করা ফলাফলের উপর আরও সরাসরি ফোকাস করে। যাইহোক, বেশিরভাগ অধ্যয়ন পূর্ববর্তী, ছোট বা একক কেন্দ্রে থাকে এবং প্রধানত অভ্যন্তরীণ বৈধতার উপর নির্ভর করে, যখন স্বাধীন বহুকেন্দ্র বহিরাগত বৈধতা এবং সম্ভাব্য ক্লিনিকাল-প্রভাব অধ্যয়ন এখনও অস্বাভাবিক। অতএব, দৃঢ় ভবিষ্যদ্বাণীমূলক নির্ভুলতা ঝুঁকি স্তরবিন্যাসের সম্ভাব্যতা নির্দেশ করে, কিন্তু নিজে থেকে প্রমাণ করে না যে AI-নির্দেশিত চিকিত্সা পুনর্বাসনের ফলাফলগুলিকে উন্নত করে।

কৃত্রিম বুদ্ধিমত্তা ক্রমবর্ধমানভাবে মোটর ফাংশন, ভঙ্গি, গাইট এবং স্ট্রোকের পরে পুনর্বাসনের অগ্রগতির মূল্যায়ন এবং ক্রমাগত পর্যবেক্ষণ স্বয়ংক্রিয় করতে ব্যবহৃত হচ্ছে, প্রচলিত ক্লিনিকাল স্কেল এবং পর্যায়ক্রমিক ফলো-আপের পরিপূরক। বিদ্যমান সিস্টেমগুলি ইইজি, ইএমজি, পরিধানযোগ্য সেন্সর, মোশন ট্র্যাকিং এবং হোম-মনিটরিং ডেটাকে মুভমেন্ট প্যাটার্ন, ব্যায়ামের গুণমান এবং কার্যকরী পরিবর্তনগুলি পরিমাপ করতে একত্রিত করে, যখন মেশিন লার্নিং অস্বাভাবিক গতিবিধি সনাক্ত করতে পারে বা ক্লিনিকাল মোটর স্কোর অনুমান করতে পারে। পরিধানযোগ্য এবং দূরবর্তী-মনিটরিং প্রযুক্তিগুলি বাড়িতে মূল্যায়নকে আরও প্রসারিত করতে পারে, পুনর্বাসন আনুগত্য এবং অগ্রগতির অনুদৈর্ঘ্য তথ্য প্রদান করে। যাইহোক, অনেক গবেষণা এখনও প্রাথমিকভাবে প্রযুক্তিগত সম্ভাব্যতা, শ্রেণিবিন্যাস নির্ভুলতা, বা স্বল্পমেয়াদী সারোগেট ফলাফলের উপর ফোকাস করে এবং সাধারণত ছোট নমুনা, একক-কেন্দ্র ডেটাসেট এবং সীমিত স্বাধীন বাহ্যিক বৈধতা জড়িত। ডিভাইস, ডেটা ফরম্যাট এবং মূল্যায়নের সময়সূচীতে ভিন্নতাও সাধারণীকরণকে সীমাবদ্ধ করে। ভবিষ্যত কাজের তাই আরও মানসম্মত ফলাফলের ব্যবস্থা এবং ডেটা পাইপলাইন স্থাপন করা উচিত এবং AI-ভিত্তিক পর্যবেক্ষণ অর্থপূর্ণভাবে পুনর্বাসনের সিদ্ধান্ত এবং রোগীর ফলাফলগুলিকে উন্নত করতে পারে কিনা তা নির্ধারণ করতে বহুকেন্দ্র, দীর্ঘমেয়াদী, সম্ভাব্য অধ্যয়ন ব্যবহার করা উচিত।

ভবিষ্যদ্বাণী এবং পর্যবেক্ষণের বাইরে, কৃত্রিম বুদ্ধিমত্তা ক্রমবর্ধমানভাবে অন্বেষণ করা হচ্ছে পুনর্বাসন সমন্বয় এবং স্ট্রোকের পরে সহায়ক প্রযুক্তির সমন্বিত ব্যবহারকে সমর্থন করার জন্য। বর্তমান পন্থাগুলোর লক্ষ্য হল প্রশিক্ষণের তীব্রতা, কাজের অসুবিধা, এবং ফিডব্যাক ফ্রিকোয়েন্সি মোটর পারফরম্যান্স, জ্ঞানীয় অবস্থা, এবং সেন্সর থেকে প্রাপ্ত তথ্য অনুযায়ী, পুনর্বাসন রোবট, ভার্চুয়াল রিয়েলিটি, মস্তিষ্ক-কম্পিউটার ইন্টারফেস, পরিধানযোগ্য ডিভাইস এবং টেলিরিহ্যাবিলিটেশন প্ল্যাটফর্মের সাথে এআইকে একীভূত করা। রোবোটিক সিস্টেমগুলি মানসম্মত সহায়তামূলক চলাচল সরবরাহ করতে পারে, ভার্চুয়াল বাস্তবতা ইন্টারেক্টিভ টাস্ক অনুশীলন এবং বর্ধিত প্রতিক্রিয়ার উপর জোর দেয় এবং স্বেচ্ছাসেবী আন্দোলন গুরুতরভাবে সীমিত হলে বাহ্যিক প্রতিক্রিয়া বা সহায়তা নিয়ন্ত্রণ করতে বিসিআইগুলি নিউরাল সংকেত ব্যবহার করতে পারে। যাইহোক, এই প্রযুক্তিগুলি বর্তমানে প্রধানত পুনর্বাসন সহায়ক হিসাবে কাজ করে, যার বেশিরভাগ প্রমাণ ছোট নমুনা, সংক্ষিপ্ত ফলো-আপ, এবং অনুসন্ধানমূলক বা একক-বাহু গবেষণা থেকে আসে; প্রচলিত পুনর্বাসনের উপর শ্রেষ্ঠত্বের নিশ্চিত প্রমাণ সীমিত। একটি মূল ভবিষ্যত দিক হল রোগী-কেন্দ্রিক ক্লোজড-লুপ সিস্টেমের বিকাশ যেখানে EEG, EMG, এবং পরিধানযোগ্য-সেন্সর সিগন্যাল ক্লিনিকাল তত্ত্বাবধান, আন্তঃকার্যযোগ্যতা, সামর্থ্য এবং নিয়মিত পুনর্বাসন কর্মপ্রবাহের সাথে সামঞ্জস্য বজায় রেখে গতিশীলভাবে রোবোটিক সহায়তা, বর্ধিত-বাস্তবতা কাজ এবং দূরবর্তী প্রতিক্রিয়া সমন্বয় করে।

স্ট্রোক পুনর্বাসনের পূর্বাভাস, মূল্যায়ন এবং সহায়ক হস্তক্ষেপের জন্য কৃত্রিম বুদ্ধিমত্তার ক্রমবর্ধমান সম্ভাবনা থাকা সত্ত্বেও, ক্লিনিকাল অনুবাদ ডেটা, মডেলিং এবং বাস্তবায়নের চ্যালেঞ্জগুলির দ্বারা সীমাবদ্ধ রয়ে গেছে। পুনর্বাসন ডেটাসেটগুলি প্রায়শই ছোট, ভিন্নধর্মী এবং অসামঞ্জস্যপূর্ণভাবে নমুনা করা হয়, যখন মাল্টিমোডাল ক্লিনিকাল এবং সেন্সর ডেটা প্রমিত করা কঠিন থেকে যায়, ওভারফিটিং ঝুঁকি বাড়ায় এবং ক্রস-প্রাতিষ্ঠানিক সাধারণীকরণ সীমিত করে। উপরন্তু, জটিল মডেলগুলির “ব্ল্যাক-বক্স” প্রকৃতি ক্লিনিকাল ব্যাখ্যাযোগ্যতা এবং বিশ্বাসকে হ্রাস করতে পারে এবং শুধুমাত্র উন্নত ভবিষ্যদ্বাণীমূলক নির্ভুলতা উন্নত চিকিত্সার সিদ্ধান্ত বা রোগীর ফলাফলের গ্যারান্টি দেয় না।

পরিধানযোগ্য মনিটরিং, হোম পুনর্বাসন, এবং রিমোট-কেয়ার প্ল্যাটফর্মগুলি গোপনীয়তা, নিরাপত্তা, ডেটা ভাগ করে নেওয়া এবং ডিভাইসের নির্ভরযোগ্যতা সম্পর্কিত উদ্বেগও বাড়ায়। ভবিষ্যত গবেষণায় মাল্টি-সেন্টার বাহ্যিক বৈধতা এবং সম্ভাব্য ক্লিনিকাল ট্রায়ালের উপর জোর দেওয়া উচিত যখন সত্যিকারের ক্লোজড-লুপ পুনর্বাসন সিস্টেমগুলি বিকাশ করে যা ক্লিনিকাল তথ্য, ইমেজিং, ইইজি, ইএমজি, এবং পরিধানযোগ্য-সেন্সর ডেটাকে গতিশীলভাবে রোবোটিক সহায়তা, বর্ধিত-বাস্তবতার প্রশিক্ষণ এবং রিমোট ফিডব্যাককে সামঞ্জস্য করতে একত্রিত করে।

“ব্যাখ্যাযোগ্যতা, আন্তঃকার্যযোগ্যতা, ব্যয়-কার্যকারিতা এবং ন্যায্যতার দিকেও বৃহত্তর মনোযোগ অত্যাবশ্যক হবে, এআইকে চিকিত্সকদের প্রতিস্থাপনের পরিবর্তে বহু-বিষয়ক যত্নের সংযোজন হিসাবে স্থান দেওয়া হবে।” বলেছেন Weihua গান.

কাগজটির লেখকদের মধ্যে রয়েছে ওয়েইহুয়া সং, শুয়াই সি, ইংহুই ওয়াং, হং চ্যাং এবং জিয়াওয়িং ট্যাং।