BIOLAN et AITA MENNI cherchent à améliorer les processus de neuro réhabilitation post-AVC grâce à l’intégration de l’IA

HOME » actualités » BIOLAN et AITA MENNI cherchent à améliorer les processus de neuro réhabilitation post-AVC grâce à l’intégration de l’IA

Cette collaboration vise à créer des modèles d’intelligence artificielle qui mettent en corrélation les données physiologiques, cliniques et génétiques avec les résultats de la neuroréhabilitation afin de créer un système capable de personnaliser les traitements en fonction de l’évolution de chaque patient.

La collaboration entre BIOLAN et AITA MENNI envisage le développement d’un système de neuroréhabilitation pour les patients post-AVC qui permette d’appliquer des niveaux de personnalisation des traitements qui n’ont pas été atteints jusqu’à présent, en les rendant plus précis et adaptatifs afin de réduire la dépendance des patients et d’améliorer leur qualité de vie. Cela sera possible grâce à l’application de modèles d’intelligence artificielle et à leur intégration avec des données provenant de différents appareils de mesure.

L’AVC est l’une des principales causes d’invalidité dans le monde, avec plus de 15 millions de cas par an, selon l’Organisation mondiale de la santé (OMS). Les données du gouvernement basque indiquent qu’en 2023, Osakidetza a pris en charge près de 8 900 patients victimes d’un accident vasculaire cérébral.

La récupération est donc un processus long, complexe et coûteux, et actuellement les traitements de neuroréhabilitation n’intègrent pas encore les nouvelles technologies de Big Data et de Machine Learning qui permettent d’analyser les données cliniques, fonctionnelles et biométriques, ce qui permet d’identifier des modèles, de prédire les résultats et d’adapter les traitements aux besoins spécifiques de chaque patient.

C’est pourquoi, dans le cadre de la collaboration, différentes technologies intelligentes seront utilisées pour surveiller les paramètres tout au long du processus de neuroréhabilitation, ce qui fournira des données précieuses pour la génération de modèles capables de prédire l’évolution du patient et donc d’ajuster dynamiquement les traitements en conséquence.