Outils pour la rééducation fonctionnelle du membre supérieur pour l’enfant atteint de paralysie cérébrale et troubles afférents
Le projet CPLAY est né de la volonté d’utiliser les jouets des enfants pour leur évaluation et leur rééducation, de la manière la plus écologique possible. Plusieurs constats motivent cette idée. Sur le terrain, nous constatons qu’il est compliqué d’évaluer la motricité des membres supérieurs de manière objective. Les évaluations sont faites en laboratoire. Si des objets du quotidien sont utilisés (peigne, jouets, gobelets…), le seul moyen actuellement à notre disposition pour comparer les performances de l’enfant est de le filmer durant l’utilisation de ces objets, et d’observer ensuite les différentes vidéos. Nous ne disposons donc pas de données chiffrées sur la capacité de l’enfant à orienter les objets dans l’espace, et sur leur pourcentage d’utilisation par l’un ou l’autre des membres supérieurs. En plus de ces préoccupations liées à l’évaluation, disposer de telles données chiffrées permettrait de mettre en place une rééducation intensive du membre supérieur. En effet, évaluer le mouvement en temps réel peut permettre de proposer un feedback lorsque l’on veut encourager sa réalisation.
A la faveur d’une collaboration entre la Fondation Ellen Poidatz, le LAGA, le CEA list, la Fondation Hopale et l’entreprise Dynseo, le projet CPLAY a vu le jour pour répondre à ces préoccupations. Le but de ce projet est d’équiper différents objets du quotidien de capteurs embarqués qui permettront d’obtenir en temps réel des données chiffrées et objectives sur la performance des membres supérieurs de l’enfant. Une bourse a été accordée en 2020 par l’Agence Nationale de la Recherche pour mener à bien ce projet.
Depuis le lancement opérationnel du projet en 2021, des analyses de besoins avec les professionnels de rééducation et des pré-expérimentations ont été réalisées. Un protocole de recherche clinique RIPH3 a été initié suite à l’accord du CPP pour constituer un corpus de données qui permettra d’entrainer des modèles d’intelligence artificielle destinés à reconnaitre des activités motrices des jeunes sur la base des données recueillies par les capteurs instrumentant les objets.
