Robot terapeutyczny, który rozumie mowę i uczy się sam, zamiast czekać na programistę

Koszt godziny pracy programisty robotyki medycznej w USA oscyluje wokół 180 dolarów. Dla szpitala z flotą pięciu egzoszkieletów, gdzie każdy wymaga osobnej konfiguracji pod nowe procedury terapeutyczne, miesięczny rachunek za zmiany w oprogramowaniu jest pięciocyfrowy. Metoda Prompt-Driven Exploration pokazuje, jak można to obejść, oddając fizjoterapeucie narzędzie do uczenia robota za pomocą zwykłej instrukcji słownej.

Gdzie leży problem z dzisiejszymi robotami rehabilitacyjnymi

Współczesne egzoszkielety medyczne, takie jak modele Ekso Bionics czy Hocoma Lokomat, świetnie radzą sobie z powtarzalnymi, zaprogramowanymi sekwencjami. Problem zaczyna się, gdy fizjoterapeuta chce wprowadzić nowe ćwiczenie albo zmodyfikować istniejące pod konkretnego pacjenta. Każda zmiana trajektorii ruchu, siły wspomagania czy zakresu kąta wymaga interwencji integratora, który przeliczy kinematykę, wgra parametry i przetestuje. W dużym szpitalu rehabilitacyjnym, gdzie dziennie przez salę przewija się trzydziestu pacjentów z różnymi urazami rdzenia, sztywne protokoły generują przestój sprzętu i frustrację personelu.

Standardowe metody uczenia ze wzmocnieniem (RL) w robotyce próbują rozwiązać to przez dodawanie szumu do akcji - robot delikatnie modyfikuje ruchy i sprawdza, czy efekt jest lepszy. Działa to przy lokalnych poprawkach, ale zawodzi, gdy potrzebna jest globalna zmiana strategii. Żeby nauczyć robota wspomagania przy wstawaniu z wózka zamiast standardowego marszu po bieżni, samo zaburzenie istniejącej trajektorii nie wystarczy. Potrzeba kompletnie nowej sekwencji działań.

Prompt-Driven Exploration: sposób, w jaki robot sam znajduje nowe ćwiczenia

PDE odwraca logikę programowania robota. Zamiast inżynierii trajektorii, fizjoterapeuta podaje opis w języku naturalnym: "prowadź ramię pacjenta po łuku od biodra do barku z maksymalnym odciążeniem w górnej fazie". Model VLA (Vision-Language-Action), który łączy analizę obrazu z generowaniem sekwencji ruchów, traktuje ten opis jako prompt startowy. Wykonuje próbny ruch z pacjentem lub na modelu symulacyjnym, nagrywa wideo rolloutu, a następnie system VLM (Vision-Language Model) analizuje nagranie. Porównuje wykonanie z celem zapisanym w prompcie i diagnozuje: trajektoria ma prawidłowy kształt, ale odciążenie w górnej fazie wynosi tylko 40% zamiast wymaganych 80%.

Na podstawie tej diagnozy VLM automatycznie przepisuje prompt. Nowa wersja może brzmieć: "prowadź ramię pacjenta po łuku od biodra do barku, zwiększając siłę wspomagania o 15% w ostatniej tercji ruchu i podtrzymaj maksymalne odciążenie przez 2 sekundy na szczycie". Robot wykonuje kolejną próbę i cykl się powtarza. To klasyczne próbkowanie a posteriori w uczeniu ze wzmocnieniem, ale zrealizowane na poziomie promptów językowych, nie akcji. Kluczowa innowacja: system działa nawet wtedy, gdy pierwszy rollout jest kompletną porażką i nagroda wynosi zero.

Scenariusz: oddział rehabilitacji po udarach z trzema egzoszkieletami

Weźmy konkretny przypadek. Szpital rehabilitacyjny z oddziałem udarowym ma trzy egzoszkielety. Przyjmuje dziennie 45 pacjentów w różnym stanie: od świeżych udarów z jednostronnym niedowładem po pacjentów pół roku po incydencie, pracujących nad precyzją chwytu. Do tej pory zespół trzech fizjoterapeutów korzystał z pięciu standardowych protokołów wgranych przez producenta. Protokół szósty - ćwiczenie unoszenia przedramienia z supinacją nadgarstka - klinicznie okazał się najlepszy dla pacjentów z grupy "early recovery" według wewnętrznych danych z ostatnich sześciu miesięcy, ale nie istnieje jako ruch wgrany w system.

Z PDE, fizjoterapeuta otwiera interfejs tekstowy, wpisuje: "Wspomagaj unoszenie przedramienia pacjenta od pozycji neutralnej do kąta 120 stopni w łokciu, z jednoczesną rotacją zewnętrzną nadgarstka od 0 do 60 stopni w końcowej fazie ruchu. Siła wspomagania ma być odwrotnie proporcjonalna do siły mięśniowej pacjenta mierzonej w czasie rzeczywistym". Robot wykonuje pierwszą próbę na symulacji biomechanicznej i dostaje zero punktów, bo supinacja zachodzi za wcześnie, destabilizując bark. VLM ogląda wideo, przepisuje prompt, przesuwając moment rozpoczęcia rotacji nadgarstka na ostatnie 30% ruchu. Po pięciu iteracjach trwających łącznie 8 minut na symulacji, robot znajduje optymalną trajektorię. Fizjoterapeuta zatwierdza, pierwszy pacjent testowy wykonuje ćwiczenie, a dane z jego sesji wideo są z powrotem analizowane, żeby dostroić siłę wspomagania pod jego konkretną odpowiedź mięśniową.

Korzyści i liczby, które interesują dyrektora placówki

Z moich rozmów z dwoma integratorami robotyki medycznej w Polsce wynika, że koszt zaprogramowania jednego nowego ćwiczenia dla egzoszkieletu przez zewnętrzną firmę to 2500 do 4000 złotych i średnio 5 dni roboczych. Szpital z pięcioma robotami i potrzebą 6 do 8 nowych procedur rocznie wydaje na to około 130 tysięcy złotych. Największą pozycją ukrytą jest jednak przestój sprzętu, kiedy czeka się na programistę. Egzoszkielet niepracujący przez tydzień to utracone terapie dla 30-35 pacjentów i koszt alternatywny liczony w opóźnieniu ich powrotu do sprawności.

PDE nie eliminuje integratora całkowicie - ktoś musi nadzorować proces i zatwierdzać wyniki. Ale skraca czas wdrożenia nowego ćwiczenia z 5 dni do jednej zmiany terapeutycznej. Przy założeniu symulacji w chmurze na GPU A100, koszt obliczeniowy pojedynczego prompt-tuning cycle to około 80 centów. Pięć iteracji to marne 4 dolary. To nie jest "dwa razy taniej", to są dwa rzędy wielkości różnicy i zmiana kategorii wydatku z CAPEX na coś, co wchodzi w koszty operacyjne fizjoterapii.

Wnioski: nie zastępuje terapii, odblokowuje ją

Prompt-Driven Exploration w rehabilitacji robotycznej nie jest magiczną różdżką. Wymaga sprzętu z czujnikami siły i kamerą do rejestracji rolloutu, łącza do chmury obliczeniowej z GPU i fizjoterapeutów gotowych opisywać ćwiczenia w precyzyjnym, choć naturalnym języku. W zamian rozwiązuje realny problem wąskiego gardła, jakim jest dziś programowanie tych maszyn. Fizjoterapeuta, który przed obchodem wpisuje trzy zdania i dostaje działającą sekwencję na następną sesję, pracuje inaczej niż ten, który czeka na bilet w JIRA integratora. W pilotażu warto zacząć od jednego robota i trzech typów ćwiczeń dla jednorodnej grupy pacjentów, na przykład świeżych udarów, gdzie dane z wideo są czytelne, a postępy szybkie do zweryfikowania.

• Skrócenie czasu wdrożenia nowej procedury terapeutycznej z 5 dni do jednej zmiany terapeutycznej
• Redukcja kosztu pojedynczej konfiguracji ćwiczenia z 2500+ zl do około 4 USD kosztu obliczeniowego GPU
• Personalizacja terapii w czasie rzeczywistym na podstawie wideo z sesji pacjenta

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.