Rehablogi

Kuntoutuksen ja terveydenhuollon hyviä käytänteitä kehittämässä Tilaa RSS-syöte

Virtuaaliympäristöt kuntoutumisen tueksi
5.5.2023
Sanna Garam, Tuija Laakso, Sari Lintukorpi, Pekka Paalasmaa ja Hanna Samposalo

Kuntoutujan aseman ja hänelle kuntoutumisestaan koituvan hyödyn kannalta on tärkeää, että palvelut suunnitellaan ja toteutetaan yksilöllisesti kuntoutujan arkeen sopivaksi. Kun kuntoutuja nähdään aktiivisena, oman kuntoutumisensa tavoitteiden ja sisällön suunnitteluun osallistuvana, se edellyttää kuntoutumista tukevan virtuaaliteknologian ja virtuaaliympäristöjen käytön räätälöintiä. Kuntoutuminen on kuntoutujan arjen ympäristöissä tapahtuvaa kuntoutujan ja hänen läheistensä sekä asiantuntijoiden yhteistyötä.  He yhdessä rakentavat kuntoutumista mahdollistavaa tavoitteellista yhteistoimintaa kuntoutujan arkeen. Virtuaaliteknologiaa hyödyntävä kuntoutumisen tukeminen mahdollistaa parhaimmillaan kuntoutumisen toteutumisen itsenäisesti lähiympäristön tukemana. Tässä blogikirjoituksessa tarkastellaan Virtuaalikuntoutusverkostot-hankkeessa saatua ymmärrystä ja kokemuksia virtuaaliteknologian ja virtuaaliympäristöjen hyödyntämisestä kuntoutumisen tukena. Virtuaaliteknologia ja kuntoutuminen Virtuaaliteknologian hyödyntäminen kuntoutumisen tukena voi mahdollistaa kuntoutumisprosessin samojen sisältöjen toteuttamisen kasvokkain tai virtuaalisesti kuntoutujan yksilölliset tarpeet huomioiden.  Virtuaaliteknologian käyttö kuntoutuksessa lisää myös kuntoutuspalvelujen saatavuutta, kun kuntoutuminen ei ole sidottu tiettyyn kuntoutuspalvelun tarjoajan määrittämään paikkaan ja aikaan. Tällöin myös kuntoutumisen omaehtoisuus vahvistuu. Kuntoutuminen perustuu vuorovaikutukseen. Ihannetilanteessa virtuaaliteknologian avulla voidaan luoda uusia tapoja olla vuorovaikutuksessa, parhaimmillaan niin, että se yhdistää samanaikaisesti kuntoutujan, hänen läheisensä ja ammattilaiset samaan todelliseen tai virtuaaliseen ympäristöön. Virtuaaliympäristöissä on mahdollista luoda uusia tapoja myös ryhmässä tapahtuvaan kuntoutumiseen. Kuntoutuminen arjen ympäristössä on vuorovaikutusta ihmisten kesken, mutta myös oppimisprosessi itsen ja ympäristön välisessä suhteessa. Virtuaaliteknologian keinoin voidaan luoda mm. mahdollisuuksia fasilitoida kodin toimintojen oppimistilanteita laaja-alaisesti esim. ruokailuun liittyen aterian valmistuksesta astioiden tiskaamiseen asti.  Ruokailun toimintojen vaiheistaminen oppimisprosessiksi onnistuu virtuaaliteknologin avulla hyvin, samoin oppimista tukevan palautejärjestelmän rakentaminen erilaisiksi tavoitteellista kuntoutumista tukeviksi toiminnallisuuksiksi. Kuntoutujan arjessa voivat tulla tarpeelliseksi myös kodin muutostyöprosessit. Virtuaaliteknologia voi olla apuna kuntoutujalle kodin turvallisuuden ja muutosten mahdollisuuksien tiedostamisessa sekä kuntoutujan ja ammattilaisen yhteisessä päätöksentekoprosessissa (Hwang & Shim, 2021). Glegg ja Levac (2018) käsittelevät scoping-katsauksessaan edistäviä tekijöitä, rajoitteita ja toteutusta liittyen virtuaalitodellisuuden sekä aktiivisten videopelien käyttämiseen kuntoutuksessa. He esittävät suosituksia myös ammattilaisten kompetenssin sekä kliinisen toteutuksen kehittämiseksi, esimerkiksi teknologian käyttämiseen vaikuttavien rajoitusten ja edistävien tekijöiden selvittäminen. Yleisesti virtuaaliteknologiainterventioiden kehittymiseksi tarvitaan yhteistyötä loppukäyttäjien, terveydenhuollon ammattilaisten ja teknologian kehittäjien kesken koko teknologioiden kehittämisprosessissa (Glegg & Levac 2018, Van der Linde-van den Bor ym. 2021). Näin on myös kuntoutumista tukevien virtuaaliympäristöjen osalta.   Kokemuksia virtuaalikuntoutuksesta, kurkistus tulevaisuuteen Virtuaaliteknologian käyttö kuntoutuksessa on Suomessa vielä laajamittaisesti varsin uutta niin käytännön kuin tutkimuksen tasolla. Ilves ja kumppanit (2022) ovat tuottaneet tuoreen, mittavan kansainvälisen ja järjestelmällisen raportin kirjallisuuskatsauksista robottien, virtuaalitodellisuuden ja lisätyn todellisuuden vaikuttavuudesta ja merkityksellisyydestä lääkinnällisessä kuntoutuksessa. Virtuaalikuntoutusverkostot-hankkeessa saamamme kokemukset ovat hyvin samansuuntaisia tästä katsauksesta nousevien havaintojen kanssa. Kuntoutujan näkökulmasta virtuaaliteknologia tuo kuntoutukseen ja kuntoutumiseen hallittavuutta sekä harjoitteiden toistettavuutta. Teknologia itsessään mahdollistaa harjoitteiden toistettavuuden ja sovelluskohtaisen palautteen antamisen. Tämän lisäksi virtuaaliympäristön mukaansatempaavuus eli immersiivisyys tuo toistoihin uudenlaista motivaatiota ja heittäytymistä, jota voi olla haastavaa tavoittaa perinteisen kuntoutuksen keinoin. Yhtenä virtuaaliteknologian mahdollisuutena pidetäänkin kuntouksen pelillisyyttä, joka yhdessä kuntouttavan sisällön ja ympäristön kanssa tarjoaa haasteita yksilöllisellä otteella. Pelillisyys asettaa tiettyjä vaatimuksia kuntoutujalla, eikä pelillisyys saisi olla motivaatiota laskeva tai jopa kuntoutusta estävä asia. Virtuaalikuntoutusverkosto -hankkeen aikana koottujen kokemusten pohjalta pelillisyyden ajatellaan toimivan erityisesti lasten ja nuorten kuntoutuksessa, mutta erityistä innostusta virtuaalimaailmassa toimimiseen on havaittu myös ikäihmisillä. Virtuaaliteknologian etuna on kuntoutujan vieminen ympäristöihin, joihin pääsy olisi muutoin haastavaa tai jopa mahdotonta – kävelylle kansallispuistoon tai soutelemaan järvimaisemaan. Turvallisuus on kuntoutuksessa ensiarvoisen tärkeää, näin myös hyödynnettäessä virtuaaliteknologiaa. Turvallisuus liittyy niin kuntoutujan fyysiseen, sosiaaliseen että psyykkiseen ympäristöön. Fyysisen ympäristön turvallisuudesta on huolehdittava huolellisesti, jolloin VR-lasit päässä ei törmätä esimerkiksi huonekaluihin. Kuntouttavien harjoitteiden kannalta fyysinen turvallisuus on niin ikään tärkeää ja kuntoutujalle kohdennetun palautteen avulla tulee varmistua, että liikkeet tai muut harjoitteet tehdään oikein ja kuntoutusta tai kuntoutumista edistävästi. Fyysisen turvallisuuden lisäksi on huomioitava, että kuntoutuja kokee olonsa turvalliseksi toimiessaan virtuaaliympäristössä – kuntoutus tapahtuu vuorovaikutuksessa ja siten on tärkeää huomioida myös sosiaalinen ja psyykkinen ulottuvuus. Kuntoutuja voi esimerkiksi uppoutua helposti virtuaaliympäristöön ja ulkopuolinen maailma ikään kuin unohtuu. Tällöin esimerkiksi avun pyytäminen tai jopa liian haastavasta tilanteesta poispääseminen voi olla vaikeaa.   Virtuaalikuntoutus innostaa ja haastaa Virtuaaliteknologian hyödyntämiseen kuntoutuksessa liittyy yhä useita epäselviä asioita ja haasteita. Eettisyys on kiistatta yksi tärkeimmistä, mikä näkyy erityisesti niiden erityisryhmien osalta, joiden on haastavaa ilmaista itseään. Tätä pohdittiin Virtuaalikuntoutusverkostot -hankkeessa mm. kehitysvammaisten kuntoutujien osalta, joilla voi olla haastavaa tuoda tuntemuksensa esille – näin kuntouttavasta kokemuksesta voi tulla jopa ahdistavaa ja siten kuntoutumista estävää. Kuntoutujan yksilöllinen tilanne ja toimintakyky tuleekin huomioida tarkoin suunniteltaessa virtuaaliteknologian hyödyntämistä kuntoutuksessa. Esimerkiksi lapsikuntoutujilla virtuaalilasien käytölle on perustellut käyttöaikarajoitukset ikään ja näköjärjestelmän kehitykseen liittyen. VR-lasien käyttöä suositellaankin tavallisesti yli 12-vuotiaille lapsille. Virtuaaliympäristöissä toimimisessa on paljon potentiaalia, ja käyttö on kuntoutuksen osalta tällä hetkellä vasta alussa. Koetut hyödyt liittyvät uudenlaiseen tapaan toimia, joka voi lisätä motivaatiota sekä tuoda iloa ja virkistystä kuntoutukseen. Virtuaaliteknologiaa voidaan myös hyödyntää kuntoutuksen vaikuttavuuden ja tehokkuuden arvioinnissa. Virtuaalikuntoutusverkostot-hankkeen aikana koettiin useita ahaa-elämyksiä ja virtuaaliteknologioiden nähdään jatkossa täydentävän perinteistä kuntoutusta. Ilves ja kumppanit (2022) toteavat kirjallisuuskatsauksessaan, että virtuaalitodellisuutta hyödyntävä kuntoutus on todettu joko vaikuttavammaksi tai yhtä vaikuttavaksi kuin tavanomainen kuntoutus (Ilves ym. 2022). Tutkimustietoa ja kokemuksia virtuaaliteknologian ja virtuaaliympäristöjen hyödyntämisestä kuntoutuksessa tarvitaan kuitenkin lisää. Erityisesti kuntouttavat ja yksilöllisesti sopeutettavat virtuaalisisällöt ovat tarpeen niin kuntoutujille ja kuin kuntouttajille. Verkostoyhteistyöllä vauhtia tekoälypohjaisten virtuaaliteknologioiden saavutettavuuteen kuntoutuksessa -hanke on OKM-rahoitteinen hanke, jonka tavoitteena on koota yhteen tekoälyn, virtuaaliteknologian, saavutettavuuden, kuntoutuksen ja hyvinvoinnin asiantuntijaryhmiä tuottamaan tekoälypohjaisen virtuaaliteknologian osaamista kuntoutuksen ammattilaisille ja kuntoutujille opiskelu-, työ- ja toimintakyvyn edistämiseen. Hankepartnerit ovat Tampereen ammattikorkeakoulu (TAMK), Metropolia Ammattikorkeakoulu, Satakunnan ammattikorkeakoulu (SAMK) ja Tampereen yliopisto. Kirjoittajat: Sanna Garam on fysioterapian lehtori Metropolia Ammattikorkeakoulussa. Hän toimii mm. hankkeissa, työterveyshuollon koulutuksessa sekä ohjaa opinnäytetöitä. Häntä kiinnostaa teknologian käyttäminen kuntoutumisen tukena. Tuija Laakso, sosionomikoulutuksen lehtori, YTM sosiaalityöntekijä, Ratkaisukeskeinen neuropsykiatrinen valmentaja. Sosiaalinen kuntoutuminen ja sosiaalisen toimintakyvyn tukeminen on ollut läsnä kaikessa kentällä tekemässäni ikäihmisten palveluissa, aikuissosiaalityössä ja työllisyyspalveluissa sekä lastensuojelussa. Sari Lintukorpi on fysioterapian lehtori SAMKissa. Kiinnostuksen kohteena on uusi teknologia ja sen hyödyntäminen kuntoutuksessa. Pekka Paalasmaa on yliopettaja Metropolia Ammattikorkeakoulussa. Häntä kiinnostaa kuntoutujan aseman vahvistuminen myös teknologiaa hyödyntävässä kuntoutumisessa. Hanna Samposalo työskentelee projektipäällikkönä Tampereen yliopistossa. Hän toimii useissa vuorovaikutteisen teknologin hankkeissa. Lähteet Ilves O, Korpi H, Honkanen S. Aartolahti, E. Robottien, virtuaalitodellisuuden ja lisätyn todellisuuden vaikuttavuus ja merkityksellisyys lääkinnällisessä kuntoutuksessa. Järjestelmälliset kirjallisuuskatsaukset. Kela Sosiaali- ja terveysturvan tutkimuksia, 2022. https://helda.helsinki.fi/handle/10138/344398 Glegg S, Levac D. Barriers, Facilitators and Interventions to Support Virtual Reality Implementation in Rehabilitation: A Scoping Review. PM&R. 2018; 10 (11): 1237-1251.e1. https://pubmed.ncbi.nlm.nih.gov/30503231/ Hwang N-K, Shim S-H. Use of Virtual Reality Technology to Support the Home Modification Process: A Scoping Review. Int. J. Environ. Res. Public Health. 2021; 18: 11096. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8583645/ van der Linde-van den Bora M,  Slondb F,  Liesdeka O, Suykera W, Weldama S. The use of virtual reality in patient education related to medical somatic treatment: A scoping review. Patient Education and Counseling. 2022; 105: 1828–1841. https://www.sciencedirect.com/science/article/pii/S073839912100793X?via%3Dihub

Lue lisää

Tekoälypohjaista liikeanalyysia voi hyödyntää toimintakyvyn arvioinnissa
21.4.2023
Tom Thiel ja Anu Valtonen

Tekoälypohjainen liikkumisen analysoinnin teknologia tarjoaa lupaavia mahdollisuuksia objektiiviseen ja automaattisen toimintakyvyn arviointiin ja kuntoutustulosten seurantaan. Viime vuosien aikana konenäköön perustuvien ihmiskehon liikkeitä seuraavien mallien tarkkuus ja keveys ovat siirtyneet sellaiselle tasolle, että niitä voidaan käyttää kannettavilla tietokoneilla ja älypuhelimilla. Mallien pohjalta kehitettyjä sovelluksia voidaan jatkossa hyödyntää niin urheiluvalmennuksessa, kliinisessä työssä kuin tutkimuksessakin.   Tausta Metropolia osallistui OKM-rahoitteiseen Verkostoyhteistyöllä vauhtia tekoälypohjaisten virtuaaliteknologioiden saavutettavuuteen kuntoutuksessa -hankkeeseen, jossa etsittiin ja kehitettiin sovelluksia hyödyntäen uusia teknologioita.  Hankkeen tuotoksena Metropolia ammattikorkeakoulun asiantuntijat ja opiskelijat kehittivät yhteistyössä kaksi avoimen lähdekoodin tekoälypohjaista verkkosovellusta, joiden avulla voidaan: analysoida reaaliaikaisesti polven ja lantion asentoa yhden jalan kyykistysliikkeen aikana analysoida sivulta kuvatusta kävelyvideosta alaraajojen suurimpien nivelten kulmamuutoksia.   Asennon tunnistus ja seuranta Ihmisen asentoestimointi (pose estimation) voi kuvailla kyvykkyydeksi tunnistaa ja seurata kehon osia kuvista ja videoista (Zhang et al., 2020). Liikekaappausta on tehty heijastavien, kehoon kiinnitettävien, markkeripallojen avulla jo useita vuosikymmeniä, mutta asentojen ja liikkeiden tarkkaan seuraamiseen on tarvittu laboratorioympäristö, kalliit erikoislaitteet ja koulutettu henkilöstö. Laskentatehon kasvaminen ja konenäön kehittyminen ovat mahdollistaneet asentojen tunnistamisen yhä kevyemmillä välineillä. Markkeriton liikekaappaus, jossa kehon ihmiskehon tunnistaminen tapahtuu suoraan videokuvasta ilman kehon kiinnitettäviä mittalaitteita, perustuu syväopetettujen neuroverkkojen hyödyntämiseen. (Armitano-Lago et al., 2022). Neuroverkkojen opettamiseen on käytetty suuri määrä kuvia ihmisistä ja heidän kehon osista, jotka laskentamalli on oppinut tunnistamaan. Kuva 1 esittää markkeripohjaisen ja markkerittoman liikekaappauksen eroja. Erilaisia konenäköön perustuvia asennon tunnistus algoritmeja on ollut saatavilla jo vuosikymmenen. Vasta viime aikoina algoritmien nopeus, tarkkuus ja keveys on siirtynyt sellaiselle tasolle, että niitä voidaan hyödyntää tavanomaisilla laitteilla, kuten kannettavilla tietokoneilla ja älypuhelimilla. Raajojen asentojen ja liikkeiden lähes reaaliaikainen seuranta luo mahdollisuuden esimerkiksi objektiiviseen ja automaattisen toimintakyvyn arviointiin ja etäkuntoutukseen. (Cronin et al., 2023; Hellsten et al., 2021)   MediaPipe Pose Google Mediapipe on kokoelma avoimen lähdekoodin paketteja, jotka mahdollistavat konenäköön pohjautuvien sovellusten kehittämisen ohjelmointikielillä kuten Pythonilla tai JavaScriptillä. MediaPipea voidaan hyödyntää esimerkiksi viittomakielen tunnistamiseen, ilmeiden tunnistamiseen ja asennon tunnistamiseen (Mediapipe.io) Asentoestimointia MediaPipe Pose -paketissa on hyödynnetty kevyttä BlazePose -algoritmia (Bazarevsky et al., 2020). Se pystyy arvioimaan 33 kehon pisteen liikkeet yhdeltä henkilöltä, käytännössä mistä tahansa kuvasta tai videosta. Yhdistämällä pisteet toisiinsa, saadaan rakennettua henkilöstä kaksiulotteinen (2D) malli. Tämä malli on kehitetty erityisesti reaaliaikaista seurantaa varten ja sen tunnistuksen viive on vain muutamia kymmeniä millisekunteja. Laskentamallin tarkkuus on säädettävissä. Kevyemmillä asetuksilla mallin laskenta toimiin nopeammin, raskaammilla asetuksilla taas luotettavammin. Mediapipen laskentamalleja on pyritty hyödyntämään esimerkiksi reaaliaikaisessa kuntoiluliikkeiden seurannassa  (Chen et al., 2022), kaatumisen tunnistamisessa (Liu et al., 2022) sekä juoksun aika- ja matkamuuttujien mittaamisessa (Young et al., 2023)   Yhdellä kameralla toteutettu liikeanalyysi Kun ihmisen liikettä kuvataan yhdellä kameralla, pysytään siitä analysoimaan tasossa tapahtuvia liikkeitä. Videopohjaisen 2D-analyysin on todettu olevan hyväksyttävä tapa seurata ihmisen liikkeitä frontaalitasossa eli edestä kuvattuna (Schurr et al., 2017; Werner et al., 2019) ja sagittaalitasossa eli sivulta kuvattuna (Ota et al., 2020). Kiertoliikkeiden tulkinta sen sijaan on haastavaa eivätkä konenäköön perustuvat algoritmit ainakaan tällä hetkellä pysty mittaamaan kuvassa syvyyssunnassa tapahtuvia muutoksia luotettavasti. Tämän haasteen kiertämiseksi onkin kehitetty järjestelmiä, joissa useat synkronoidut ja kalibroidut videokamerat keräävät tietoa kolmiulotteiseen (3D) mallin luomiseksi. Vaikka näiden järjestelmien tarkkuus on todettu pääpiirteittäin luotettavaksi (Kanko et al., 2020; Lahkar et al., 2022), vaativat ne jälleen kalliita laitteita ja teknistä osaamista. Yhtä kameraa hyödyntävien 2D-mallien tarkkuudesta on tehty paljon tutkimusta (Wade et al., 2022). Mallien luotettavuutta on testattu valikoiduissa toimintakyvyn arviointiin liittyvissä testeissä, kuten yhden ja kahden jalan kyykistyksessä (Ota et al., 2020), hyppysuorituksissa, kävelyssä ja juoksussa (Ota et al., 2021; Young et al., 2023) ja vesijuoksun aikana (Cronin et al., 2019). Näillä testeillä on selkeitä käyttömahdollisuuksia toimintakyvyn arvioinnissa kuntoutuksessa. Esimerkiksi yhden jalan kyykistyksessä dynaaminen polven valgus voidaan tulkita epäsuotuisaksi liikemalliksi ja tunnistaa alaraajojen vammoihin liittyväksi riskitekijäksi (Mauntel et al., 2014; Räisänen et al., 2018). Toisaalta kävelystä tehtävä analyysi tuo monipuolisesti esiin mahdollisia liikkumisessa esiintyviä rajoitteita tai poikkeamia. Verkostoyhteistyöhankkeen sovellukset   Verkostohankkeen aikana Metropolian asiantuntijat ja opiskelijat kehittivät yhteistyössä kaksi erilaista JavaScript -sovellusta liiketietojen objektiivisen analysointiin. Tavoitteena oli saavuttaa sovelluksista ensimmäinen toimiva kehitysversio, jonka avulla teknologian toimintaa voitiin arvioida. Sovellusten toimintaan liittyvää pilotointia tehtiin kehitystiimin kesken. Kummankin sovelluksen MVP-toteutus (Minimum Viable Product) on siirretty verkkoon vapaasti saataville ja niiden käyttöönotto onnistuu ilman asennuksia. Sovellusten käyttöliittymät pyrittiin pitämään mahdollisimman yksinkertaisena siten, että jatkossa niistä on mahdollista jalostaa kevyitä ja käytännöllisiä työkaluja, jotka soveltuisivat niin kliinikoille, valmentajille kuin tutkijoillekin.   Yhden jalan kyykky -sovellus Ensimmäinen sovelluksista analysoi yhden jalan kyykistysliikettä ja siinä mahdollisesti tapahtuvaa polven sivuttaissuuntaista siirtymää ja lantion kallistuskulmaa. Liikkeeksi valittiin yhden jalan kyykky, koska se on riittävän yksinkertainen suorittaa ja polven linjauksen analysointi edestä katsottuna on suoraviivaista. Lisäksi liikkeen silmämääräistä havainnointia opetetaan Metropolian fysioterapian ja jalkaterapian tutkinto-ohjelmissa osana toimintakyvyn arviointia, joten sovelluksen ajateltiin lisäävän opiskelijoiden ymmärrystä tekoälypohjaisesta tiedonkeruusta ja analysoinnista. Käyttökohteita tälle sovellukselle ovat esimerkiksi etäkuntoutus, liikehallinnan seulonta ja kyykistysliikkeen harjoittelu biopalautteella. Polven valgus-liike tapahtuu kolmiulotteisesti ja siihen liittyy sekä polven sisäkiertoa että abduktiota. Toisaalta on todettu, että pelkkää polven sivuttaissiirtymästä (Kuva 1) mitattua dynaamista valguskulmaa voidaan käyttää luotettavana indikaattorina yhden jalan kyykistysliikkeessä (Mauntel et al., 2014; Oldfather et al., 2020). Niinpä sovellukseen polven frontaalitason kulma määritettiin lonkan ja nilkan nivelpisteiden väliin käyttämällä vektoreiden skalaarituloa (Kaava 1). Kaavaa voidaan käyttää esimerkiksi kolmen pisteen välisen kulman laskemiseen. Sovelluksen kehitys lähti liikkeelle kyykkysuorituksia sisältävien YouTube -videoiden analysoinnista. Tämän jälkeen kehitys jatkui Metropolian innovaatioprojektissa, jossa ohjelmistokehityksen opiskelijat rakensivat käyttöliittymän, tietokannan ja raportointityökalun. Opiskelijat Risto-Matti Leivo ja Samuel Ahjoniemi jatkoivat hankkeessa projektiassistentteina siirtäen sovelluksen kokeiluversion verkkoon kaikkien saataville osoitteeseen https://web-sls-test-tool.rahtiapp.fi FUNETin palvelimet tarjosivat tietoturvallisen ja luotettavan ratkaisun ohjelmistokontin säilytykseen. Sovelluksessa käyttöliittymästä voidaan valita mitattava polvi (vasen / oikea) ja sen jälkeen määritetään haluttu toistojen määrä. Itse mittauksen aikana 2D-malli skaalautuu henkilön koon mukaan ja antaa sekä visuaalisen että auditiivisen palautteen, kun kyykistyminen on riittävän syvä. Toistot lasketaan lonkkanivelen ja nilkkanivelen suhteellisen etäisyyden muutoksista. Mittauksen aikana suoritettujen toistojen määrä näkyy näytöllä. Raportoinnissa (Kuva 2) toistot on interpoloitu 101 (0–100) datapisteeseen. Toistoja voidaan tarkastella graafisesti raportilta ja verrata niiden yhdenmukaisuutta. Käyttöliittymän kautta suoritusta voi toistaa myös videotallenteena. Tietosuojasyistä tunnisteellinen videoaineisto tuhotaan session päätyttyä. Mallista tallennetut koordinaattitiedot sen sijaan säilyvät tietokannassa, ja ne voidaan tuoda CSV-muodossa tutkimuskäyttöä varten. Kokonaisuudessaan kyykkysovelluksen käyttö on tehty hyvin yksinkertaiseksi ja se mahdollistaa nopeat kokeilut. Käyttöliittymän ja raportoinnin jatkokehitystä tullaan tekemään asiantuntijapalautteen perusteella.   Kävelysovellus Toinen hankkeessa kehitetty sovellus pyrkii analysoimaan sivulta kuvatusta kävelystä alaraajojen suurimmat nivelkulmamuutokset ojennus- ja koukistussuunnassa.  Näitä tietoja voidaan hyödyntää esimerkiksi kävelyn aikaisten puolierojen arviointiin. Sovellus analysoi ennalta kuvattuja videoita. Se käy kuva kerrallaan läpi valikoidun videon, kerää talteen maamerkkien koordinaatit, tunnistaa niistä automaattisesti kävelysuunnan, laskee nivelten väliset kulmat, jaksottaa kulmamuutokset askelsykleihin ja tuottaa aineistosta raportin. Käsittely kestää tavanomaisella tietokoneella (i5-1145, 16 GB) noin kaksikymmentä sekuntia. Analysointi tehdään paikallisesti eli videota ei lähetä verkon yli. Tämä nopeuttaa sovelluksen toimintaa ja parantaa sen tietoturvaa. Analysoinnin nopeutta voidaan lisätä käyttämällä tietokonetta, jossa on erillinen grafiikkasuoritin. Sovellusta pääsee kokeilemaan osoitteessa https://s-gait.rahtiapp.fi/ Mielenkiintoinen vaihe sovelluksen kehityksessä liittyi askelsyklin automaattiseen tunnistukseen. Askelsykli mitataan kahden identtisen tapahtuman, esimerkiksi kantakosketuksen, väliltä. Sovelluksessa käytettiin askeltapahtumien määrittämiseen lonkka-, varvas- ja nilkkanivelten siirtymiä eteen-taakse suunnassa eli kuvakoordinaatiston x-akselilla. Tukivaiheen alku määritettiin hetkestä, jolloin lonkan ja kantapään etäisyys ovat maksimissa vartalon etupuolella. Tukivaiheen päättymien puolestaan määritettiin hetkestä, jolloin varpaiden ja lonkan pisteiden etäisyys ovat maksimissa vartalon takana. Tällaisen menetelmän on todettu tunnistavan kriittiset askellustapahtumat yhden ruudun tarkkuudella 94 % tapauksista. (Zeni et al., 2008) Sovellus analysoi molempien alaraajojen suurimpia nivelkulmia sagittaalitasossa. Mittausta varten polven kulma määritettiin samalla tavalla kuin kyykkysovelluksessa. Lonkan ja nilkan osalta kulmien määrittäminen oli haastavampaa, sillä MediaPipen -mallista puuttui oleellisia maamerkkejä tyypillisten kliinisten nivelkulmalaskelmien tekemiseksi. Nilkan ojennus ja koukistuskulmat määriteltiin vertaamalla sääriluun asentoa varpaiden ja kannan väliseen linjaan. Lonkan nivelkulma määriteltiin polven, lonkan ja hartian välille. Sovelluksen toimintaa pilotointiin eri ympäristöissä, eri laatuisilla videoilla, eri kävelynopeuksilla ja muutamilla eri koehenkilöillä. Pilotoinnin yhteydessä huomattiin, että mallia kannattaa ajaa sen raskaimmilla asetuksilla, koska se lisää huomattavasti maamerkkien tunnistamisen ja seurannan luotettavuutta. Toisaalta raskaampi laskentamalli ei hidasta juuri lainakan käsittelyaikaa. Pilotoinnin tuloksena voidaan todeta, että polven osalta sovelluksen mittausta voidaan pitää jokseenkin luotettavana ja tulokset eri kävelynopeuksilla ja ympäristöissä antavat kohtuullisen toistettavia arvoja. Vastaavaan tulokseen on päädytty myös toisessa tutkimuksessa, jossa MediaPipe -mallia on hyödynnetty juoksumatolla (Young et al., 2023). Lonkan osalta mittauksen tuottama käyrä on normaalin muotoista, mutta astelukemat poikkeavat huomattavasti kävelymatolla mitatuista normaaliarvoista (Fukuchi et al., 2018). Nilkan osalta mittaus niin ikään näyttää tyypillisen muotoiselta, mutta vaihteluväli on kaksinkertainen verrattuna normaaliin (Fukuchi et al., 2018). Jotta lonkan mittaus saataisiin luotettavammaksi, täytyisi alaselästä löytyä seurattava maamerkki. Nilkan epätarkkuuteen vaikuttaa puolestaan eniten se, että maamerkkien seuranta ei pysy vakaana. Toinen huomionarvoinen tekijä nilkan seurannassa on, että kannan ja varpaiden välille asetettava suora linja ei lähtökohtaisesti tunnista varpaiden ojentumista päätöstukivaiheessa. Parempi seurattava maamerkki kävelyn kannalta olisikin 2. metatarsaalipää.   Lopuksi Verkostohankkeessa kehitettiin kaksi sovellusta, jotka hyödynsivät avoimen MediaPipen Pose -mallia. Ensimmäinen sovelluksista mittasi polven dynaamista valgus-kulmaa. Toinen analysoi kävelyä sivulta. Pilotoinnin tuloksena todettiin, että polven dynaamisen valgus-kulman mittaus MediaPipen avulla on lupaava tapa seurata kyykistysliikkeen laatua ja antaa siitä objektiivista palautetta. Sen sijaan kävelyyn liittyen MediaPipen seurantatarkkuus ja maamerkkien sijainti eivät olleet optimaalisia. Tämä saattaa johtua siitä, että avoimen lähdekoodin mallit eivät ole alun perin suunniteltu biomekaniikkasovelluksiin, joten datasetit ja nivelkeskipisteiden sijainnit, joilla ne on koulutettu, ovat epätarkkoja ja antavat epäjohdonmukaisia tuloksia (Wade et al., 2022). Tästä huolimatta markkeritonta liikekaappausta voidaan pitää lupaavana teknologiana, jonka avulla pystytään jatkossa siirtämään mittauksia laboratorion ulkopuolelle. MediaPipen mallia onkin onnistuneesti hyödynnetty juoksussa aika- ja matkamuuttujien seurantaan hyvällä tarkkuudella (Young et al., 2023). Työ markkerittoman liikekaappauksen luotettavuuden ja tekoälypohjaisten liikeanalyysisovellusten kehittämisen parissa jatkuu Metropolian liikelaboratoriossa Kuntoutus- ja tutkiminen -osaamisalueen rahoittamana. Ensinnäkin vuoden 2023 aikana selvitetään tämän hankkeen sovelluksien taustalla toimivan BlazePose -algoritmin toistettavuutta ja luotettavuutta 3D-liikeanalyysijärjestelmää vasten. Toiseksi saksalainen Contemplas on kehittänyt nimenomaan kävelyyn ja juoksuun soveltuvan 2D-mallin, jonka suorituskykyä tullaan testaamaan. Kolmanneksi Hytke-hankkeeseen (https://hytke.metropolia.fi/) liittyen kyykkysovelluksen jatkokehitystä varten tullaan keräämään asiantuntijalausuntoja kliinikoilta, valmentajilta ja tutkijoilta. Jatkokehityksessä keskitytään sovellusten käyttöliittymien ja käytettävyyden parantamiseen.   Tekninen sanasto Termi Selite Konenäkö Automaattiseen kuvankäsittelyyn perustuva tietokoneohjelma, joka tulkitsee kuvavirtaa ja pyrkii tunnistamaan siitä itselleen tuttuja piirteitä, kuten esimerkiksi ihmiskehon, kasvot ja raajat. Käsittelyn aikana kuvavirta muutetaan numeeriseen muotoon, jota voidaan hyödyntää analyyseihin ja päätöksentekoon. Asentoestimointi Konenäköön pohjautuvat tekniikka, joka pyrkii ennustamaan ja seuraamaan ihmisen tai esineen asentoja ja sijaintia. Ihmisen asentoestimoinnissa konenäkömalli pyrkii yhdistämään eri osista (esim. käsistä ja jaloista) saatavia tietoja ja rakentamaan niistä yhtenäisen mallin. Markkeripohjainen liikekaappaus Ihmisen kehon liikkeiden objektiivista seurantaa ja tallentamista. Menetelmä perustuu heijastavien markkeripallojen seuraamiseen. Pallot on kiinnitetty ihon pintaan kaksipuoleisella teipillä.  Menetelmää käytetään niin biomekaaniseen mallintamiseen, mutta myös liikkeen tuottamiseen peli- ja elokuvahahmoille. Tuloksena saadaan kolmiulotteista tietoa kehon osien koordinaateista, joita voidaan hyödyntää asentojen tunnistamisessa ja liikkeen seuraamisessa. Markkeriton liikekaappaus Konenäköön pohjautuva menetelmä, jossa yhdestä tai useammasta videokuvasta tunnistetaan ihmishahmo ja seurataan sen liikkeitä objektiivisesti. MediaPipe Googlen julkaisema paketti avoimen lähdekoodin tekoälymalleja. MediaPipe helpottaa valmiiden tekoälymallien käyttöönottoa ja niiden intergrointia sovelluksiin. Paketti sisältää malleja mm.  kehon liikkeiden seurantaa tai tarkemmin jonkin kehon osan, kuten vaikkapa sormien nivelten tai silmien liikkeiden seurantaan. BlazePose BlazePose on Googlen kehittämä koko kehon asentojen tunnistusalgoritmi, joka pystyy havaitsemaan ihmisen kehosta 33 eri kohdan sijainnit kuvassa tai videossa. BlazePose on yksi osa MediaPipe -pakettia. Ohjelmistokontti Ohjelmistokontit ovat standardoitu tapa pakata ohjelmisto siten, että sitä voidaan siirtää paikasta toiseen ilman, että ohjelmistoa tarvitsee muokata. Koodi on usein riippuvainen erilaisista kirjastoista, lisäosista ja asetuksista. Konttiin pakattuna kaikki osat matkustavat käyttövalmiina.   FUNET Funet (Finnish University and Research Network) on Suomen korkeakoulujen, tutkimuksen ja opetuksen tietoverkko. Funetissa on noin 80 tutkimusorganisaatiota ja noin 370 000 käyttäjää. Se tarjoaa käyttäjilleen nopeat ja tietoturvalliset palvelut esimerkiksi tiedostojen ja ohjelmistojen säilytykseen.     Kirjoittajat: Tom Thiel, laboratorioinsinööri, Metropolia AMK Anu Valtonen, yliopettaja, Metropolia AMK   Lähteet Armitano-Lago, C., Willoughby, D., & Kiefer, A. W. (2022). A SWOT Analysis of Portable and Low-Cost Markerless Motion Capture Systems to Assess Lower-Limb Musculoskeletal Kinematics in Sport. Frontiers in Sports and Active Living, 3. Bazarevsky, V., Grishchenko, I., Raveendran, K., Zhu, T., Zhang, F., & Grundmann, M. (2020). BlazePose: On-device Real-time Body Pose tracking (arXiv:2006.10204). arXiv. Chen, K.-Y., Shin, J., Hasan, M. A. M., Liaw, J.-J., Yuichi, O., & Tomioka, Y. (2022). Fitness Movement Types and Completeness Detection Using a Transfer-Learning-Based Deep Neural Network. Sensors (Basel, Switzerland), 22(15), 5700. Cronin, N. J., Mansoubi, M., Hannink, E., Waller, B., & Dawes, H. (2023). Accuracy of a computer vision system for estimating biomechanical measures of body function in axial spondyloarthropathy patients and healthy subjects. Clinical Rehabilitation, 02692155221150133. Cronin, N. J., Rantalainen, T., Ahtiainen, J. P., Hynynen, E., & Waller, B. (2019). Markerless 2D kinematic analysis of underwater running: A deep learning approach. Journal of Biomechanics, 87, 75–82. Fukuchi, C. A., Fukuchi, R. K., & Duarte, M. (2018). A public dataset of overground and treadmill walking kinematics and kinetics in healthy individuals. PeerJ, 6, e4640. Hellsten, T., Karlsson, J., Shamsuzzaman, M., & Pulkkis, G. (2021). The Potential of Computer Vision-Based Marker-Less Human Motion Analysis for Rehabilitation. Rehabilitation Process and Outcome, 10, 11795727211022330. Kanko, R., Laende, E. K., Davis, E. M., Selbie, W. S., & Deluzio, K. J. (2020). Concurrent assessment of gait kinematics using marker-based and markerless motion capture [Preprint]. Bioengineering. Lahkar, B. K., Muller, A., Dumas, R., Reveret, L., & Robert, T. (2022). Accuracy of a markerless motion capture system in estimating upper extremity kinematics during boxing. Frontiers in Sports and Active Living, 4. Liu, W., Liu, X., Hu, Y., Shi, J., Chen, X., Zhao, J., Wang, S., & Hu, Q. (2022). Fall Detection for Shipboard Seafarers Based on Optimized BlazePose and LSTM. Sensors (Basel, Switzerland), 22(14), 5449. Mauntel, T. C., Frank, B. S., Begalle, R. L., Blackburn, J. T., & Padua, D. A. (2014). Kinematic differences between those with and without medial knee displacement during a single-leg squat. Journal of Applied Biomechanics, 30(6), 707–712. Oldfather, T., Zabala, M., Goodlett, M., & Murrah, W. (Hank). (2020). Knee Valgus Versus Knee Abduction Angle: Comparative Analysis of Medial Knee Collapse Definitions in Female Athletes. Journal of Biomechanical Engineering, 142(12). Ota, M., Tateuchi, H., Hashiguchi, T., & Ichihashi, N. (2021). Verification of validity of gait analysis systems during treadmill walking and running using human pose tracking algorithm. Gait & Posture, 85, 290–297. Ota, M., Tateuchi, H., Hashiguchi, T., Kato, T., Ogino, Y., Yamagata, M., & Ichihashi, N. (2020). Verification of reliability and validity of motion analysis systems during bilateral squat using human pose tracking algorithm. Gait & Posture, 80, 62–67. Räisänen, A. M., Pasanen, K., Krosshaug, T., Vasankari, T., Kannus, P., Heinonen, A., Kujala, U. M., Avela, J., Perttunen, J., & Parkkari, J. (2018). Association between frontal plane knee control and lower extremity injuries: A prospective study on young team sport athletes. BMJ Open Sport & Exercise Medicine, 4(1), e000311. Schurr, S. A., Marshall, A. N., Resch, J. E., & Saliba, S. A. (2017). TWO-DIMENSIONAL VIDEO ANALYSIS IS COMPARABLE TO 3D MOTION CAPTURE IN LOWER EXTREMITY MOVEMENT ASSESSMENT. International Journal of Sports Physical Therapy, 12(2), 163–172. Wade, L., Needham, L., McGuigan, P., & Bilzon, J. (2022). Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ, 10, e12995. Werner, D. M., Di Stasi, S., Lewis, C. L., & Barrios, J. A. (2019). Test-retest reliability and minimum detectable change for various frontal plane projection angles during dynamic tasks. Physical Therapy in Sport: Official Journal of the Association of Chartered Physiotherapists in Sports Medicine, 40, 169–176. Young, F., Mason, R., Morris, R., Stuart, S., & Godfrey, A. (2023). Internet-of-Things-Enabled Markerless Running Gait Assessment from a Single Smartphone Camera. Sensors, 23(2), Article 2. Zeni, J. A., Richards, J. G., & Higginson, J. S. (2008). Two simple methods for determining gait events during treadmill and overground walking using kinematic data. Gait & Posture, 27(4), 710–714. Zhang, F., Zhu, X., Dai, H., Ye, M., & Zhu, C. (2020). Distribution-Aware Coordinate Representation for Human Pose Estimation. 7093–7102.

Lue lisää

Palvelukuvauksen kehittäminen kuntouttavassa hoitotyössä
8.2.2023
Jenni Jokio

Osaamisen rakentaminen yhdessä on tärkeä kehittämistavoite yhteiskunnassa. Hyvä palvelukokonaisuus kuntoutuksessa rakentuu yhteistyössä, jossa kuntoutuja on yhdenvertaisesti mukana kehittämässä palvelua. Kuntoutustoimintaa tulisikin tarkastella yhdessä ammattilaisten ja kuntoutujien kesken ja luoda yhteistä ymmärrystä kuntoutujan tarpeista. (Sipari & Mäkinen 2012: 6.) Palvelun kuvaaminen antaa palvelulle näkyvyyttä sekä tuo esiin tarvittavan asiantuntijuuden ja toisaalta myös palvelussa havaitut puutteet (Tarvainen 2019: 6–8). Palvelun kuvaamisen voidaan nähdä perustuvan yhteisen ymmärryksen muodostumiseen. Palvelu voidaan ja se tulisikin rakentaa yhteistyössä kuntoutujien ja ammattilaisten kesken. Tämä luo parhaan ymmärryksen palvelun tarpeesta ja arvosta. (Järvi & Lehtonen & Martinsuo & Tuominen & Valtamo 2015: 5.) Osallistava kehittäminen sitouttaa ja motivoi, muuttaa toimintatapoja ja ajatusmalleja sekä mahdollistaa uusien ideoiden syntymisen. Tilanteessa, jossa kaikilla on mahdollisuus osallistua ja oppia toisilta, tulee kehitykseen sitoutuminen vahvaksi. (Järvi & Lehtonen & Martinsuo & Tuominen & Valtamo 2015: 5.) Yhteistyössä rakennetun kuntoutuksen keinoin voidaan myös vammautuneiden osallisuutta ja voimaantumista yhteiskunnan jäseninä tukea (Mäkinen 2014: 61). Kuntoutujan toimijuuden edistyminen Asiakaslähtöisessä kuntoutuksessa tavoite on vahvistaa kuntoutujan roolia toimijana omassa elämässään sekä kuntoutumiseensa liittyvien tilanteiden aktiivisena osallistujana. Toimijuutta edistävä kuntoutus täydentää perinteistä toimintakykylähtöistä kuntoutusta ja toimijuus kuntoutustavoitteena ohjaa tarkastelemaan kuntoutumista osana kuntoutujan yksilöllistä elämänkulkua ja sosiaalista selviytymistä pelkän fyysisen tai henkisen toimintakyvyn sijaan. Toimijuus käsitteenä sisältää näin myös ihmisen toiminnan mahdollisuudet erilaisissa elämäntilanteissa. (Reunanen 2017: 5.) Kuntoutuksen rakenteisiin painottuvan näkökulman mukaan ihmisen toimijuutta voidaan tarkastella näiden vaikutuksen alla. Kuntoutus voidaan nähdä tällaiseksi sosiaaliseksi ja kulttuuriseksi rakenteeksi, jossa ihminen käyttää toimijuuttaan ja jossa rakenteen kautta ilmenee toimijuuden mahdollistavia ja estäviä tekijöitä. Toimijuuden mahdollistavilla kuntoutujalähtöisillä ratkaisuilla voidaan kuntoutuksessa edistää ihmisen yksilöllistä toimijuutta. (Pikkarainen 2020: 18–19.) Kuntoutuksen uuden ekologisen ja valtaistavan paradigman mukaan tärkeää on huomioida kuntoutuja myös osana ympäristö- ja vuorovaikutussuhteitaan. Kuntoutujan toimijarooli korostuu ja hän on tasavertainen jäsen kuntoutus- ja muissa verkostoissaan. Kuntoutus nähdään yksilön ja ympäristön välisenä muutosprosessina. (Karjalainen 2011: 20–21.) Moniammatillinen kuntoutus Kelan kuntoutuksen säädöspohjan mukaan kuntoutus tulee tapahtua ”hyvän kuntoutuskäytännön” mukaisesti. Tällä tarkoitetaan yleisesti hyväksyttyä kuntoutustoimintaa, joka perustuu erityisasiantuntemukseen ja erityisosaamiseen. Kuntoutujan tarpeiden ja tavoitteiden tulee olla kuntoutuksen lähtökohta. (Paltamaa & Karhula & Suomela-Markkanen & Autti-Rämö 2011: 225.) Moniammatillinen kuntoutus on osa hyviä kuntoutuskäytäntöjä. Moniammatillinen kuntoutus mahdollistaa kuntoutuksen asiakaslähtöisyyttä ja kokonaisvaltaisuutta. Siinä yhdistyvät kaikkien ammattilaisten tiedot ja osaaminen. Kuntouttava hoitotyö on moniammatillisessa kuntoutuksessa työnjakoon perustuva rooli, johon kohdistuu erilaisia tehtäviä ja odotuksia. Moniammatillisuudessa keskeistä on kuntoutujan aktiivinen rooli ja osallistuminen kuntoutuksen suunnitteluun, toteutukseen ja arviointiin. (Jeglinsky & Kukkonen 2016: 393, 398.) Kirjoitus palvelukuvauksen kehittämisestä pohjautuu tutkimukselliseen kehittämistyöhön kuntoutuksen ylemmässä AMK-tutkinto-ohjelmassa. Kehittämistyön tarkoituksena oli kuntouttavan hoitotyön palvelukuvauksen kehittäminen moniammatillisessa laitoskuntoutuksessa kuntoutujan toimijuuden edistymiseksi. Kehittämistyöhön osallistuivat kuntoutujat, ammattilaiset ja johto. Tutkimusaineisto kerättiin kuntoutujien yksilöllisellä teemahaastattelulla, ammattilaisille ja johdolle suunnatulla kyselylomaketutkimuksella ja kuntouttavan hoitotyön ammattilaisten ja palveluesimiehen yhteiskehittämistilaisuudessa. Kuntoutujan toimijuutta edistävät ja estävät tekijät Tutkimuksellisen kehittämistyön tulosten mukaan kuntoutujan toimijuutta edistävä kuntouttava hoitotyö kuntoutujien näkökulmasta käsittää yksilöllisten kuntoutumistavoitteiden asettamisen ja seuraamisen, kuntoutujan autonomian päätöksenteossa, yksilöllisen ja joustavan kuntoutusohjelman, mahdollisuuden puhua, tulla kuulluksi ja saada tukea tunteiden käsittelyssä. Kuntoutuksen tulee olla myös jatkuvaa ja etenevää laitoskuntoutusjakson ulkopuolella. Kuntouttavassa hoitotyössä läheiset tulee huomioida ja tiedonkulun tapahtua kuntoutujan suostumuksella. Toimijuutta edistävänä tekijänä olivat tulosten mukaan myös tiedonsaanti ja uusien asioiden kokeilemisen ja itsenäisen toiminnan tukemisen ja kannustuksen myötä kasvava pystyvyyden tunne. Tulosten mukaan kuntoutujan toimijuutta estää, jos kuntoutumisen tavoitteita ei onnistuta laatimaan, jos avun saanti osastolla kestää kohtuuttoman kauan, jos kotiasioita ei olla selvitetty, jos aikataulut kuntoutuksessa pettävät tai laitoksessa on ilmapiiri, jossa ei voi vapaasti ilmaista itseään tai yhteinen kieli puuttuu. Ammattilaisten näkökulmasta kuntoutujan toimijuutta edistävä kuntouttava hoitotyö sisältää onnistuneen moniammatillisen yhteistyön, jossa vastuut on selkeästi jaettu ja tiedonkulku toimii, henkilökunnan ammattitaidon, läheisten mahdollisuuden osallistua, yksilöllisen ja joustavan, kuntoutujan kanssa yhdessä suunnitellun kuntoutumisprosessin, kuntoutujan saaman tuen ja kuulluksi tulemisen, kuntoutujan osallisuuden ja autonomian vahvistumisen, luottamuksellisen ilmapiirin, kuntoutuslaitoksen ympäristötekijät ja kuntoutuksen jatkuvuuden eli kuntoutujan selviytymisen edistymisen myös omassa ympäristössään. Suurimpina toimijuutta estävinä tekijöinä tulosten mukaan olivat ongelmat tiedonkulussa ja yhteistyössä, kiire ja riittämättömät resurssit. Pitsa-palvelukuvaus Tutkimuksellisessa kehittämistyössä kuntouttavan hoitotyön toimijuutta edistävän palvelukuvauksen ydintekijöiden kuvaamiseen käytettiin Jorma Sipilän (2008) kehittämää pitsa-palvelukuvausta. Pitsa-palvelukuvauksessa palvelua tarkastellaan kolmella eri kehällä. Palvelun ydintekijöitä, peruselementtejä ja lisäosia. (Sipilä 2008: 80–81.) Pitsa-palvelukuvausta käytettiin tutkimuksellisessa kehittämistyössä yhteiskehittämisen menetelmänä kuvatessa, mistä tekijöistä kuntouttava hoitotyö muodostuu ja miten sitä toteutetaan kuntoutujan toimijuuden edistymiseksi. Yhteiskehittämisryhmän ajattelun kimmokkeeksi tuotiin yhteenveto kuntoutujien teemahaastatteluista ja ammattilaisten kyselylomaketutkimuksesta kuntoutujan toimijuutta edistävistä ja estävistä tekijöistä. Näin kolmen eri aineistonkeruun menetelmällä saatiin yhdessä rakennettua moninäkökulmainen kuvaus kuntouttavan hoitotyön palvelukuvauksen ydintekijöistä moniammatillisessa laitoskuntoutuksessa kuntoutujan toimijuuden edistymiseksi.   Tulosten mukaan kuntoutujan toimijuutta edistävän kuntouttavan hoitotyön palvelukuvauksen ydintekijät moniammatillisessa laitoskuntoutuksessa ovat moniammatillisuus, tavoitteellisuus, yksilöllisyys, kokonaisvaltaisuus ja laatu sekä verkostoyhteistyö. Työn peruselementit ovat voinnin seuranta, neuvonta, ohjaus ja opetus, avustaminen, kannustaminen, huomiointi, kuunteleminen, tukeminen, osallisuuden ja autonomian vahvistaminen ja yhteistyö kuntoutujan läheisten ja eri kuntoutustahojen kanssa. Peruselementit sisältävät myös osaamisalueet sekä erityisosaamisalueet liittyen aivovamma-, selkäydinvamma- ja hengityshalvauskuntoutujan kuntouttavan hoitotyön erityispiirteisiin. Kuntoutusosaston valttikortit eli asiat, jotka kuvaavat toimijuutta edistävää kuntouttavaa hoitotyötä, ovat hoitajien ammattitaito, hoitajien kokemus, hoitajien sitoutuminen ja motivaatio, kuntoutuksen jatkuvuus, luotettavuus, joustavuus, yksilöllisyys, huumori, kuntouttavan hoitotyön ympäristö ja ilmapiiri. Kirjoittaja Jenni Jokio, sairaanhoitaja (AMK), kuntoutuksen tutkinto-ohjelman (YAMK) opiskelija. Lähteet Jeglinsky, Ira & Kukkonen, Tarja 2016. Moniammatillinen yhteistyö kuntoutuksessa. Teoksessa Autti-Rämö, Ilona & Salminen, Anna-Liisa & Rajavaara, Marketta & Ylinen, Aarne (toim.): Kuntoutuminen. Helsinki: Duodecim, 393–401. Järvi, Katriina & Lehtonen, Mikko & Martinsuo, Miia & Tuominen, Tiina & Valtamo, Jesse 2015. Palvelujen tuotteistamisen käsikirja, osallistavia menetelmiä palvelujen kehittämiseen. Aalto-yliopiston julkaisusarja. Karjalainen, Vappu 2011. Yksilöllistymiskehitys muuttaa kuntoutusta & mutta miten? Teoksessa Karjalainen, Vappu & Vilkkumaa, Ilpo (toim.). Kuntoutus kanssamme & ihmisen toimijuuden tukeminen. Bookwell Oy, 11–25. Mäkinen, Elisa 2014. Kokonaiskuva kuntoutujasta vahvistuu. Teoksessa Sipari, Salla & Mäkinen, Elisa & Paalasmaa, Pekka (toim.). Kuntoutettavasta kehittäjäkumppaniksi. Metropolia ammattikorkeakoulun julkaisusarja. Aatos artikkelit 13, 60–65. Paltamaa, Jaana & Karhula, Maarit & Suomela-Markkanen, Tiina & Autti-Rämö, Ilona (toim.). 2011. Hyvän kuntoutuskäytännön perusta. Käytännön ja tutkimustiedon analyysistä suosituksiin vaikeavammaisten kuntoutuksen kehittämishankkeessa. Kelan tutkimusosasto. Helsinki. Pikkarainen, Aila 2020. Ikääntyneiden aikuisten toimijuus kuntoutuksessa. Väitöskirja. Jyväskylän yliopisto. Reunanen, Merja A. T. 2017. Toimijuus kuntoutuskokemusten kerronnassa ja fysioterapian kohtaamisissa. Väitöskirja. Lapin yliopisto. Sipari Salla & Mäkinen Elisa 2012. Yhdessä rakentuva kuntoutusosaaminen. Metropolia Ammattikorkeakoulun julkaisusarja. Aatos-artikkelit 6. Sipilä, Jorma 2008. Asiantuntijapalvelujen tuotteistaminen: suunnittelu ja toimintakansio. Helsinki: Infor.

Lue lisää
Uudemmat postaukset Vanhemmat postaukset