| Resumen: | A Inteligência Artificial (IA) desde o seu início teve como estratégia mimetizar a cognição humana. Na área da reabilitação física, as pesquisas incluem a IA para processar, estimar e classificar o nível de atividade física. No intuito de aprimorar a relação profissional – paciente, esse trabalho visa desenvolver e comparar implementações de Lógica Fuzzy (LF) dos tipos Sugeno (LFS) e Mamdani (LFM) para auxiliar a tomada de decisão do fisioterapeuta de liberar o retorno do paciente às atividades físicas com mais dados e segurança. Os sistemas implementados são compostos por uma sequência de regras fuzzy (se – então) e quatro inputs sobre amplitude de movimento, extensão e flexão; dor; e força muscular; com a finalidade de gerar um output sobre a aptidão do joelho. Os requisitos qualitativos dos sistemas levados em consideração foram o tempo de processamento, a precisão e a confiabilidade das respostas. Na comparação entre LFM e LFS, o método Sugeno obteve respostas mais fidedignas quanto ao nível de pertinência, mas ambos os sistemas apresentaram concordância entre os valores informados em seis casos clínicos hipotéticos e os conceitos de aptidão resultantes. Para a avaliação desses sistemas, três fisioterapeutas responderam aos mesmos seis casos clínicos e suas respostas foram confrontadas com os outputs conceituais dos sistemas de LFM e LFS, considerados aqui como um gabarito para testá-los. O nível de concordância foi grande em dois dos seis casos e pequeno nos outros quatro, como se trata de um método inovador de avaliação na área da reabilitação, acredita-se que com mais informações fazendo parte dos sistemas e com os profissionais tendo acesso a elas, a concordância possa ser maior.Diversos testes clínicos podem ser acrescidos como inputs para auxiliar no processo de tomada de decisão dos profissionais e com novos estudos validar, agilizar e evoluir o tratamento fornecido.
Artificial Intelligence (AI) since its beginning had as a strategy to mimic human cognition. In the area of physical rehabilitation, the studies include AI to process, estimate and classify the level of physical activity to improve the professional–patient relationship. The purpose of this work was to develop and compare Sugeno (FLS) and Mamdani (FLM) Fuzzy Logic (FL) implementations to assist the physiotherapist’s decision to let the patient returns to activities with more data and in a safer way. The implemented systems are composed of fuzzy rules (if – then) and four inputs of range of motion, extension and flexion; pain intensity; and muscle strength; to generate an output on the physical capability of the knee. The qualitative requirements of the systems took into account processing time, precision and reliability of the responses. In the comparison between FLM and FLS, the Sugeno method was more reliable regarding the level of membership function, but both systems agreed on the values reported in six hypothetical clinical cases and the resulting capability concepts. To the assessment of these systems, three physical therapists responded to the same six clinical cases and their responses were compared with the conceptual outputs of the FLM and FLS systems, here considered as a template to test the output. The level of agreement was high in two of the six cases and low in the other four, as an innovative method of assessment in the rehabilitation area, it is believed that with more data being part of the systems and with professionals having access to it, the agreement may be higher. Several clinical tests can be added as inputs to assist in the professional decision-making process, with new studies to validate, streamline, and evolve the treatment provided. |
