PANDA Gym: Automatiseret vurdering af neuroudvikling hos spædbørn med risiko for motorisk handicap

For børn med neuro-udviklingshandicap forbedrer tidlig behandling i det første leveår langsigtede resultater. Imidlertid er efterforskerne i øjeblikket holdt tilbage af utilstrækkeligheder af tilgængelige kliniske tests til at måle og forudsige svækkelse. Eksisterende test er svære at administrere, kræver specialiseret træning og har begrænset langsigtet prædiktiv værdi. Der er et kritisk behov for at udvikle et objektivt, præcist, letanvendeligt værktøj til tidlig forudsigelse af langsigtet fysisk handicap. Området pædiatri og spædbørns udvikling ville have stor gavn af en kvantitativ score, der ville korrelere med eksisterende kliniske mål, der anvendes i dag til at påvise bevægelseshæmninger hos meget unge spædbørn. For at realisere en ny generation af tests, der vil være nemme at administrere, vil efterforskerne indhente store datasæt af spædbørn, der leger i et instrumenteret fitnesscenter eller blot bliver optaget, mens de bevæger sig i liggende stilling. Video- og sensordataanalyser vil konvertere bevægelse til funktionsvektorer baseret på vores viden om problemdomænet. Vores tilgang vil bruge maskinlæring til at relatere disse funktionsvektorer til aktuelt anbefalede kliniske tests eller anden sandhedsinformation. Styrken ved dette design er, at algoritmer kan bruge mange aspekter af bevægelse til at producere de relevante scoringer.