Kunstig intelligens til spædbørnsmotorscreening: udvikling og validering

Baggrund og formål. Selvom antallet af børn med udviklingsforstyrrelser rapporteret til tidlig intervention i Taiwan stiger i det seneste årti, er prævalensestimatet af børn med udviklingsforstyrrelser lavere end de globale data, især blandt dem under 2 år eller i fjerntliggende områder. Kunstig intelligens (AI), baseret på maskinlæring af big data, er med succes blevet brugt til medicinsk billedklassificering og forudsigelse i visse sygdomme; dets anvendelse i børns udviklingsscreening er dog sjælden. Formålet med denne tre-årige undersøgelse er derfor tredobbelt: (1) Modeludvikling - at anvende poseestimeringsmodel og sporingsgenkendelsesmodel på bevægelser af et stort udvalg af fuldbårne og præmature spædbørn under en motorisk vurdering i laboratoriet for at undersøge nøjagtigheden af ​​AI-algoritmerne til at identificere individuelle bevægelser ved hjælp af fysioterapeuters resultater som guldstandarder; (2) Modelvalidering - for at undersøge ydeevnen af ​​AI-algoritmerne på samme termin og præmature spædbørns bevægelser, når video optaget af forældrene derhjemme mellem laboratorievurderingsaldre ved hjælp af fysioterapeuters resultater som guldstandarder; og (3) Samtidig og forudsigelig validitet af AI-bevægelsessæt - for at vælge de identificerbare bevægelsesklasser i AI-bevægelsessæt for individuelle aldre for at undersøge deres samtidige validitet med fysioterapeuters resultater og forudsigende validitet på udviklingsresultater ved 18 måneders alderen hos disse spædbørn . Metode. I alt 125 termins- og præmature spædbørn vil blive rekrutteret fra National Taiwan University Children's Hospital og vil blive tilfældigt opdelt i trænings- (N=101), tuning (N=12) og testsæt (N=12) med 8:1 :1 forhold for modeludvikling. Alle spædbørn vil prospektivt blive administreret Alberta Infant Motor Assessment i liggende, liggende, siddende og stående positioner ved 4, 6, 8, 10, 12 og 14 måneders alderen (korrigeret for præmaturitet) i laboratoriet med bevægelser optaget af 5 kameraer. Til modelvalidering vil de samme 125 spædbørn blive videooptaget af deres bevægelser af forældrene ved hjælp af mobiltelefoner derhjemme ved 5, 7, 9, 11 og 13 måneders alderen fra mindst 2 kameravisninger, med bevægelsesregistreringerne uploadet til en prototype af Mobile APP "Baby Go." Databehandlingen af ​​bevægelsesvideooptagelser vil omfatte: udvælgelse af bevægelsesregistreringer, etablering af en poseestimeringsmodel og etablering af en handlingsgenkendelsesmodel. Nøjagtigheden af ​​AI-modellen til at identificere spædbørns individuelle bevægelser vil blive undersøgt ved at bruge fysioterapeutens resultater som guldstandarder. De bevægelser, der kan identificeres gennem maskinlæring, vil blive udvalgt til at etablere AI-bevægelsessæt for hver alder. Samtidig og forudsigelig validitet af AI-bevægelsessættene vil blive undersøgt ved hjælp af henholdsvis fysioterapeutens resultater og udviklingsresultater ved 18 måneders alderen som kriterier (alder for gangevne og Peabody Developmental Motor Scale - 2. udgave). Betydning. Resultaterne vil hjælpe med at etablere den bedste og passende AI-model til spædbørnsmotorscreening i Taiwan. Den etablerede AI-model kan indarbejdes i kliniske procedurer for at hjælpe børnelæger og fysioterapeuter med at planlægge yderligere diagnostisk vurdering.