Kombineret kunstig intelligens og mobilapplikation til fjernscreening af spædbørnsmotorik: udvikling og validering

Baggrund og formål: Tidlig identifikation og intervention af spædbørn, der er i risiko for udviklingsforstyrrelser (såsom præmature spædbørn) er en vigtig global sundhedspolitik og handling. Antallet af børn med udviklingsforstyrrelser henvist til tidlig intervention i Taiwan er steget i de seneste ti år, og alligevel er de mere sandsynligt diagnosticeret og henvist til intervention i en alder over to år. Eksisterende udviklingsdiagnostiske test er ofte tilgængelige på hospitaler; der henviser til, at screeningstests ofte er baseret på forældrenes rapport, der er påvirket af forældrenes viden og fortolkning. Selvom den nye kunstig intelligens (AI) teknologi og dyb læring har muliggjort sporing og genkendelse af menneskelige bevægelser i standardiserede laboratoriemiljøer, er det sjældent blevet undersøgt, om dets inkorporering med mobilapplikation (APP) er gennemførlig og nøjagtig til spædbørns motorscreening derhjemme. Derfor fortsætter denne undersøgelse vores tidligere bestræbelser, der anvendte AI og maskinlæring til at klassificere adskillige spædbørnsbevægelser på standardiseret laboratorium. Denne undersøgelse har til formål at kombinere AI-algoritmen og maskinlæring med en APP til spædbørns motoriske screening i hjemmet. De specifikke formål er: (1) udpegning af en APP "Baby Go" version 3.0 til at inkludere vurderings-, henvisnings- og uddannelsesfunktioner til forældrebrug i hjemmet, (2) udvikling og validering af AI-algoritmen til spædbørns motoriske screening baseret på hjemmet videoer opnået fra termin og præmature spædbørn, (3) sammenligning af forældrenes opfattelse og rapport med AI-drevne vurderingsresultater og (4) undersøgelse af prædiktiv validitet af AI-algoritmen til spædbørns motoriske screening på efterfølgende udfald. Metode: Denne undersøgelse vil rekruttere 100 præmature spædbørn og 20 terminsbørn i alderen 2 til 18 måneder (korrigeret for præmaturitet) på National Taiwan University Children's Hospital. APP'en "Baby Go" version 3.0 vil indeholde funktionerne i aldersbaseret motorisk screening med 2 til 5 bevægelser ved hver alder, doktorgradshenvisning og uddannelsesmodul. Forældrene vil blive bedt om at videooptage deres babys bevægelser i liggende, liggende, siddende og stående derhjemme hver anden uge og samtidig uploade videofilerne via APP'en i en aldersperiode på 2 til 18 måneder, efterfulgt af at optage deres spædbarns gangalder opnåelse. Alle videofiler vil blive kommenteret af uddannede fysioterapeuter, at resultaterne vil tjene som guldstandarderne for validering af data fra AI-modellen og forældrenes opfattelse. Videodataene opdeles tilfældigt i trænings- og testsættet med et forhold på 8:2 til modeludvikling og validering. AI-modellen for spædbørns motoriske screening vil blive undersøgt for dens prædiktive validitet på alder af gang. Innovation og betydning: Denne undersøgelse er et gradvist fremskridt i AI-model inden for sporing og genkendelse af spædbørns bevægelser fra et laboratoriebaseret klassifikationssystem til et hjemmebaseret screeningssystem. Den automatiske AI-drevne spædbørnsmotorscreening via APP'en "Baby Go" vil give forældre og sundhedsplejersker i Taiwan innovative og gennemførlige udviklingsressourcer i fjerntliggende samfund. Resultaterne er indsigtsfulde til at hjælpe børnelæger og fysioterapeuter med at planlægge diagnostisk vurdering og tidlig intervention for spædbørn med risiko for neuromotoriske lidelser.