Eine vorläufige Studie zur künstlichen Intelligenz für das motorische Screening von Säuglingen

Hintergrund und Zweck. Obwohl das öffentliche Bewusstsein für Frühförderung bei Kindern mit Entwicklungsstörungen in Taiwan zunimmt, ist die Zahl der Kinder, die vom Ministerium für Gesundheit und Wohlfahrt für Frühförderung gemeldet werden, begrenzt, insbesondere für Kinder unter zwei Jahren außerhalb von Krankenhäusern , und in abgelegenen Gebieten. Dies hat die Notwendigkeit eines frühen Screenings für gefährdete Säuglinge oder Säuglinge mit Entwicklungsstörungen deutlich gemacht. Während die motorische Entwicklung einen potenziellen Einfluss auf die Entwicklung von Fähigkeiten in anderen Bereichen bei Kindern im späteren Alter hat, kann ein motorisches Screening als Eckpfeiler dienen, um Anzeichen einer Entwicklungsstörung zu erkennen. Künstliche Intelligenz (KI), die auf dem maschinellen Lernen von Big Data basiert, kann eine Alternative sein, um medizinisches Fachpersonal dabei zu unterstützen, die Entwicklung von Kindern effizient zu untersuchen und weitere diagnostische Beurteilungen zu planen. Der Zweck dieser vorläufigen Studie besteht darin, die KI-Technologie auf eine Stichprobe von Säuglingen im Alter von 4 bis 18 Monaten anzuwenden, um einen Aktionsverfolgungs- und Erkennungsalgorithmus für das motorische Screening von Säuglingen zu entwickeln und die Genauigkeit der erfassten Bewegungen während der Alberta Infant Motor Scale (AIMS ) Bewertung unter Verwendung der Bewertungsergebnisse eines erfahrenen Physiotherapeuten als Referenz. Methode. Für diese Studie werden 50 Säuglinge (40 Frühgeborene und 10 termingeborene Säuglinge im Alter von 4 bis 18 Monaten (korrigiertes Alter für Frühgeborene)) aus dem Kinderkrankenhaus der National Taiwan University rekrutiert. Jedes Kind wird von einem Physiotherapeuten anhand der AIMS-Bewertung auf seine grobmotorische Entwicklung in Bauchlage, Wirbelsäule, Sitzen und Stehen untersucht. Das gesamte Bewertungsverfahren wird von fünf Kameras auf Video aufgezeichnet. Die Datenverarbeitung von Bewegungsvideoaufzeichnungen besteht aus der Auswahl von Bewegungsaufzeichnungen, der Erstellung eines Posenschätzungsmodells und der Erstellung eines Aktionserkennungsmodells. Die Genauigkeit des Posen- und Aktionserkennungsmodells bei der Identifizierung der Bewegungen von Säuglingen wird anhand der Ergebnisse des Physiotherapeuten als Goldstandard untersucht. Die Ergebnisse dieser Studie werden vorläufige Daten liefern, um dabei zu helfen, das beste und geeignete Aktionserkennungsmodell für das motorische Screening von Säuglingen für die zukünftige Validierung an einer großen Stichprobe zu ermitteln.