Kombinierte künstliche Intelligenz und mobile Anwendung für das motorische Remote-Screening von Säuglingen: Entwicklung und Validierung

Hintergrund und Zweck: Die frühzeitige Erkennung und Intervention von Säuglingen, bei denen das Risiko von Entwicklungsstörungen besteht (z. B. Frühgeborene), ist eine wichtige globale Gesundheitspolitik und -maßnahme. Die Zahl der Kinder mit Entwicklungsstörungen, die in Taiwan zur Frühintervention überwiesen werden, ist in den letzten zehn Jahren gestiegen, und dennoch wird die Wahrscheinlichkeit, dass sie erst im Alter von mehr als zwei Jahren diagnostiziert und zur Intervention überwiesen werden, erhöht. Bestehende entwicklungsdiagnostische Tests sind in Krankenhäusern häufig zugänglich; wohingegen Screening-Tests oft auf einem Bericht der Eltern basieren, der vom Wissen und der Interpretation der Eltern beeinflusst wird. Obwohl die aufkommende Technologie der künstlichen Intelligenz (KI) und Deep Learning die Verfolgung und Erkennung menschlicher Bewegungen in standardisierten Laborumgebungen ermöglicht haben, wurde selten untersucht, ob ihre Integration in mobile Anwendungen (APP) für das motorische Screening von Säuglingen zu Hause machbar und genau ist. Daher setzt diese Studie unsere früheren Bemühungen fort, KI und maschinelles Lernen anzuwenden, um mehrere Säuglingsbewegungen in standardisierten Laboren zu klassifizieren. Diese Studie zielt darauf ab, den KI-Algorithmus und maschinelles Lernen mit einer APP für das motorische Screening von Säuglingen zu Hause zu kombinieren. Die spezifischen Zwecke sind: (1) Benennung einer APP „Baby Go“ Version 3.0, die die Beurteilungs-, Überweisungs- und Aufklärungsfunktionen für die Nutzung durch Eltern zu Hause umfasst, (2) Entwicklung und Validierung des KI-Algorithmus für das motorische Screening von Säuglingen zu Hause Videos von Früh- und Frühgeborenen, (3) Vergleich der Wahrnehmung und des Berichts der Eltern mit KI-gesteuerten Bewertungsergebnissen und (4) Untersuchung der prädiktiven Validität des KI-Algorithmus für das motorische Screening von Säuglingen im Hinblick auf spätere Ergebnisse. Methode: Für diese Studie werden 100 Frühgeborene und 20 termingerecht geborene Säuglinge im Alter von 2 bis 18 Monaten (korrigiert um die Frühgeburt) am National Taiwan University Children's Hospital rekrutiert. Die APP „Baby Go“ Version 3.0 wird die Funktionen eines altersbasierten motorischen Screenings mit 2 bis 5 Bewegungen in jedem Alter, einer Promotionsempfehlung und einem Bildungsmodul enthalten. Die Eltern werden gebeten, die Bewegungen ihres Babys in Bauchlage, Rückenlage, Sitzen und Stehen alle zwei Wochen zu Hause per Video aufzuzeichnen und gleichzeitig die Videodateien im Alter von 2 bis 18 Monaten über die APP hochzuladen, gefolgt von der Aufzeichnung des Gehalters ihres Kindes Erreichung. Alle Videodateien werden von ausgebildeten Physiotherapeuten mit Anmerkungen versehen, sodass die Ergebnisse als Goldstandards für die Validierung der Daten des KI-Modells und der elterlichen Wahrnehmung dienen. Die Videodaten werden für die Modellentwicklung und -validierung zufällig im Verhältnis 8:2 in den Trainings- und Testsatz aufgeteilt. Das KI-Modell des motorischen Screenings bei Säuglingen wird auf seine prädiktive Gültigkeit für das Alter der Gehfähigkeit untersucht. Innovation und Bedeutung: Diese Studie ist eine schrittweise Weiterentwicklung des KI-Modells bei der Verfolgung und Erkennung von Säuglingsbewegungen von einem laborbasierten Klassifizierungssystem zu einem häuslichen Screening-System. Das automatische KI-gesteuerte motorische Screening von Säuglingen über die APP „Baby Go“ wird Eltern und Gesundheitsdienstleistern in Taiwan innovative und realisierbare Entwicklungsressourcen in abgelegenen Gemeinden bieten. Die Ergebnisse sind aufschlussreich und helfen Kinderärzten und Physiotherapeuten bei der Planung einer diagnostischen Beurteilung und frühzeitigen Intervention bei Säuglingen, bei denen das Risiko neuromotorischer Störungen besteht.