Kunstmatige intelligentie voor screening van baby's: ontwikkeling en validatie

Achtergrond en Doel. Hoewel het aantal kinderen met ontwikkelingsstoornissen dat wordt gemeld voor vroegtijdige interventie in Taiwan de afgelopen tien jaar is toegenomen, is de prevalentieschatting van kinderen met ontwikkelingsstoornissen lager dan de wereldwijde gegevens, met name onder kinderen jonger dan 2 jaar of in afgelegen gebieden. Kunstmatige intelligentie (AI), gebaseerd op machinaal leren van big data, is met succes gebruikt voor de classificatie en voorspelling van medische beelden bij bepaalde ziekten; de toepassing ervan bij screening op de ontwikkeling van kinderen is echter zeldzaam. Het doel van deze driejarige studie is daarom drieledig: (1) Modelontwikkeling: het toepassen van het pose-schattingsmodel en het tracking-herkenningsmodel op de bewegingen van een groot aantal voldragen en premature baby's onder een motorische beoordeling in het laboratorium om te onderzoeken de nauwkeurigheid van de AI-algoritmen bij het identificeren van individuele bewegingen met behulp van de resultaten van fysiotherapeuten als gouden standaarden; (2) Modelvalidatie - om de prestaties van de AI-algoritmen op dezelfde term en de bewegingen van te vroeg geboren baby's te onderzoeken wanneer video opgenomen door de ouders thuis tussen de laboratoriumbeoordelingsleeftijden met behulp van de resultaten van fysiotherapeuten als gouden standaarden; en (3) Gelijktijdige en voorspellende validiteit van AI-bewegingssets - om de identificeerbare bewegingsklassen te selecteren in AI-bewegingssets voor individuele leeftijden om hun gelijktijdige validiteit met de resultaten van fysiotherapeuten en voorspellende validiteit op ontwikkelingsresultaten op de leeftijd van 18 maanden bij deze baby's te onderzoeken . Methode. In totaal zullen 125 voldragen en te vroeg geboren baby's worden gerekruteerd uit het National Taiwan University Children's Hospital en willekeurig worden opgesplitst in de trainings- (N=101), afstemmings- (N=12) en testsets (N=12) met 8:1 :1 ratio voor modelontwikkeling. Alle baby's zullen prospectief de Alberta Infant Motor Assessment ondergaan in liggende, liggende, zittende en staande posities op een leeftijd van 4, 6, 8, 10, 12 en 14 maanden (gecorrigeerd voor vroeggeboorte) in het laboratorium met bewegingen die worden geregistreerd door 5 camera's. Voor modelvalidatie zullen dezelfde 125 baby's op een leeftijd van 5, 7, 9, 11 en 13 maanden door de ouders thuis met behulp van mobiele telefoons op video worden opgenomen met ten minste 2 camerabeelden, waarbij de bewegingsgegevens worden geüpload naar een prototype van de mobiele app "Baby Go." De gegevensverwerking van bewegingsvideo-opnamen omvat: selectie van bewegingsopnamen, opstellen van een poseschattingsmodel en opstellen van een actieherkenningsmodel. De nauwkeurigheid van het AI-model bij het identificeren van de individuele bewegingen van baby's zal worden onderzocht met behulp van de resultaten van de fysiotherapeut als gouden standaard. De bewegingen die via machine learning kunnen worden geïdentificeerd, worden geselecteerd om AI-bewegingssets voor elke leeftijd vast te stellen. Gelijktijdige en voorspellende validiteit van de AI-bewegingssets zullen respectievelijk worden onderzocht met behulp van de resultaten van de fysiotherapeut en de ontwikkelingsresultaten op de leeftijd van 18 maanden als de criteria (leeftijd waarop kan worden gelopen en de Peabody Developmental Motor Scale - 2e editie). Betekenis. De resultaten zullen helpen bij het vaststellen van het beste en geschikte AI-model voor screening van baby's in Taiwan. Het gevestigde AI-model kan worden opgenomen in de klinische procedure om kinderartsen en fysiotherapeuten te helpen bij het plannen van verdere diagnostische beoordelingen.