Gecombineerde kunstmatige intelligentie en mobiele applicatie voor screening van motoriek op afstand: ontwikkeling en validatie

Achtergrond en doel: Vroegtijdige identificatie en interventie van baby's die risico lopen op ontwikkelingsstoornissen (zoals premature baby's) is een belangrijk mondiaal gezondheidsbeleid en actie. Het aantal kinderen met ontwikkelingsstoornissen dat in Taiwan voor vroegtijdige interventie wordt verwezen, is de afgelopen tien jaar toegenomen, en toch is de kans groter dat de diagnose en verwijzing voor interventie groter wordt wanneer ze ouder zijn dan twee jaar. Bestaande ontwikkelingsdiagnostische tests zijn vaak toegankelijk in ziekenhuizen; terwijl screeningstests vaak gebaseerd zijn op ouderlijke rapporten die worden beïnvloed door de kennis en interpretatie van ouders. Hoewel de opkomende kunstmatige intelligentie (AI)-technologie en deep learning het volgen en herkennen van menselijke bewegingen in gestandaardiseerde laboratoriumomgevingen mogelijk hebben gemaakt, is zelden onderzocht of de integratie ervan met een mobiele applicatie (APP) haalbaar en nauwkeurig is voor motorische screening bij kinderen thuis. Daarom vervolgt deze studie onze eerdere inspanningen waarbij AI en machinaal leren werden toegepast om verschillende kinderbewegingen in een gestandaardiseerd laboratorium te classificeren. Deze studie heeft tot doel het AI-algoritme en machinaal leren te combineren met een APP voor motorische screening van baby's thuis. De specifieke doeleinden zijn: (1) aanwijzing van een APP "Baby Go" versie 3.0 met daarin de beoordelings-, verwijzings- en onderwijsfuncties voor ouderlijk gebruik thuis, (2) ontwikkeling en validatie van het AI-algoritme voor motorische screening van baby's op basis van thuis video's verkregen van voldragen en premature baby's, (3) vergelijking van ouderlijke perceptie en rapport met AI-gestuurde beoordelingsresultaten, en (4) onderzoek naar voorspellende validiteit van het AI-algoritme voor motorische screening van baby's op de daaropvolgende uitkomst. Methode: Voor deze studie worden 100 premature baby's en 20 voldragen baby's in de leeftijd van 2 tot 18 maanden (gecorrigeerd voor prematuren) gerekruteerd in het National Taiwan University Children's Hospital. De APP "Baby Go" versie 3.0 zal de kenmerken bevatten van op leeftijd gebaseerde motorische screening met 2 tot 5 bewegingen op elke leeftijd, doctoraatsverwijzing en een onderwijsmodule. De ouders wordt gevraagd om thuis tweewekelijks de bewegingen van hun baby in buikligging, rugligging, zit en stand op video vast te leggen en tegelijkertijd de videobestanden te uploaden via de APP gedurende de leeftijdsperiode van 2 tot 18 maanden, gevolgd door het registreren van de loopleeftijd van hun baby. bereiken. Alle videobestanden zullen door getrainde fysiotherapeuten worden geannoteerd dat de resultaten zullen dienen als de gouden standaard voor de validatie van de gegevens van het AI-model en de perceptie van ouders. De videogegevens worden willekeurig opgesplitst in de trainings- en testset met een verhouding van 8:2 voor modelontwikkeling en validatie. Het AI-model voor motorische screening bij kinderen zal worden onderzocht op zijn voorspellende waarde op het gebied van de loopleeftijd. Innovatie en betekenis: Deze studie is een stapsgewijze vooruitgang in het AI-model bij het volgen en herkennen van bewegingen van baby's, van een laboratoriumgebaseerd classificatiesysteem naar een thuisgebaseerd screeningsysteem. De automatische AI-gestuurde motorische screening van baby's via de APP "Baby Go" zal ouders en zorgverleners in Taiwan innovatieve en haalbare ontwikkelingshulpmiddelen in afgelegen gemeenschappen bieden. De resultaten zijn inzichtelijk om kinderartsen en fysiotherapeuten te helpen bij het plannen van diagnostische beoordelingen en vroegtijdige interventie voor baby's met een risico op neuromotorische stoornissen.