PANDA Gym: Automatisert vurdering av nevroutvikling hos spedbarn med risiko for motorisk funksjonshemming

For barn med nevroutviklingshemming vil tidlig behandling i det første leveåret forbedre langsiktige resultater. Imidlertid er etterforskerne for tiden holdt tilbake av utilstrekkelighet av tilgjengelige kliniske tester for å måle og forutsi svekkelse. Eksisterende tester er vanskelige å administrere, krever spesialisert opplæring og har begrenset langsiktig prediktiv verdi. Det er et kritisk behov for å utvikle et objektivt, nøyaktig og brukervennlig verktøy for tidlig prediksjon av langsiktig fysisk funksjonshemming. Feltet pediatri og spedbarnsutvikling vil ha stor nytte av en kvantitativ poengsum som vil korrelere med eksisterende kliniske tiltak som brukes i dag for å oppdage bevegelseshemninger hos svært små spedbarn. For å realisere en ny generasjon tester som vil være enkle å administrere, vil etterforskerne skaffe store datasett av spedbarn som spiller i et instrumentert treningsstudio eller bare blir tatt opp mens de beveger seg i liggende stilling. Video- og sensordataanalyser vil konvertere bevegelse til funksjonsvektorer basert på vår kunnskap om problemdomenet. Vår tilnærming vil bruke maskinlæring for å relatere disse funksjonsvektorene til anbefalte kliniske tester eller annen sannhetsinformasjon. Kraften til dette designet er at algoritmer kan bruke mange aspekter av bevegelse for å produsere de relevante poengsummene.