Artificiell intelligens för spädbarnsmotorscreening: utveckling och validering

Bakgrund och syfte. Även om antalet barn med utvecklingsstörningar som rapporterats för tidig intervention i Taiwan har ökat under det senaste decenniet, är prevalensuppskattningen av barn med utvecklingsstörning lägre än de globala uppgifterna, särskilt bland dem som är under 2 år eller i avlägsna områden. Artificiell intelligens (AI), baserad på maskininlärning av big data, har framgångsrikt använts för medicinsk bildklassificering och förutsägelse av vissa sjukdomar; dock är dess tillämpning vid screening av barns utveckling sällsynt. Syftet med denna treåriga studie är därför trefaldigt: (1) Modellutveckling - att tillämpa poseskattningsmodell och spårningsigenkänningsmodell på rörelserna hos ett stort urval av blivande och prematura spädbarn under en motorisk bedömning i laboratoriet för att undersöka noggrannheten hos AI-algoritmerna för att identifiera individuella rörelser med hjälp av fysioterapeuternas resultat som guldstandard; (2) Modellvalidering - för att undersöka prestanda för AI-algoritmerna på samma termin och för tidigt födda barns rörelser när video inspelad av föräldrarna hemma mellan laboratorieutvärderingsåldrarna med hjälp av fysioterapeuternas resultat som guldstandard; och (3) Samtidig och prediktiv validitet av AI-rörelseuppsättningar - för att välja identifierbara rörelseklasser i AI-rörelseuppsättningar för individuella åldrar för att undersöka deras samtidiga giltighet med fysioterapeuternas resultat och prediktiv validitet på utvecklingsresultat vid 18 månaders ålder hos dessa spädbarn . Metod. Totalt 125 termins- och för tidigt födda barn kommer att rekryteras från National Taiwan University Children's Hospital och kommer att delas upp slumpmässigt i träningsuppsättningar (N=101), trimning (N=12) och testset (N=12) med 8:1 :1-förhållande för modellutveckling. Alla spädbarn kommer att prospektivt administreras Alberta Infant Motor Assessment i liggande, liggande, sittande och stående positioner vid 4, 6, 8, 10, 12 och 14 månaders ålder (korrigerat för prematuritet) i laboratoriet med rörelser registrerade av 5 kameror. För modellvalidering kommer samma 125 spädbarn att videofilmas av sina rörelser av föräldrarna med mobiltelefoner hemma vid 5, 7, 9, 11 och 13 månaders ålder från minst 2 kameravyer, med rörelseregistreringen uppladdad till en prototyp av mobilappen "Baby Go." Databearbetningen av rörelsevideoinspelningar kommer att innefatta: val av rörelseposter, upprättande av en modell för uppskattning av posering och upprättande av en modell för handlingsigenkänning. Noggrannheten hos AI-modellen för att identifiera spädbarns individuella rörelser kommer att undersökas med hjälp av fysioterapeutens resultat som guldstandard. Rörelserna som kan identifieras genom maskininlärning kommer att väljas för att skapa AI-rörelseuppsättningar för varje ålder. Samtidig och förutsägande validitet av AI-rörelseuppsättningarna kommer att undersökas med hjälp av fysioterapeutens resultat och utvecklingsresultat vid 18 månaders ålder som kriterier (ålder för gångavstånd och Peabody Developmental Motor Scale - 2:a upplagan). Betydelse. Resultaten kommer att hjälpa till att etablera den bästa och lämpliga AI-modellen för spädbarnsmotorscreening i Taiwan. Den etablerade AI-modellen kan införlivas i kliniska förfaranden för att hjälpa barnläkare och sjukgymnaster att planera för ytterligare diagnostisk bedömning.