Avaliação Quantificada das Habilidades Motoras Grossas do Lactente Usando um Multisensor Wearable

O método apresentado quantifica o desempenho motor grosso dos lactentes classificando os tipos de posturas e movimentos para cada segundo da sessão de gravação. Portanto, o pacote de resultados do pipeline de análise automatizada inclui uma matriz de classificação completa (arquivo suplementar 3) e um resumo gráfico (arquivo suplementar 4) de toda a sessão de gravação. Dependendo da pergunta exata do estudo, esses resultados podem ser inspecionados em diferentes níveis. A inspeção dos resultados foi utilizada para o desenvolvimento e validação desse método.A seguir, apresentamos quatro níveis de inspeção de resultados utilizados para o desenvolvimento e validação dessa metodologia. O arquivo suplementar 5 apresenta exemplos representativos dos principais experimentos de validação que foram publicados anteriormente em detalhes 10,11,12. Primeiro, os algoritmos automáticos treinados para detecções de movimento e postura foram validados contra observações humanas de segundo a segundo nível do comportamento de movimento de bebês. Usamos vários especialistas treinados em paralelo que revisaram cegamente as gravações de vídeo sincronizadas com as gravações vestíveis. Todas as diferentes categorias de postura e movimento foram comparadas separadamente com as anotações humanas individuais, e encontramos uma concordância muito alta entre o algoritmo e o humano para posturas (kappa médio 0,93); Encontrou-se concordância substancial para as categorias de movimento (subcategoria específica Kappa principalmente na faixa de 60-80%). Consulte Arquivo suplementar 5A para obter um exemplo de matriz de confusão10. Além disso, os níveis de concordância interobservadores foram avaliados para confirmar que os algoritmos têm um desempenho equivalente em torno dehumanos 10,11. Em segundo lugar, avaliamos quão bem a quantificação baseada em classificadores das categorias de movimento e postura corresponderia à quantificação correspondente das anotações humanas de segundo nível. Exemplos de gráficos de dispersão mostrados no arquivo suplementar 5B10 demonstram que várias categorias-chave têm uma correspondência quase perfeita (coeficiente de correlação >0,96) entre a quantificação visual algorítmica e humana. Isso apoia diretamente a ideia de que as distribuições específicas por idade da quantificação da motilidade (Figura 3A,B) são confiáveis12. Em terceiro lugar, a ideia de uma avaliação holística da maturidade motora foi validada pelo treinamento de uma predição da idade de desenvolvimento a partir das quantidades de movimento combinadas (ver acima) que se correlacionaram muito estreitamente com a idade real nos bebês com desenvolvimento típico (r=0,89; Arquivo suplementar 5C). Posteriormente, a predição de idade foi dimensionada para 0-100 como uma medida sem unidade BIMS (Baba Infant Motor Score10), e sua utilidade para a construção de gráficos de crescimento motor (arquivo suplementar 5D) foi validada usando uma coorte infantil em desenvolvimento típico altamente mostrando trajetórias de crescimento dependentes da idade e previsíveis. Também validamos sua acurácia relativa, mostrando que a acurácia em gráficos de crescimento motor se compara bem com os conhecidos gráficos de crescimento físico12. Quarto, o potencial de detecção de anormalidades com as métricas fornecidas foi validado em um experimento de prova de princípio, onde medidas motoras individuais mostraram diferenciar claramente entre lactentes com desempenho motor ruim e bom, respectivamente (Arquivo suplementar 5E)10. Possíveis questões de estudo adicionais em diferentes níveis de análiseA Figura 3 mostra exemplos de usos adicionais para as informações fornecidas pelo traje vestível e seu pipeline de análise automatizado. Primeiro, o desenvolvimento inicial das habilidades posturais e de movimento pode ser plotado em função da idade e comparado com as distribuições dependentes da idade (Figura 3A, “gráficos de crescimento”12), ou o desenvolvimento pode ser acompanhado ao longo do tempo para cada indivíduo (Figura 3B). Em segundo lugar, quando uma pergunta de estudo requer uma avaliação motora grossa mais holística, pode-se usar uma combinação de proporções de postura e movimento de um indivíduo (como mostrado no arquivo suplementar 5D, calculado a partir da série temporal no arquivo suplementar 5C) para gerar um índice como o BIMS (Baba Infant Motor Score). Tais medidas suportam o uso direto em gráficos de crescimento motor (arquivo suplementar 5C,D) e cálculo de derivações estatísticas como escore z (Figura 3A). O uso de séries de detecções em tempo integral do algoritmo (Figura 3C e Arquivo Suplementar 3) permite estudos sobre a estrutura temporal detalhada da motilidade de lactentes com perguntas como “Quantas transições posturais o lactente realiza em uma unidade de tempo?” ou “Qual é a distribuição das épocas em pé durante as brincadeiras espontâneas?”. Figura 1: Visão geral do sistema vestível multissensor e um fluxo de estudo típico da gravação para a análise. Figura 1 adaptada de Airaksinen et al.12publicada sob licença CC_BY. A fotografia do bebê é publicada com o consentimento dos pais. Clique aqui para ver uma versão maior desta figura. Figura 2: Categorização de postura e movimento e um exemplo de visualização de dados brutos e saída de análise (A) Esquema de categorização de postura e movimento usado pelos classificadores algorítmicos dentro do pipeline de análise totalmente automatizado para um wearable multissensor. Esta figura é reimpressa de Airaksinen et al.10 (B) Exemplo de 10 min de dados brutos do sensor do acelerômetro de cada um dos quatro braços conforme sai das gravações do MAIJU. As barras horizontais abaixo representam saídas de classificadores automatizados para as detecções de postura (barra superior) e movimento (barra inferior) para a mesma época de 10 minutos. Clique aqui para ver uma versão maior desta figura. Figura 3: Exemplo de resultados derivados das saídas brutas do classificador. (A) Um exemplo de comparação de dados entre a idade infantil e o Baba Infant Motor Score (BIMS). A curva verde em forma de S retrata a trajetória de desenvolvimento do BIMS em uma população maior. O ponto representa um exemplo de indivíduo medido aos 14 meses, com um BIMS ~74, correspondendo a um pouco abaixo do nível médio típico de idade (a linha verde). (B) Um exemplo de coorte com trajetórias individuais de desenvolvimento motor utilizando o Baba Infant Motor Score over (BIMS). Cada linha representa um bebê registrado em vários pontos de idade (pontos na linha). As linhas são coloridas para o desvio médio em relação à média típica da idade (curva azul em forma de S no fundo; veja também o painel A. (C) Matriz de saída representativa do classificador automático como vem do pipeline Babacloud. A primeira coluna representa o tempo decorrido desde o início da gravação (em segundos) para cada janela de análise na classificação (duração da janela 2,3s, com sobreposição de 50%). A segunda e a terceira colunas mostram a detecção do classificador para postura e movimento, respectivamente. A terceira e a quarta colunas são classificadores auxiliares que retratam épocas em que o bebê era carregado por outra pessoa e quando o bebê estava se envolvendo em brincadeiras autônomas, respectivamente. (D) Uma ilustração de um relatório de síntese. Os painéis A e B são adaptados de Airaksinen et al.10. Clique aqui para ver uma versão maior desta figura. Arquivo Suplementar 1: Um guia rápido para gravar com o wearable MAIJU. Clique aqui para baixar este arquivo. Arquivo suplementar 2: Um guia rápido para transferir dados do Maijulogger para o servidor de análise no Babacloud. Clique aqui para baixar este arquivo. Arquivo Suplementar 3: Um exemplo de uma matriz de classificação detalhada que fornece todas as classificações segundo a segundo para postura, movimento, transporte infantil e tempo livre de brincadeira. Clique aqui para baixar este arquivo. Arquivo suplementar 4: Um exemplo de arquivo PDF completo de um relatório de resumo gráfico. Isso é retirado do arquivo de algoritmo que inclui, (A) informações básicas básicas sobre a sessão de gravação (ID e idade do sujeito, data de gravação, duração e a quantidade total de épocas usadas para as análises finais). (B) Exibição gráfica da gravação completa indicando a distribuição das posturas ao longo da gravação completa e épocas que são excluídas da avaliação quantitativa. C) Distribuições típicas exibidas com plotagens de violino para todas as seis posturas (lado esquerdo) e 12 tipos de movimento (lado direito). Da mesma forma, desenhos do lado direito retratam o tipo de movimentos indicados por cada postura, mostrando também a sequência de desempenho motor em desenvolvimento incremental (os pontos indicando os resultados de uma gravação individual e gráficos coloridos de violino indicando distribuições de postura/movimento dependentes da idade de um conjunto de dados relevante). Notavelmente, os valores brutos indicados pelos pontos mostram quantidades reais do desempenho motor dado, e eles podem ser usados diretamente em outros contextos. Clique aqui para baixar este arquivo. Arquivo Suplementar 5: Experimentos de validação em diferentes níveis de análise. (A) Matrizes de confusão mostrando concordância entre as anotações humanas (classe alvo) e as detecções do algoritmo (classe predita) tanto para a postura quanto para as categorias de movimento. (B) Comparação de grandezas motoras ao longo de sessões completas de gravação entre anotações humanas e detecções derivadas do classificador automático. (C) Correlação entre a predição da idade de desenvolvimento a partir dos dados vestíveis (eixo Y do lado esquerdo) e seu redimensionamento para gerar o escore BIMS (eixo Y do lado direito). A idade real do lactente no momento do registro é mostrada no eixo X. (D) Correlação da predição de idade e a idade real quando se utiliza uma função ajustada. Os valores retratam o ajuste ao modelo ao usar a média dos grupos nas janelas de tempo representadas (azul), todos os valores brutos (preto) ou ao contabilizar medidas repetidas de cada indivíduo (verde). (E) A comparação de medidas motoras individuais entre grupos de lactentes com bom e baixo desempenho sugere que várias métricas motoras detectadas automaticamente podem diferenciar esses grupos infantis. O painel A,B,C é adaptado de Airaksinen et al.10. O painel D é adaptado de Airaksinen et al.12. O Painel E é adaptado de “Airaksinen et al.11. Clique aqui para baixar este arquivo.