Evaluación cuantificada de las capacidades motoras gruesas del bebé mediante un dispositivo portátil multisensor

El método presentado cuantifica el rendimiento motor grueso de los bebés clasificando los tipos de posturas y movimientos para cada segundo de la sesión de grabación. Por lo tanto, el paquete de resultados de la canalización de análisis automatizado incluye una matriz de clasificación completa (archivo complementario 3) y un resumen gráfico (archivo complementario 4) de toda la sesión de grabación. Dependiendo de la pregunta exacta del estudio, estos resultados se pueden inspeccionar a diferentes niveles. Para el desarrollo y validación de este método se utilizó la inspección de resultados.A continuación, se presentan cuatro niveles de inspección de resultados utilizados para el desarrollo y validación de esta metodología. El archivo complementario 5 presenta ejemplos representativos de los experimentos de validación clave que se publicaron previamente con todo detalle 10,11,12. En primer lugar, los algoritmos automáticos entrenados para las detecciones de movimiento y postura se validaron con observaciones humanas de segundo a segundo nivel del comportamiento de movimiento de los bebés. Utilizamos varios expertos formados en paralelo que revisaron a ciegas las grabaciones de vídeo sincronizadas con las grabaciones portátiles. Todas las diferentes categorías de postura y movimiento se compararon por separado con las anotaciones humanas individuales, y encontramos una concordancia muy alta entre el algoritmo y el humano para las posturas (kappa promedio 0.93); Se encontró una concordancia sustancial para las categorías de movimiento (kappa específico de subcategoría, en su mayoría en el rango de 60-80%). Véase el archivo suplementario 5A para ver un ejemplo de matriz de confusión10. Además, se evaluaron los niveles de concordancia entre evaluadores para confirmar que los algoritmos funcionan aproximadamente a un nivel equivalente humano10,11. En segundo lugar, evaluamos qué tan bien la cuantificación basada en el clasificador de las categorías de movimiento y postura coincidiría con la cuantificación correspondiente de las anotaciones humanas de segundo nivel. Los diagramas de dispersión de ejemplo que se muestran en el archivo suplementario 5B10 demuestran que varias categorías clave tienen una coincidencia casi perfecta (coeficiente de correlación >0,96) entre la cuantificación algorítmica y la cuantificación visual humana. Esto apoya directamente la idea de que las distribuciones específicas por edad de la cuantificación de la motilidad (Figura 3A, B) son confiables12. En tercer lugar, la idea de una evaluación holística de la madurez motora se validó mediante el entrenamiento de una predicción de la edad de desarrollo a partir de las cantidades de movimiento combinado (ver arriba) que se correlacionaron muy estrechamente con la edad real en los bebés con desarrollo típico (r = 0,89; Legajo complementario 5C). Posteriormente, la predicción de la edad se escaló a 0-100 como una medida sin unidades BIMS (Baba Infant Motor Score10), y se validó su utilidad para la construcción de tablas de crecimiento motor (Archivo suplementario 5D) utilizando una cohorte de bebés de desarrollo típico que mostraba trayectorias de crecimiento predecibles y dependientes de la edad. También validamos su precisión relativa al mostrar que la precisión en las tablas de crecimiento motor se compara bien con las conocidas tablas de crecimiento físico12. En cuarto lugar, el potencial para la detección de anomalías con las métricas dadas se validó en un experimento de prueba de principio en el que se demostró que las medidas motoras individuales diferenciaban claramente entre lactantes con un rendimiento motor deficiente y bueno, respectivamente (Archivo suplementario 5E)10. Posibles preguntas de estudio adicionales en diferentes niveles de análisisLa Figura 3 muestra ejemplos de otros usos de la información proporcionada por el traje portátil y su canalización de análisis automatizado. En primer lugar, el desarrollo temprano de las habilidades posturales y de movimiento puede trazarse en función de la edad y compararse con las distribuciones dependientes de la edad (Figura 3A, “gráficos de crecimiento”12), o se puede hacer un seguimiento del desarrollo a lo largo del tiempo para cada individuo (Figura 3B). En segundo lugar, cuando una pregunta de estudio requiere una evaluación más holística de la motricidad gruesa, se puede utilizar una combinación de las proporciones de postura y movimiento de un individuo (como se muestra en el archivo suplementario 5D, calculado a partir de la serie temporal en el archivo suplementario 5C) para generar un índice como BIMS (Baba Infant Motor Score). Tales medidas apoyan el uso directo en gráficos de crecimiento motor (Archivo suplementario 5C,D) y el cálculo de derivaciones estadísticas como la puntuación z (Figura 3A). El uso de la serie de tiempo completo de detecciones del algoritmo (Figura 3C y archivo complementario 3) permite realizar estudios sobre la estructura temporal detallada de la motilidad de los bebés con preguntas como “¿Cuántas transiciones de postura realiza el bebé en una unidad de tiempo?” o “¿Cuál es la distribución de las épocas de pie durante el tiempo de juego espontáneo?”. Figura 1: Descripción general del sistema portátil multisensor y un flujo de estudio típico desde el registro hasta el análisis. Figura 1 adaptada de Airaksinen et al.12publicada bajo licencia CC_BY. La fotografía del bebé se publica con el consentimiento de los padres. Haga clic aquí para ver una versión más grande de esta figura. Figura 2: Categorización de la postura y el movimiento y un ejemplo de visualización de los datos sin procesar y la salida del análisis (A) Esquema de categorización de la postura y el movimiento utilizado por los clasificadores algorítmicos dentro de la canalización de análisis totalmente automatizada para un dispositivo portátil multisensor. Esta figura es una reimpresión de Airaksinen et al.10 (B) Ejemplo de 10 minutos de datos brutos del sensor del acelerómetro de cada uno de los cuatro brazos tal como salen de las grabaciones del MAIJU. Las barras horizontales siguientes muestran las salidas del clasificador automatizado para las detecciones de postura (barra superior) y movimiento (barra inferior) para la misma época de 10 minutos. Haga clic aquí para ver una versión más grande de esta figura. Figura 3: Ejemplos de resultados derivados de las salidas del clasificador sin procesar. (A) Un ejemplo de comparación de datos entre la edad infantil y la puntuación motora infantil de Baba (BIMS). La curva verde en forma de S representa la trayectoria de desarrollo de BIMS en una población más grande. El punto representa un individuo de ejemplo medido a los 14 meses, con un BIMS ~74, que corresponde a un nivel un poco por debajo del nivel promedio típico de edad (la línea verde). (B) Un ejemplo de cohorte con trayectorias individuales de desarrollo motor utilizando el Baba Infant Motor Score over (BIMS). Cada línea representa a un bebé registrado en varios puntos de edad (puntos en la línea). Las líneas están coloreadas para la desviación media en relación con la media típica de la edad (curva azul en forma de S en el fondo; véase también el panel A. (C) Matriz de salida representativa del clasificador automático tal y como procede de la canalización Babacloud. La primera columna muestra el tiempo transcurrido desde el inicio de la grabación (en segundos) para cada ventana de análisis de la clasificación (duración de la ventana 2,3 s, con un 50% de superposición). La segunda y tercera columnas muestran la detección del clasificador para la postura y el movimiento, respectivamente. La tercera y cuarta columnas son clasificadores auxiliares que representan épocas en las que el bebé fue llevado por otra persona y cuando el bebé participaba en un juego autónomo, respectivamente. D) Una ilustración de un informe resumido. Los paneles A y B son una adaptación de Airaksinen et al.10. Haga clic aquí para ver una versión más grande de esta figura. Archivo complementario 1: Una guía rápida para grabar con el wearable MAIJU. Haga clic aquí para descargar este archivo. Archivo complementario 2: Una guía rápida para transferir datos de Maijulogger al servidor de análisis en Babacloud. Haga clic aquí para descargar este archivo. Archivo Suplementario 3: Un ejemplo de una matriz de clasificación detallada que proporciona todas las clasificaciones segundo a segundo para la postura, el movimiento, el porteo del bebé y el tiempo de juego libre. Haga clic aquí para descargar este archivo. Archivo complementario 4: Un ejemplo completo de archivo PDF de un informe de resumen gráfico. Esto se toma del archivo del algoritmo que incluye, (A) información básica sobre la sesión de grabación (ID y edad del sujeto, la fecha de grabación, la duración y la cantidad total de épocas utilizadas para los análisis finales). (B) Una representación gráfica de la grabación completa que indique la distribución de las posturas a lo largo de la grabación completa y las épocas que se excluyen de la evaluación cuantitativa. C) Distribuciones típicas mostradas con gráficos de violín para las seis posturas (lado izquierdo) y 12 tipos de movimiento (lado derecho). Del mismo modo, los dibujos del lado derecho representan el tipo de movimientos indicados por cada postura, mostrando también la secuencia de desarrollo incremental del rendimiento motor (los puntos que indican los resultados de una grabación individual y los coloridos gráficos de violín que indican las distribuciones de postura/movimiento dependientes de la edad de un conjunto de datos relevante). En particular, los valores brutos indicados por los puntos muestran cantidades reales del rendimiento del motor dado, y se pueden utilizar directamente en otros contextos. Haga clic aquí para descargar este archivo. Archivo Suplementario 5: Experimentos de validación en diferentes niveles de análisis. (A) Matrices de confusión que muestran la concordancia entre las anotaciones humanas (clase objetivo) y las detecciones del algoritmo (clase predicha) para las categorías de postura y movimiento. (B) Comparación de las cuantificaciones motoras a lo largo de sesiones de grabación completas entre las anotaciones humanas y las detecciones derivadas del clasificador automatizado. (C) Correlación entre la predicción de la edad de desarrollo a partir de los datos del wearable (eje Y del lado izquierdo) y su reescalado para generar la puntuación BIMS (eje Y del lado derecho). La edad real del bebé en el momento de la grabación se muestra en el eje X. (D) Correlación de la predicción de la edad y la edad real cuando se utiliza una función ajustada. Los valores representan el ajuste al modelo cuando se utiliza el promedio del grupo en las ventanas de tiempo representadas (azul), todos los valores sin procesar (negro) o cuando se tienen en cuenta las medidas repetidas de cada individuo (verde). (E) La comparación de las medidas motoras individuales entre grupos de bebés con buen y bajo rendimiento sugiere que varias métricas motoras detectadas automáticamente pueden diferenciar a estos grupos de bebés. El panel A, B, C es una adaptación de Airaksinen et al.10. El panel D es una adaptación de Airaksinen et al.12. El panel E es una adaptación de “Airaksinen et al.11. Haga clic aquí para descargar este archivo.