Valutazione quantificata delle capacità motorie grossolane del bambino utilizzando un dispositivo indossabile multisensore

Lo sviluppo motorio precoce è essenziale per le prestazioni neurocognitive di livello superiore che emergono in seguito supportando l'esplorazione dell'ambiente da parte dei neonati. Pertanto, sia i clinici che i ricercatori hanno un grande interesse nel valutare lo sviluppo motorio precoce ^1,2,3. Per fornire supporto alla medicina basata sull'evidenza o agli studi scientifici, è essenziale che le valutazioni motorie grossolane siano quantitative, affidabili, obiettive ed ecologicamente valide. Tuttavia, c'è una scarsità di tali metodi disponibili per la ricerca clinica o scientifica di base.

Un tipico sviluppo motorio precoce progredisce attraverso una sequenza prevedibile di nuove abilità acquisite. Sono comunemente osservati nei neonati mentre raggiungono tappe motorie discrete⁴, dove stare in piedi e camminare sono spesso considerati punti di riferimento significativi nel percorso verso un repertorio comportamentale più complesso⁵. Oltre all'osservazione diretta o ai sondaggi dei genitori sulle tappe motorie, sono state sviluppate diverse batterie standardizzate ampiamente utilizzate 6,7,8,9 per eseguire valutazioni dei neonati in laboratorio o in ambiente ospedaliero. Tuttavia, queste valutazioni soffrono di molteplici avvertimenti: richiedono una notevole esperienza da parte di professionisti qualificati, sono in parte soggettive e categoriche e valutano le prestazioni dei neonati in un ambiente (ospedale o laboratorio) che è innaturale dal punto di vista di un bambino.

La registrazione dell'attività motoria spontanea dei neonati per periodi più lunghi nell'ambiente nativo, come la loro casa, consente di misurare in modo più pertinente le capacità motorie. In uno di questi metodi fattibili, la valutazione viene eseguita per l'intera sequenza dello sviluppo delle capacità motorie del bambino da sdraiato supino a camminare fluentemente con un sistema indossabile, come il indossabile MAIJU (Motor Assessment of the Infants with a JUmpsuit)10,11,12. Il sistema indossabile MAIJU (Figura 1) prevede un indumento tessile per tutto il corpo dotato di sensori di movimento per consentire valutazioni e registrazioni non supervisionate fuori dall'ospedale/laboratorio che vengono analizzate con una pipeline automatizzata, fornendo una valutazione secondo per secondo della postura e dei modelli di movimento. Questi rilevamenti algoritmici possono essere utilizzati separatamente per ogni postura e tipo di movimento, oppure possono essere combinati per una valutazione olistica del livello di maturazione delle capacità motorie del bambino. Un'espressione di recente pubblicazione, priva di unità, di tale metrica della maturità motoria è il BIMS (Baba Infant Motor Score)^10,12.

Questo articolo descriverà la valutazione delle prestazioni motorie lorde dei neonati utilizzando una tuta indossabile multisensore; La logica, le prestazioni pratiche, la pipeline di analisi e le potenziali prospettive future per l'utilizzo delle metriche che possono essere ottenute dalla pipeline di analisi automatizzata disponibile per le registrazioni con un indossabile multisensore 10,11,12. Il metodo è adatto per una quantificazione dettagliata delle attività motorie grossolane spontanee in tutti i neonati che mostrano capacità motorie tra la posizione supina sdraiata e la deambulazione fluida.

Il sistema indossabile multisensore è costituito da tre componenti: 1) l'indumento completo dotato di quattro sensori di movimento, 2) un dispositivo mobile che utilizza un'applicazione iOS personalizzata e 3) una pipeline di analisi basata su cloud (Babacloud le cui credenziali possono essere ottenute dagli autori)¹¹. I sensori dell'unità di misura inerziale (IMU) impermeabili trasmettono dati sincronizzati (accelerometro a 3 assi e giroscopio) a una frequenza di campionamento di 13-52 Hz a un telefono cellulare utilizzando una connessione Bluetooth a basso consumo energetico. I dati vengono inizialmente memorizzati nella memoria del sensore o del dispositivo mobile, seguita da un'analisi offline nel server cloud dopo l'interruzione della registrazione.

Gli studi effettuati con questo sistema sono stati esaminati dal comitato etico del New Children's Hospital, Helsinki University Hospital, e l'ospedale ha dato il permesso di svolgere i progetti di ricerca descritti negli studi originali citati in questo lavoro. È stato ottenuto un consenso informato per filmare il bambino nel video.

1. Preparare la tuta per una sessione di registrazione

1. Seleziona la taglia corretta dell'abito. Attualmente, le taglie partono da 68 cm e ci sono cinque opzioni di dimensioni distinte (68 cm, 74 cm, 80 cm, 86 cm e 92 cm). Assicurati che la tuta si adatti perfettamente ma comodamente e che il bambino possa muoversi liberamente senza interferenze.
2. Avviare la registrazione, ovvero la raccolta dei dati utilizzando l'applicazione del data logger, Maijulogger, come descritto nel file supplementare 1.
   1. Nella prima pagina, inserisci il "Numero di identificazione del soggetto". Il numero di sensori di movimento utilizzati nella valutazione è impostato su 4 come impostazione predefinita, come mostrato nella prima pagina.
   2. Procedere alla fase successiva premendo la freccia avanti.
3. Equipaggiare quattro sensori con batterie (versione CR2025).
4. Associare ciascun sensore all'applicazione mobile selezionando e premendo la posizione di un arto sull'applicazione e avvicinando il sensore al dispositivo mobile.
   1. Verificare che sull'applicazione sia visualizzato il numero del sensore corretto.
   2. Assicurarsi che il livello di carica della batteria sia sufficiente (consigliato > 80%) controllando gli indicatori sotto il numero del sensore.
      NOTA: Sostituire le batterie del sensore, se necessario, sollevando il coperchio posteriore.
5. Fissare ciascun sensore con i supporti a scatto nella tasca corretta della manica.
   1. Assicurarsi che i sensori siano orientati correttamente.
   2. Consultare sempre la guida per l'utente più recente per i dettagli. Un orientamento errato porterà a dati inutilizzabili.
6. Procedere a verificare il corretto accoppiamento del sensore premendo la freccia avanti nell'applicazione.
   1. Scuotere i sensori uno per uno e controllare l'applicazione per vedere che l'indicatore corretto si muove.
7. Al termine dei controlli, passare alla pagina iniziale premendo la freccia avanti.
   NOTA: Se necessario, la durata della registrazione (hh:mm) può essere impostata manualmente premendo il pulsante Impostazioni all'inizio di ogni registrazione.
   1. Premere il pulsante Registra per avviare la registrazione. Attendere che i sensori siano pronti prima di vestire la tuta sul neonato (potrebbero essere necessari alcuni minuti).
8. Per le registrazioni domestiche non supervisionate, impostare il blocco schermo sul dispositivo mobile per evitare il funzionamento dei genitori e imballare la tuta per la consegna al destinatario.
   1. Utilizza un corriere o un servizio simile per consegnare l'abito al destinatario subito dopo che è stato preparato.

2. Preparare e vestire il bambino per una sessione di registrazione

1. Assicurati che il bambino sia allattato (cioè nutrito e cambiato i pannolini) e si senta sicuro e a suo agio per un gioco naturale e spontaneo.
   1. Rimuovere la tuta in un secondo momento per un cambio di pannolino, se necessario.
2. Vesti l'abito del bambino come si fa con una normale tuta.
   1. Verificare che le tasche del sensore siano rivolte verso l'esterno (cioè lontano dalla linea mediana del corpo invece di ruotare verso la parte anteriore o posteriore del bambino).
3. Verificare che la tuta aderisca perfettamente agli arti in ciascuna posizione del sensore.
   1. Regolare le cinghie vicino alle tasche per stringere il sensore sull'arto, se necessario.
      NOTA: È anche possibile aggiungere vestiti sotto la tuta o bende per fissare i sensori nel caso in cui gli arti siano troppo sottili per un fissaggio sufficiente con le cinghie.

3. Sessione di registrazione

1. Tenere il dispositivo mobile vicino al neonato per garantire una trasmissione affidabile dei dati tramite la connessione Bluetooth (ad esempio, nella stessa stanza o entro 10 m se si registra in uno spazio aperto) durante la registrazione con streaming diretto dei dati.
   1. Se applicabile, conservare il dispositivo mobile in una borsa, ad esempio una custodia per tablet, per una manipolazione più facile e sicura. Il protocollo Bluetooth tenterà di riconnettersi se la connessione BLE viene persa.
      NOTA: Non è consigliabile mettere in pausa e poi continuare la registrazione in quanto potrebbe interrompere la sincronizzazione tra i sensori o l'integrità temporale dei dati registrati, nonché la perdita della connessione BLE. In tali occasioni, l'unica opzione è disattivare l'applicazione e ricominciare la registrazione.
2. Organizza l'ambiente circostante in modo da facilitare il gioco con giocattoli e altri oggetti e incoraggia il bambino a muoversi liberamente. Ad esempio, libera lo spazio per muoverti o stendi un tappetino a terra in modo che il bambino possa essere incoraggiato a muoversi quando vede giocattoli adatti alla sua età. L'obiettivo è quello di registrare il movimento naturale del bambino.
   1. Assicurati che il bambino si senta abbastanza a suo agio e sicuro da impegnarsi in un gioco spontaneo senza provare ansia a causa di nuove persone o luoghi sconosciuti.
3. Registra almeno 1 ora di gioco libero o il tempo desiderato dalle domande di studio. Più epoche di gioco/movimento possono essere combinate in un secondo momento durante l'analisi.
4. Se richiesto dal protocollo di ricerca specifico, prendere ulteriori appunti per facilitare l'ispezione dettagliata dei singoli risultati. Utilizza le annotazioni sincronizzate in tempo reale nell'applicazione data logger come testo libero, registrazioni audio o registrazioni video.
5. Per le registrazioni domestiche non supervisionate, impostare la registrazione in modo che si interrompa automaticamente (ad esempio, impostare manualmente la durata (hh:mm) della registrazione premendo il pulsante Impostazioni ).
6. Nelle impostazioni supervisionate, terminare la registrazione premendo il pulsante Stop sull'applicazione.
7. Togliersi la tuta e imballarla per riportarla in laboratorio.
8. Lavare la tuta dopo ogni registrazione dopo aver tolto i sensori dalle tasche della tuta. Se disponibili, utilizzare detergenti, compreso il trasporto dell'umidità mirato ai materiali sintetici¹¹.
   1. Ispezionare visivamente la tuta dopo il lavaggio per verificare la presenza di difetti meccanici prima di riporla per l'uso sul bambino successivo.

4. Analisi basata su cloud: caricamento dei dati grezzi e download dei risultati

1. Fare clic sul file registrato nella vista database dell'applicazione, quindi fare clic su Esporta in Babacloud, che apre la home page del cloud computazionale (https://babacloud.fi/) utilizzando il browser Web sul dispositivo mobile (file supplementare 2).
2. Inserisci nome utente e password nella pagina di accesso. Se necessario, richiedi nuove credenziali all'indirizzo e-mail fornito nella home page di Babacloud.
3. Scegli il file registrato per un caricamento. Quindi, scegli un numero di identificazione per il soggetto e aggiungi le informazioni richieste come indicato dal flusso di lavoro di Babacloud. Se pertinente per il caso, inserisci anche l'età del soggetto o altre informazioni (ad esempio, il tempo di gioco) in "Aggiungi un'altra etichetta di file raw". Infine, salva la sessione di caricamento premendo il pulsante Salva .
   NOTA: Per impostazione predefinita, l'applicazione data logger genererà un file compresso dai dati di movimento per consentire un trasferimento dei dati via etere più semplice e veloce tramite una rete Wi-Fi o mobile. L'interfaccia di Babacloud richiederà le credenziali che possono essere ottenute come indicato sulla loro pagina web. I dati grezzi registrati possono anche essere trasferiti direttamente dal telefono a un altro dispositivo per un'analisi personalizzata. Assicurarsi che i dati non necessari dalla memoria del dispositivo mobile vengano eliminati per evitare confusione tra le sessioni di registrazione. Le sessioni di registrazione vengono automaticamente inserite nelle proprie cartelle, denominate con i rispettivi timestamp.
4. Scaricare il pacchetto compresso di output dell'analisi dal server cloud utilizzando un dispositivo mobile o un browser Web del computer. Fare clic sull'ID soggetto corretto, quindi scegliere il collegamento all'analisi desiderata, che apre automaticamente il download del file.
   NOTA: Nel pacchetto dei risultati compressi si trovano i due elementi seguenti: Una matrice dettagliata dei risultati, che fornisce tutte le classificazioni secondo per secondo per la postura, il movimento, il trasporto del bambino e il tempo libero di gioco (Figura 2A, file supplementare 3). Relazioni grafiche che forniscono una panoramica della sessione di studio (Scheda supplementare 4).

Il metodo presentato quantifica le prestazioni motorie lorde dei bambini classificando i tipi di posture e movimenti per ogni secondo della sessione di registrazione. Pertanto, il pacchetto di risultati della pipeline di analisi automatizzata include una matrice di classificazione completa (file supplementare 3) e un riepilogo grafico (file supplementare 4) dell'intera sessione di registrazione. A seconda dell'esatta domanda di studio, questi risultati possono essere esaminati a diversi livelli.

L'ispezione dei risultati è stata utilizzata per lo sviluppo e la convalida di questo metodo.
Di seguito, presentiamo quattro livelli di ispezione dei risultati utilizzati per lo sviluppo e la convalida di questa metodologia. Il file supplementare 5 presenta esempi rappresentativi degli esperimenti di validazione chiave che sono stati precedentemente pubblicati in dettaglio 10,11,12.

In primo luogo, gli algoritmi automatici addestrati per i rilevamenti del movimento e della postura sono stati convalidati rispetto alle osservazioni umane di secondo per secondo livello del comportamento di movimento dei bambini. Ci siamo avvalsi di diversi esperti formati parallelamente che hanno esaminato ciecamente le registrazioni video sincronizzate con le registrazioni indossabili. Tutte le diverse categorie di postura e movimento sono state confrontate separatamente con le singole annotazioni umane e abbiamo trovato un accordo molto elevato tra l'algoritmo e l'uomo per le posture (kappa medio 0,93); È stato trovato un accordo sostanziale per le categorie di movimento (Kappa specifiche per sottocategoria per lo più nell'intervallo 60-80%). Vedere il file supplementare 5A per un esempio di matrice^{di confusione 10}. Inoltre, sono stati valutati i livelli di accordo interno per confermare che gli algoritmi funzionano a circa il livello^{equivalente umano 10,11}.

In secondo luogo, abbiamo valutato quanto bene la quantificazione basata sul classificatore delle categorie di movimento e postura corrispondesse alla corrispondente quantificazione delle annotazioni umane di secondo livello. Esempi di grafici a dispersione mostrati nel file supplementare 5B¹⁰ dimostrano che diverse categorie chiave hanno una corrispondenza quasi perfetta (coefficiente di correlazione >0,96) tra la quantificazione algoritmica e quella visiva umana. Ciò supporta direttamente l'idea che le distribuzioni specifiche per età della quantificazione della motilità (Figura 3A,B) siano affidabili¹².

In terzo luogo, l'idea di una valutazione olistica della maturità motoria è stata convalidata addestrando una previsione dell'età di sviluppo dalle quantità di movimento combinate (vedi sopra) che correlavano molto strettamente con l'età effettiva nei bambini a sviluppo tipico (r = 0,89; Fascicolo supplementare 5C). Successivamente, la previsione dell'età è stata scalata a 0-100 come misura BIMS (Baba Infant Motor Score¹⁰) e la sua utilità per la costruzione di grafici di crescita motoria (file supplementare 5D) è stata convalidata utilizzando una coorte di neonati con sviluppo tipico che mostra traiettorie di crescita dipendenti dall'età e prevedibili. Abbiamo anche convalidato la sua accuratezza relativa dimostrando che l'accuratezza nei grafici di crescita motoria si confronta bene con i ben noti grafici di crescita fisica¹².

In quarto luogo, il potenziale per il rilevamento di anomalie con le metriche fornite è stato convalidato in un esperimento di prova di principio in cui le singole misure motorie hanno dimostrato di distinguere chiaramente tra neonati con scarse e buone prestazioni motorie, rispettivamente (file supplementare 5E)¹⁰.

Eventuali domande di approfondimento a diversi livelli di analisi
La Figura 3 mostra esempi di ulteriori usi delle informazioni fornite dalla tuta indossabile e dalla sua pipeline di analisi automatizzata. In primo luogo, lo sviluppo precoce della postura e delle capacità di movimento può essere tracciato in funzione dell'età e confrontato con le distribuzioni dipendenti dall'età (Figura 3A, "grafici di crescita"¹²), oppure lo sviluppo può essere monitorato nel tempo per ciascun individuo (Figura 3B). In secondo luogo, quando una domanda di studio richiede una valutazione motoria più olistica, è possibile utilizzare una combinazione di posture e proporzioni di movimento di un individuo (come mostrato nel file supplementare 5D, calcolato dalla serie temporale nel file supplementare 5C) per generare un indice come BIMS (Baba Infant Motor Score). Tali misure supportano l'uso diretto nei grafici di crescita motoria (file supplementare 5C,D) e il calcolo di derivazioni statistiche come il punteggio z (Figura 3A). L'utilizzo della serie a tempo pieno di rilevamenti dell'algoritmo (Figura 3C e file supplementare 3) consente di studiare la struttura temporale dettagliata della motilità dei neonati con domande come "Quante transizioni posturali esegue il bambino in un'unità di tempo?" o "Qual è la distribuzione delle epoche in piedi durante il gioco spontaneo?".

Figura 1: Panoramica del sistema indossabile multisensore e un tipico flusso di studio dalla registrazione all'analisi. Figura 1 adattata da Airaksinen et ^al.12pubblicata sotto licenza CC_BY. La fotografia del neonato è pubblicata con il consenso dei genitori. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 2: Categorizzazione della postura e del movimento e visualizzazione di esempio dei dati grezzi e dell'output dell'analisi (A) Schema di categorizzazione della postura e del movimento utilizzato dai classificatori algoritmici all'interno della pipeline di analisi completamente automatizzata per un dispositivo indossabile multisensore. Questa figura è ristampata da Airaksinen et ^al.10 (B) Esempio di 10 minuti di dati grezzi del sensore dell'accelerometro da ciascuno dei quattro bracci come escono dalle registrazioni MAIJU. Le barre orizzontali sottostanti illustrano gli output del classificatore automatico per i rilevamenti di postura (barra superiore) e movimento (barra inferiore) per la stessa epoca di 10 minuti. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 3: Risultati di esempio derivati dagli output del classificatore non elaborato. (A) Un esempio di confronto dei dati tra l'età infantile e il Baba Infant Motor Score (BIMS). La curva verde a forma di S rappresenta la traiettoria di sviluppo del BIMS in una popolazione più ampia. Il punto raffigura un esemplare di individuo misurato a 14 mesi, con un BIMS ~74, corrispondente a poco al di sotto del livello medio di età tipica (la linea verde). (B) Una coorte di esempio con traiettorie individuali di sviluppo motorio utilizzando il Baba Infant Motor Score over (BIMS). Ogni linea rappresenta un neonato registrato in diversi punti dell'età (punti nella linea). Le linee sono colorate per la devianza media relativa alla media tipica dell'età (curva blu a forma di S sullo sfondo; vedi anche pannello A. (C) Matrice di output rappresentativa dal classificatore automatico come proviene dalla pipeline Babacloud. La prima colonna rappresenta il tempo trascorso dall'inizio della registrazione (in secondi) per ogni finestra di analisi nella classificazione (durata della finestra 2,3 secondi, con sovrapposizione del 50%). La seconda e la terza colonna mostrano il rilevamento del classificatore rispettivamente per la postura e il movimento. La terza e la quarta colonna sono classificatori ausiliari che raffigurano le epoche in cui il bambino è stato portato in braccio da qualcun altro e in cui il bambino era impegnato in un gioco autonomo, rispettivamente. (D) Un'illustrazione di una relazione di sintesi. I pannelli A e B sono adattati da Airaksinen et ^al.10. Fare clic qui per visualizzare una versione più grande di questa figura.

File supplementare 1: una guida rapida alla registrazione con il dispositivo indossabile MAIJU. Fare clic qui per scaricare il file.

File supplementare 2: Una guida rapida al trasferimento dei dati da Maijulogger al server di analisi in Babacloud. Fare clic qui per scaricare il file.

File supplementare 3: un esempio di matrice di classificazione dettagliata che fornisce tutte le classificazioni secondo per secondo per la postura, il movimento, il trasporto del bambino e il tempo libero di gioco. Fare clic qui per scaricare il file.

File supplementare 4: un esempio completo di file PDF di un report di riepilogo grafico. Questo è preso dal file dell'algoritmo che include, (A) informazioni di base sulla sessione di registrazione (ID ed età del soggetto, la data di registrazione, la durata e la quantità totale di epoche utilizzate per le analisi finali). (B) Una rappresentazione grafica della registrazione completa che indichi la distribuzione delle posture sull'intera registrazione e le epoche escluse dalla valutazione quantitativa. C) Distribuzioni tipiche visualizzate con grafici di violino per tutte e sei le posture (lato sinistro) e 12 tipi di movimento (lato destro). Allo stesso modo, i disegni sul lato destro raffigurano il tipo di movimenti indicati da ciascuna postura, mostrando anche la sequenza delle prestazioni motorie in via di sviluppo incrementale (i punti indicano i risultati di una registrazione individuale e grafici a violino colorati che indicano le distribuzioni di postura/movimento dipendenti dall'età di un set di dati rilevante). In particolare, i valori grezzi indicati dai punti mostrano le quantità effettive delle prestazioni motorie date e possono essere utilizzati direttamente in altri contesti. Fare clic qui per scaricare il file.

File supplementare 5: Esperimenti di validazione a diversi livelli di analisi. (A) Matrici di confusione che mostrano l'accordo tra le annotazioni umane (classe target) e i rilevamenti dell'algoritmo (classe prevista) sia per la postura che per le categorie di movimento. (B) Confronto delle quantificazioni motorie su sessioni di registrazione complete tra annotazioni umane e rilevamenti derivati dal classificatore automatico. (C) Correlazione tra la previsione dell'età evolutiva dai dati indossabili (asse Y lato sinistro) e il loro ridimensionamento per generare il punteggio BIMS (asse Y lato destro). L'età effettiva del neonato al momento della registrazione è indicata sull'asse X. (D) Correlazione tra la previsione dell'età e l'età effettiva quando si utilizza una funzione adattata. I valori rappresentano l'adattamento al modello quando si utilizza la media di gruppo nelle finestre temporali rappresentate (blu), tutti i valori grezzi (nero) o quando si tiene conto delle misure ripetute di ogni individuo (verde). (E) Il confronto delle misure motorie individuali tra gruppi di neonati con prestazioni buone e scarse suggerisce che diverse metriche motorie rilevate automaticamente possono differenziare questi gruppi di neonati. Il pannello A,B,C è adattato da Airaksinen et ^al.10. Il pannello D è adattato da Airaksinen et ^al.12. Il pannello E è adattato da "Airaksinen et ^al.11. Fare clic qui per scaricare il file.

Una valutazione quantificata e il monitoraggio dello sviluppo delle prestazioni motorie dei neonati con una soluzione indossabile, come MAIJU, è tecnicamente semplice da imparare ed eseguire e può essere facilmente implementata nell'assistenza sanitaria o nella pratica della ricerca clinica 10,11,12. Rispetto agli altri metodi di valutazione motoria esistenti, questo tipo di registrazione domiciliare dell'attività motoria spontanea dei neonati migliora la validità ecologica della valutazione. Inoltre, fornisce un'analisi quantificata, trasparente e completamente automatizzata delle prestazioni motorie dei neonati. Ancora più importante, le metriche utilizzate nell'analisi sono intuitive e spiegabili, il che consente un facile confronto con altre valutazioni cliniche e di ricerca, come i fattori ambientali, lo sviluppo cognitivo o le valutazioni psicosociali. Una valutazione olistica dello sviluppo motorio fornisce un'accuratezza che si confronta bene con le misure convenzionali di crescita fisica¹².

I passaggi critici del protocollo includono un'attenta preparazione della tuta indossabile. Quando ci si prepara per una registrazione, la scelta della taglia corretta per la tuta è fondamentale, poiché gli attacchi del sensore nelle maniche e nelle gambe devono essere ben saldi per ottenere una registrazione affidabile dei movimenti del corpo. Inoltre, per una registrazione di successo, è fondamentale posizionare i sensori nelle tasche con un orientamento corretto, come indicato nel protocollo. I supporti del sensore non consentono ai sensori di ruotare durante la registrazione. Tuttavia, il sensore orientato in modo errato registra dati che sono difficili, se non impossibili, da correggere in seguito. Il bambino deve essere incoraggiato a muoversi liberamente e in modo indipendente durante la registrazione. La durata della registrazione può variare a seconda delle domande di studio date. Le epoche multiple di movimento spontaneo vengono combinate per accumulare abbastanza movimento spontaneo per ogni sessione di registrazione.

Il funzionamento flessibile e pratico della soluzione indossabile MAIJU ne consente l'utilizzo in contesti variabili sia in ambienti supervisionati che non supervisionati, come laboratori di ricerca o abitazioni. I recenti risultati dei nostri studi clinici mostrano che le registrazioni completamente non supervisionate condotte a casa possono fornire risultati comparabili con le registrazioni effettuate sotto supervisione totale o parziale¹². Tuttavia, il comportamento motorio spontaneo di un bambino è potenzialmente influenzato da diversi fattori, come l'ambiente circostante (ad esempio, giocare all'aperto rispetto all'interno, la disposizione dello spazio, i mobili e i giocattoli), il livello di vigilanza del bambino e il coinvolgimento dei genitori durante la registrazione domestica. Quando le registrazioni vengono eseguite in ambienti domestici non sorvegliati, è importante incoraggiare il bambino a giocare spontaneamente, cioè a giocare o muoversi in modo indipendente, senza che qualcun altro lo porti o lo tenga in braccio se non necessario, e a tenere il telefono cellulare di registrazione a una portata Bluetooth (nella stessa stanza)¹⁰. La maggior parte delle nostre attuali situazioni di risoluzione dei problemi durante le registrazioni sono causate dalla perdita della connessione Bluetooth. I progressi del prossimo futuro nella tecnologia dei sensori miglioreranno la connettività Bluetooth e l'imminente introduzione di una memoria del sensore più grande consentirà la registrazione offline memorizzando i dati di movimento direttamente nella memoria del sensore.

Le registrazioni extraospedaliere con una soluzione indossabile di questo tipo sono facilmente scalabili e possono migliorare la sicurezza dei neonati, ad esempio consentendo il monitoraggio remoto durante circostanze come una pandemia. I nostri attuali algoritmi di classificazione sono stati addestrati per riconoscere in modo specifico le abilità motorie, le posture e i movimenti mostrati nello schema di descrizione della motilità (Figura 2A). Questi fenomeni sono stati identificati come caratteristici del movimento infantile durante i primi due anni di vita. Altri tipi di movimenti o posture osservati nei bambini più grandi, come correre o saltare, richiederanno schemi di descrizione dei movimenti modificati e rispettivi algoritmi per essere addestrati a identificarli. L'analisi dipendente dal contesto posturale è un approccio potenzialmente fruttuoso in cui l'attività motoria di un bambino viene analizzata separatamente in diverse posture per supportare lo studio, ad esempio, dei correlati di sviluppo del comportamento infantile 5,6,7,8,9,13. In alternativa, un'analisi del movimento dipendente dal contesto potrebbe anche supportare la valutazione dell'asimmetria nella funzione motoria nel predire lo sviluppo di paralisi cerebrale unilaterale 10,12,14,15. Inoltre, la valutazione delle abilità motorie con il sistema MAIJU può essere combinata con altre modalità di studio, ad esempio il tracciamento oculare, l'imaging o la registrazione video, per fornire dati multimodali, che si estendono a diversi tipi e contesti. I dati multimodali possono essere utili, ad esempio, per valutare gli effetti dell'interazione sociale o l'efficacia dell'intervento terapeutico.

Per il successo delle nuove tecnologie indossabili negli ambienti di monitoraggio extraospedaliero con neonati, è necessario affrontare alcune limitazioni, sfide e preoccupazioni etiche. Le nostre pipeline di analisi sono state addestrate e convalidate utilizzando bambini con sviluppo tipico in Finlandia 10,11,12. I risultati dell'analisi grezza con posture e movimenti puri dovrebbero essere universali. Tuttavia, le loro traiettorie di sviluppo possono richiedere adattamenti per culture e luoghi geografici diversi. Secondo il feedback dei genitori per quanto riguarda i dispositivi indossabili, sono visti favorevolmente grazie alla facilità d'uso^{dei bambini 16}. Tuttavia, i genitori possono sollevare preoccupazioni in merito alla privacy, all'accesso ai dati e agli aspetti pratici della famiglia (ad esempio, più caregiver, visitatori e orari variabili). La dipendenza dalla durata della batteria dei sensori e del telefono di registrazione può essere considerata una limitazione del metodo. In base alla nostra esperienza, il modello a batteria (CR2025) dura in genere l'intera giornata (12-24 ore) quando si utilizza lo streaming continuo dei dati. In particolare, dipende sia dalla marca della batteria che dalla potenza della connessione Bluetooth necessaria per la trasmissione wireless dei dati, che cambia continuamente per massimizzare la trasmissione dei dati nell'ambiente di registrazione. Ad esempio, una lunga distanza tra il bambino e il telefono o una parete tra di loro regolerebbe la connessione Bluetooth su un consumo della batteria significativamente più elevato. In particolare, anche le batterie della maggior parte dei dispositivi mobili si scaricano all'incirca nello stesso tempo se si utilizza lo streaming Bluetooth continuo. In pratica, lo streaming continuo di dati attualmente utilizzato tramite connessione Bluetooth implica che sia i sensori che i dispositivi mobili necessitano di una ricarica/sostituzione giornaliera della batteria. L'introduzione nel prossimo futuro di sensori con una maggiore capacità di memoria consentirà l'archiviazione dei dati nella memoria del sensore, supportando oltre una settimana di registrazione continua. Ciò eliminerà la necessità di uno streaming Bluetooth che consuma energia, oltre a trasportare il telefono all'interno di un raggio d'azione Bluetooth che può essere percepito come restrittivo in situazioni di registrazione ed è suscettibile di errore umano.

Nel complesso, il monitoraggio dello sviluppo neurologico precoce richiede metodi che siano sensibili alla variabilità neurocomportamentale naturale. Lo sviluppo motorio grossolano è un processo intricato che consiste in variazioni nell'ordine e nei tempi, sia a livello individuale che culturale⁴. L'individuazione dello sviluppo motorio atipico è efficace nel riconoscere i neonati a rischio di un'ampia gamma di disturbi dello sviluppo neurologico. Le batterie di test tradizionali con valutazioni standardizzate dello sviluppo neurologico vengono eseguite in ambienti controllati, come gli ospedali, e sono almeno parzialmente soggettive ^7,8,9. Gli attuali progressi nella tecnologia dei sensori e nell'analisi dei segnali hanno consentito di registrare la capacità motoria spontanea dei neonati per periodi prolungati in ambienti extraospedalieri e di quantificare il comportamento motorio con una precisione paragonabile a quella degli osservatori umani 10,11,12. La nuova tecnologia indossabile offre metodi automatizzati e scalabili per monitorare il movimento e l'efficacia dell'intervento terapeutico nei neonati in modo ecologicamente valido e oggettivo. Inoltre, il nuovo indice di sviluppo neurologico Baba Infant Motor Score (BIMS) consente di stimare la maturità della capacità motoria dei neonati attraverso il monitoraggio individuale dello sviluppo neurologico^10,12. Può essere impiegato in una serie di applicazioni future, come lo sviluppo di grafici di crescita motoria infantile¹². Addestrando i classificatori automatizzati per altre motilità specifiche (ad esempio, per bambini più grandi o adulti) con diversi tipi di schemi e algoritmi di descrizione del movimento, i sensori di movimento indossabili hanno il potenziale per applicazioni cliniche, come i disturbi del movimento o il follow-up sugli effetti degli interventi terapeutici indipendentemente dallo stadio di sviluppo dell'individuo¹⁷. Attualmente, tuttavia, questa dovrebbe essere vista come una metodologia sperimentale che non dovrebbe essere utilizzata per informare la diagnosi clinica o gli obiettivi terapeutici.