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

O desenvolvimento motor grosso precoce é essencial para o desempenho neurocognitivo de alto nível que emerge mais tarde, apoiando a exploração do ambiente pelos bebês. Portanto, clínicos e pesquisadores têm grande interesse em avaliar o desenvolvimento motor grosso precoce ^1,2,3. Para fornecer suporte à medicina baseada em evidências ou a estudos científicos, é essencial que as avaliações motoras grossas sejam quantitativas, confiáveis, objetivas e ecologicamente válidas. No entanto, há uma escassez de tais métodos disponíveis para pesquisa clínica ou de ciência básica.

Um desenvolvimento motor grosso inicial típico progride através de uma sequência previsível de habilidades recém-adquiridas. São comumente observados em lactentes como atingindo marcos motores discretos⁴, onde a posição ortostática e a marcha são frequentemente consideradas marcos significativos no caminho para um repertório comportamental mais complexo⁵. Além da observação direta ou de inquéritos parentais sobre marcos motores, várias baterias padronizadas amplamente utilizadas^{foram desenvolvidas 6,7,8,9} para a realização de avaliações de lactentes em ambiente laboratorial ou hospitalar. No entanto, essas avaliações sofrem de múltiplas ressalvas: necessitam de conhecimentos substanciais de profissionais treinados, são em parte subjetivas e categóricas e avaliam o desempenho do lactente em um ambiente (hospital ou laboratório) que não é natural do ponto de vista do bebê.

O registro da atividade motora espontânea do lactente por mais tempo no ambiente nativo, como em sua casa, permite medidas mais relevantes das habilidades motoras. Em um desses métodos factíveis, a avaliação é realizada para a sequência completa do desenvolvimento da habilidade motora do lactente, desde deitar em decúbito dorsal até andar fluentemente com um sistema vestível, como o MAIJU wearable (Motor Assessment of the Infants with a JUmpsuit)10,11,12. O sistema vestível MAIJU (Figura 1) envolve uma peça têxtil de corpo inteiro equipada com sensores de movimento para permitir avaliações e registros extra-hospitalares/laboratoriais não supervisionados que são analisados com uma tubulação automatizada, fornecendo uma avaliação segundo a segundo dos padrões de postura e movimento. Essas detecções algorítmicas podem ser usadas para cada tipo de postura e movimento separadamente, ou podem ser combinadas para uma avaliação holística do nível maturacional das habilidades motoras do bebê. Uma expressão livre de unidade dessa métrica de maturidade motora recentemente publicada é o BIMS (Baba Infant Motor Score)^10,12.

Este artigo descreverá a avaliação do desempenho motor grosso de lactentes utilizando um traje vestível multissensor; a justificativa, o desempenho prático, o pipeline de análise e as perspectivas futuras potenciais para o uso das métricas que podem ser obtidas a partir do pipeline de análise automatizado disponível para gravações com um wearable multissensor 10,11,12. O método é adequado para uma quantificação detalhada das atividades motoras grossas espontâneas em todos os lactentes que apresentam habilidades motoras entre deitado supino e marcha fluente.

O sistema vestível multissensor consiste em três componentes: 1) a roupa geral de corpo inteiro equipada com quatro sensores de movimento, 2) um dispositivo móvel usando um aplicativo iOS personalizado e 3) um pipeline de análise baseado em nuvem (cujas credenciais podem ser obtidas dos autores)¹¹. Os sensores da unidade de medição inercial (IMU) à prova d'água transmitem dados sincronizados (acelerômetro de 3 eixos e giroscópio) na frequência de amostragem de 13-52 Hz para um telefone celular usando uma conexão Bluetooth de baixa energia. Os dados são inicialmente armazenados na memória (do sensor ou) do dispositivo móvel, seguido por uma análise offline no servidor em nuvem após a gravação ser interrompida.

Os estudos realizados com esse sistema foram revisados pelo Comitê de Ética do New Children's Hospital, Helsinki University Hospital, e o hospital autorizou a realização dos projetos de pesquisa descritos nos estudos originais citados neste trabalho. Um consentimento informado foi obtido para filmar a criança no vídeo.

1. Preparando o terno para uma sessão de gravação

1. Selecione o tamanho correto do terno. Atualmente, os tamanhos são de 68 cm, e existem cinco opções de tamanhos distintos (68 cm, 74 cm, 80 cm, 86 cm e 92 cm). Certifique-se de que o traje se encaixa confortavelmente e que a criança possa se mover livremente sem interferência.
2. Inicie a gravação, ou seja, a coleta de dados usando o aplicativo registrador de dados, Maijulogger, conforme descrito no arquivo suplementar 1.
   1. Na primeira página, digite o "Número de identificação do sujeito". O número de sensores de movimento usados na avaliação é definido como 4 como padrão, conforme mostrado na primeira página.
   2. Prossiga para a próxima etapa pressionando a seta para frente.
3. Equipar quatro sensores com baterias (versão CR2025).
4. Emparelhe cada sensor com o aplicativo móvel selecionando e pressionando uma localização de membro no aplicativo e aproximando o sensor do dispositivo móvel.
   1. Confirme se o número correto do sensor é mostrado no aplicativo.
   2. Garanta um nível de carga suficiente da bateria (recomendado > 80%) verificando os indicadores abaixo do número do sensor.
      NOTA: Substitua as baterias do sensor, se necessário, levantando a tampa traseira.
5. Corrija cada sensor com os encaixes de encaixe no bolso correto da manga.
   1. Certifique-se de que os sensores estão corretamente orientados.
   2. Sempre verifique o guia do usuário mais recente para obter detalhes. A orientação incorreta levará a dados inutilizáveis.
6. Prossiga para verificar o emparelhamento correto do sensor pressionando a seta para frente no aplicativo.
   1. Agite os sensores um a um e verifique a aplicação para ver se o indicador correto está oscilando.
7. Quando as verificações estiverem concluídas, vá para a página inicial pressionando a seta para frente.
   NOTA: Se necessário, a duração da gravação (hh:mm) pode ser definida manualmente pressionando o botão Configurações no início de cada gravação.
   1. Pressione o botão Gravar para iniciar a gravação. Espere até que os sensores estejam prontos antes de vestir o terno no bebê (isso pode levar alguns minutos).
8. Para gravações domésticas não supervisionadas, defina o bloqueio de tela para o dispositivo móvel para evitar sua operação parental e embale o terno para entrega ao destinatário.
   1. Use um mensageiro ou um serviço similar para entregar o terno ao destinatário imediatamente após ele ter sido preparado.

2. Preparar e vestir o lactente para uma sessão de gravação

1. Certifique-se de que o bebê seja amamentado (ou seja, alimentado e trocado fraldas) e se sinta seguro e confortável para uma brincadeira natural e espontânea.
   1. Retire o terno mais tarde para uma troca de fraldas, se necessário.
2. Vista o terno no bebê como feito com macacões comuns.
   1. Verifique se as bolsas do sensor estão voltadas para fora (ou seja, longe da linha média do corpo em vez de girar para a frente ou para trás do bebê).
3. Verifique se o traje se encaixa perfeitamente nos membros em cada local do sensor.
   1. Ajuste as alças perto dos bolsos para apertar o sensor no membro, se necessário.
      NOTA: Também é possível adicionar roupas por baixo do terno ou ataduras para prender os sensores, caso os membros sejam muito finos para fixação suficiente com as alças.

3. Sessão de gravação

1. Mantenha o dispositivo móvel perto do bebê para garantir uma transmissão de dados confiável através da conexão Bluetooth (ou seja, na mesma sala ou dentro de 10 m se gravar em espaço aberto) ao gravar com streaming de dados direto.
   1. Se aplicável, mantenha o dispositivo móvel em uma bolsa, como uma capa de tablet, para um manuseio mais fácil e seguro. O protocolo Bluetooth tentará se reconectar se a conexão BLE for perdida.
      NOTA: Não é aconselhável pausar e continuar a gravação, pois pode interromper a sincronização entre os sensores ou a integridade temporal dos dados gravados, bem como você pode perder a conexão BLE. Nessas ocasiões, a única opção é desligar o aplicativo e iniciar a gravação novamente.
2. Organize o ambiente para facilitar as brincadeiras com brinquedos e outros objetos e incentive a criança a se movimentar livremente. Por exemplo, limpe o espaço para se movimentar ou coloque um tapete no chão para que a criança possa ser encorajada a se mover ao ver brinquedos apropriados para a idade. O objetivo é registrar o movimento natural do bebê.
   1. Certifique-se de que a criança se sinta confortável e segura o suficiente para se envolver em brincadeiras espontâneas sem experimentar ansiedade devido a novas pessoas ou lugares desconhecidos.
3. Registre pelo menos 1 h de jogo livre ou o tempo desejado pelas questões do estudo. Múltiplas épocas de jogo/movimento podem ser combinadas mais tarde durante a análise.
4. Se exigido pelo protocolo de pesquisa específico, tome notas adicionais para facilitar a inspeção detalhada dos resultados individuais. Use anotações sincronizadas em tempo real no aplicativo registrador de dados como texto livre, gravações de áudio ou gravações de vídeo.
5. Para gravações domésticas não supervisionadas, defina a gravação para parar automaticamente (ou seja, defina a duração (hh:mm) da gravação manualmente pressionando o botão Configurações ).
6. Nas configurações supervisionadas, finalize a gravação pressionando o botão Parar no aplicativo.
7. Tire o terno e embale-o para retornar ao laboratório.
8. Lave o terno após cada gravação depois de tirar os sensores dos bolsos do terno. Se disponível, utilizar detergentes, incluindo o transporte de umidade destinado a materiais sintéticos¹¹.
   1. Inspecione visualmente o traje após a lavagem em busca de defeitos mecânicos antes de armazená-lo para uso na próxima criança.

4. Análise baseada em nuvem: upload de dados brutos e download de resultados

1. Clique no arquivo gravado na visualização do banco de dados do aplicativo e, em seguida, clique em Exportar para Babacloud, que abre a página inicial da nuvem computacional (https://babacloud.fi/) usando o navegador da Web no dispositivo móvel (arquivo suplementar 2).
2. Digite o nome de usuário e a senha na página de login. Se necessário, solicite novas credenciais a partir do endereço de e-mail fornecido na página inicial do Babacloud.
3. Escolha o arquivo gravado para um upload. Em seguida, escolha um número de identificação para o assunto e adicione as informações necessárias conforme indicado pelo fluxo de trabalho do Babacloud. Se for relevante para o caso, insira também a idade do sujeito ou outras informações (por exemplo, tempo de reprodução) em "Adicionar outro rótulo de arquivo bruto". Finalmente, salve a sessão de upload pressionando o botão Salvar .
   NOTA: Como padrão, o aplicativo registrador de dados gerará um arquivo compactado a partir dos dados de movimento para permitir uma transferência de dados mais fácil e rápida pelo ar através de uma rede wi-fi ou móvel. A interface do Babacloud exigirá credenciais que podem ser obtidas conforme as instruções em sua página da web. Os dados brutos gravados também podem ser transferidos diretamente do telefone para outro dispositivo para análise personalizada. Certifique-se de que os dados desnecessários da memória do dispositivo móvel sejam excluídos para evitar confusão entre as sessões de gravação. As sessões de gravação são automaticamente colocadas em suas próprias pastas, que são nomeadas com seus respectivos carimbos de data/hora.
4. Baixe o pacote compactado de saídas de análise do servidor em nuvem usando um dispositivo móvel ou um navegador da Web do computador. Clique no ID de assunto correto e escolha o link para a análise desejada, que abre automaticamente o download do arquivo.
   NOTA: No pacote de resultados compactados, os dois itens a seguir podem ser encontrados: Uma matriz de resultados detalhada, que fornece todas as classificações segundo a segundo para postura, movimento, transporte infantil e tempo livre de brincar (Figura 2A, Arquivo suplementar 3). Relatórios gráficos que dão uma visão geral da sessão de estudo (Arquivo suplementar 4).

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 de^{humanos 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 análise
A 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.

Uma avaliação quantificada e o acompanhamento do desenvolvimento do desempenho motor de lactentes com uma solução vestível, como o MAIJU, é tecnicamente simples de aprender e executar, e pode ser prontamente implementado na prática de cuidados de saúde ou pesquisa clínica 10,11,12. Comparado aos outros métodos de avaliação motora existentes, esse tipo de registro domiciliar da atividade motora espontânea dos lactentes melhora a validade ecológica da avaliação. Além disso, fornece uma análise quantificada, transparente e totalmente automatizada do desempenho motor dos lactentes. Mais importante ainda, as métricas usadas na análise são intuitivas e explicáveis, o que permite sua fácil comparação com outras avaliações clínicas e de pesquisa, como fatores ambientais, desenvolvimento cognitivo ou avaliações psicossociais. Uma avaliação holística do desenvolvimento motor fornece uma acurácia que se compara bem com as medidas convencionais de crescimento físico¹².

As etapas críticas do protocolo incluem a preparação cuidadosa do traje vestível. Ao se preparar para uma gravação, escolher o tamanho correto para o traje é crucial, pois os acessórios do sensor nas mangas e pernas são necessários para se sentar firmemente para obter um registro confiável dos movimentos do corpo. Além disso, para uma gravação bem-sucedida, é essencial colocar os sensores nos bolsos com uma orientação correta, conforme indicado no protocolo. Os suportes do sensor não permitirão que os sensores girem durante a gravação. No entanto, o sensor orientado incorretamente registra dados que são difíceis, se não impossíveis, de corrigir depois. O lactente deve ser encorajado a mover-se livremente e de forma independente durante a gravação. A duração da gravação pode variar de acordo com as questões de estudo dadas. As múltiplas épocas de movimento espontâneo são combinadas para acumular movimento espontâneo suficiente para cada sessão de gravação.

A operação flexível e prática da solução vestível MAIJU permite seu uso em contextos variáveis em ambientes supervisionados e não supervisionados, como laboratórios de pesquisa ou residências. Resultados recentes de nossos ensaios clínicos mostram que gravações totalmente não supervisionadas realizadas em casa podem fornecer resultados comparáveis com gravações que são feitas sob supervisão total ou parcial¹². Ainda assim, o comportamento motor espontâneo de uma criança é potencialmente afetado por vários fatores, como o ambiente (por exemplo, brincar fora versus dentro de casa, a disposição do espaço, móveis e brinquedos), o nível de alerta da criança e o envolvimento dos pais durante a gravação em casa. Quando as gravações são realizadas em ambientes não supervisionados em casa, é importante incentivar a criança a brincar espontaneamente, ou seja, a brincar ou movimentar-se de forma independente, sem que outra pessoa carregue ou segure a criança, se não necessário, e a manter o celular de gravação na faixa Bluetooth (na mesma sala)¹⁰. A maioria das nossas situações atuais de solução de problemas durante as gravações são causadas pela perda de conexão Bluetooth. Avanços em um futuro próximo na tecnologia de sensores melhorarão a conectividade Bluetooth, e a próxima introdução de uma memória de sensor maior permitirá a gravação off-line, armazenando dados de movimento diretamente na memória do sensor.

Gravações fora do hospital com uma solução vestível desse tipo são facilmente escaláveis e podem melhorar a segurança dos bebês, por exemplo, permitindo o monitoramento remoto durante circunstâncias como uma pandemia. Nossos algoritmos classificadores atuais foram treinados para reconhecer especificamente as habilidades motoras, posturas e movimentos mostrados no esquema de descrição da motilidade (Figura 2A). Esses fenômenos foram identificados como característicos do movimento infantil nos dois primeiros anos de vida. Outros tipos de movimentos ou posturas observados em crianças mais velhas, como correr ou pular, exigirão esquemas modificados de descrição de movimento e respectivos algoritmos a serem treinados para identificá-los. A análise postura-contexto dependente é uma abordagem potencialmente frutífera em que a atividade motora do lactente é analisada separadamente em diferentes posturas para apoiar o estudo, por exemplo, correlatos do desenvolvimento do comportamento infantil 5,6,7,8,9,13. Alternativamente, uma análise do movimento dependente do contexto também poderia apoiar a avaliação da assimetria na função motora ao predizer o desenvolvimento de paralisia cerebral unilateral 10,12,14,15. Além disso, a avaliação das habilidades motoras com o sistema MAIJU pode ser combinada com outras modalidades de estudo, por exemplo, rastreamento ocular, imagem ou gravação de vídeo, para fornecer dados multimodais, abrangendo diferentes tipos e contextos. Dados multimodais podem ser úteis, por exemplo, para avaliar os efeitos da interação social ou a eficácia da intervenção terapêutica.

Para o sucesso de novas tecnologias vestíveis em ambientes de monitoramento extra-hospitalar com bebês, certas limitações, desafios e preocupações éticas precisam ser abordadas. Nossos pipelines de análise foram treinados e validados usando bebês com desenvolvimento típico na Finlândia 10,11,12. Os resultados brutos da análise com posturas e movimentos puros devem ser universais. No entanto, suas trajetórias de desenvolvimento podem exigir ajustes para diversas culturas e localizações geográficas. De acordo com o feedback dos pais em relação aos dispositivos vestíveis, eles são vistos favoravelmente devido à simpatia com os bebês¹⁶. No entanto, os pais podem levantar preocupações em relação à privacidade, acesso a dados e praticidades familiares (por exemplo, vários cuidadores, visitantes e horários variados). A dependência da duração da bateria dos sensores e do telefone de gravação pode ser considerada uma limitação do método. Em nossa experiência, o modelo de bateria (CR2025) normalmente dura o dia inteiro (12-24 horas) ao usar streaming de dados contínuo. Notavelmente, depende da marca da bateria e da força da conexão Bluetooth necessária para a transmissão de dados sem fio, que está mudando continuamente para maximizar a transmissão de dados no ambiente de gravação. Por exemplo, uma longa distância entre o bebê e o telefone ou uma parede entre eles ajustaria a conexão Bluetooth para um consumo de bateria significativamente maior. Notavelmente, as baterias da maioria dos dispositivos móveis também são drenadas aproximadamente ao mesmo tempo se usando streaming Bluetooth contínuo. Na prática, o fluxo contínuo de dados atualmente usado por conexão Bluetooth implica que tanto os sensores quanto os dispositivos móveis precisam de uma recarga/substituição diária da bateria. A introdução em um futuro próximo de sensores com maior capacidade de memória permitirá o armazenamento de dados na memória do sensor, suportando mais de uma semana de gravação contínua. Isso eliminará a necessidade de streaming Bluetooth que consome energia, além de carregar o telefone dentro de uma faixa Bluetooth que pode ser percebida como restritiva em situações de gravação e é suscetível a erros humanos.

Em geral, o rastreamento do neurodesenvolvimento precoce precisa de métodos que sejam sensíveis à variabilidade neurocomportamental natural. O desenvolvimento motor grosso é um intrincado processo que consiste em variações na ordem e no tempo, tanto em nível individual quanto^cultural4. A detecção do desenvolvimento motor atípico é eficaz no reconhecimento de lactentes em risco para uma ampla gama de distúrbios do neurodesenvolvimento. As baterias de testes tradicionais com avaliações padronizadas do neurodesenvolvimento são realizadas em ambientes controlados, como hospitais, e são, pelo menos parcialmente, subjetivas7,8,9. Os avanços atuais na tecnologia de sensores e na análise de sinais têm permitido o registro da habilidade motora espontânea de lactentes por longos períodos em ambientes extra-hospitalares e a quantificação do comportamento motor com acurácia comparável à de observadores humanos 10,11,12. A nova tecnologia vestível oferece métodos automatizados e escaláveis para monitorar o movimento e a eficácia da intervenção terapêutica em bebês de forma ecologicamente válida e objetiva. Além disso, o novo índice de neurodesenvolvimento Baba Infant Motor Score (BIMS) permite estimar a maturidade da habilidade motora de lactentes por meio do rastreamento individual do neurodesenvolvimento^10,12. Pode ser empregada em uma série de aplicações futuras, como o desenvolvimento de gráficos de crescimento motor infantil¹². Ao treinar os classificadores automáticos para outras motilidades específicas (por exemplo, para crianças mais velhas ou adultos) com diferentes tipos de esquemas de descrição de movimento e algoritmos, os sensores de movimento vestíveis têm potencial para aplicações clínicas, como distúrbios do movimento ou acompanhamento dos efeitos de intervenções terapêuticas, independentemente do estágio de desenvolvimento do indivíduo¹⁷. Atualmente, no entanto, essa deve ser vista como uma metodologia investigativa que não deve ser usada para informar o diagnóstico clínico ou alvos de tratamento.