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

El desarrollo temprano de la motricidad gruesa es esencial para el rendimiento neurocognitivo de alto nivel que emerge más tarde al apoyar la exploración del entorno por parte de los bebés. Por lo tanto, tanto los médicos como los investigadores tienen un gran interés en evaluar el desarrollo motor grueso temprano ^1,2,3. Para respaldar la medicina basada en la evidencia o los estudios científicos, es esencial que las evaluaciones de la motricidad gruesa sean cuantitativas, fiables, objetivas y ecológicamente válidas. Sin embargo, hay una escasez de estos métodos disponibles para la investigación clínica o de ciencias básicas.

Un desarrollo motor grueso temprano típico progresa a través de una secuencia predecible de habilidades recién adquiridas. Se observan comúnmente en los bebés como el logro de hitos motores discretos⁴, donde estar de pie y caminar a menudo se consideran hitos importantes en el camino hacia un repertorio conductual más complejo⁵. Además de la observación directa o las encuestas a los padres sobre los hitos motores, se han desarrollado varias baterías estandarizadas ampliamente utilizadas 6,7,8,9 para realizar evaluaciones de los bebés en el laboratorio o en el entorno hospitalario. Sin embargo, estas evaluaciones adolecen de múltiples advertencias: necesitan una experiencia sustancial de profesionales capacitados, son en parte subjetivas y categóricas, y evalúan el desempeño de los bebés en un entorno (hospital o laboratorio) que no es natural desde la perspectiva de un bebé.

El registro de la actividad motora espontánea de los bebés durante períodos más largos en el entorno nativo, como su hogar, permite mediciones más relevantes de las habilidades motoras. En uno de estos métodos factibles, la evaluación se realiza para la secuencia completa del desarrollo de la capacidad motora del bebé, desde que está acostado en decúbito supino hasta que camina con fluidez con un sistema portátil, como el dispositivo portátil MAIJU (Evaluación motora de los bebés con un traje de baño)10,11,12. El sistema wearable MAIJU (Figura 1) consiste en una prenda textil de cuerpo entero equipada con sensores de movimiento para permitir evaluaciones y registros extrahospitalarios/de laboratorio sin supervisión que se analizan con una tubería automatizada, proporcionando una evaluación segundo a segundo de la postura y los patrones de movimiento. Estas detecciones algorítmicas se pueden utilizar para cada tipo de postura y movimiento por separado, o se pueden combinar para una evaluación holística del nivel madurativo de las habilidades motoras del bebé. Una expresión recientemente publicada y libre de unidades de esta métrica de madurez motora es BIMS (Baba Infant Motor Score)^10,12.

En este artículo se describirá la evaluación del rendimiento de la motricidad gruesa de los bebés utilizando un traje portátil multisensor; La justificación, el rendimiento práctico, la canalización de análisis y las posibles perspectivas futuras para el uso de las métricas que se pueden obtener de la canalización de análisis automatizado disponible para grabaciones con un dispositivo portátil multisensor 10,11,12. El método es adecuado para una cuantificación detallada de las actividades motoras gruesas espontáneas en todos los bebés que exhiben habilidades motoras entre el acostado supino y la marcha fluida.

El sistema portátil multisensor consta de tres componentes: 1) la prenda de cuerpo completo equipada con cuatro sensores de movimiento, 2) un dispositivo móvil que utiliza una aplicación iOS personalizada y 3) una canalización de análisis basada en la nube (Babacloud, cuyas credenciales se pueden obtener de los autores)¹¹. Los sensores de la unidad de medición inercial (IMU) a prueba de agua transmiten datos sincronizados (acelerómetro de 3 ejes y giroscopio) a una frecuencia de muestreo de 13-52 Hz a un teléfono móvil mediante una conexión Bluetooth de bajo consumo. Los datos se almacenan inicialmente en la memoria de (el sensor o) el dispositivo móvil, seguido de un análisis fuera de línea en el servidor en la nube después de que se detenga la grabación.

Los estudios realizados con este sistema fueron revisados por el Comité de Ética del New Children's Hospital, Hospital Universitario de Helsinki, y el hospital autorizó la realización de los proyectos de investigación descritos en los estudios originales citados en este trabajo. Se obtuvo un consentimiento informado para filmar al niño en el video.

1. Preparar el traje para una sesión de grabación

1. Selecciona la talla correcta del traje. Actualmente, los tamaños van desde el tamaño 68 cm, y hay cinco opciones de tamaño distintas (68 cm, 74 cm, 80 cm, 86 cm y 92 cm). Asegúrese de que el traje le quede bien ajustado pero cómodo y que el niño pueda moverse libremente sin interferencias.
2. Inicie la grabación, es decir, la recopilación de datos utilizando la aplicación de registro de datos, Maijulogger, como se describe en el archivo complementario 1.
   1. En la primera página, introduzca el "Número de identificación del sujeto". El número de sensores de movimiento utilizados en la evaluación se establece en 4 de forma predeterminada, como se muestra en la primera página.
   2. Continúe con la siguiente etapa presionando la flecha hacia adelante.
3. Equipar cuatro sensores con baterías (versión CR2025).
4. Empareje cada sensor con la aplicación móvil seleccionando y presionando una ubicación de extremidad en la aplicación y acercando el sensor al dispositivo móvil.
   1. Confirme que el número de sensor correcto se muestra en la aplicación.
   2. Asegúrese de que el nivel de carga de la batería sea suficiente (recomendado > 80 %) comprobando los indicadores situados debajo del número del sensor.
      NOTA: Reemplace las baterías del sensor, si es necesario, levantando la cubierta trasera.
5. Fije cada sensor con los soportes a presión en el bolsillo correcto de la manga.
   1. Asegúrese de que los sensores estén correctamente orientados.
   2. Consulte siempre la guía del usuario más reciente para obtener más detalles. Una orientación incorrecta dará lugar a datos inutilizables.
6. Proceda a comprobar el emparejamiento correcto del sensor pulsando la flecha hacia delante en la aplicación.
   1. Agite los sensores uno por uno y verifique la aplicación para ver que el indicador correcto se mueve.
7. Una vez completadas las comprobaciones, vaya a la página de inicio pulsando la flecha hacia adelante.
   NOTA: Si es necesario, la duración de la grabación (hh:mm) se puede ajustar manualmente pulsando el botón Ajustes al inicio de cada grabación.
   1. Presione el botón Grabar para iniciar la grabación. Espere hasta que los sensores estén listos antes de vestir el traje en el bebé (esto puede tardar unos minutos).
8. En el caso de las grabaciones caseras no supervisadas, configure el bloqueo de pantalla en el dispositivo móvil para evitar su funcionamiento parental y empaque el traje para entregarlo al destinatario.
   1. Utilice un servicio de mensajería o un servicio similar para entregar el traje al destinatario inmediatamente después de que se haya preparado.

2. Preparar y vestir al bebé para una sesión de grabación

1. Asegúrese de que el bebé sea amamantado (es decir, alimentado y cambiado de pañales) y se sienta seguro y cómodo para un tiempo de juego natural y espontáneo.
   1. Quítese el traje más tarde para un cambio de pañal, si es necesario.
2. Vístele el traje al bebé como lo haces con un overol normal.
   1. Verifique que los bolsillos del sensor estén orientados hacia afuera (es decir, lejos de la línea media del cuerpo en lugar de girar hacia la parte delantera o trasera del bebé).
3. Compruebe que el traje se ajusta perfectamente a las extremidades en cada ubicación del sensor.
   1. Ajuste las correas cerca de los bolsillos para apretar el sensor en la extremidad, si es necesario.
      NOTA: También es posible agregar ropa debajo del traje o vendajes para sujetar los sensores en caso de que las extremidades sean demasiado delgadas para una sujeción suficiente con las correas.

3. Sesión de grabación

1. Mantenga el dispositivo móvil cerca del bebé para garantizar una transmisión de datos fiable a través de la conexión Bluetooth (es decir, en la misma habitación o a menos de 10 m si se graba en un espacio abierto) cuando grabe con transmisión directa de datos.
   1. Si corresponde, guarde el dispositivo móvil en una bolsa, como una funda para tableta, para un manejo más fácil y seguro. El protocolo Bluetooth intentará volver a conectarse si se pierde la conexión BLE.
      NOTA: No es aconsejable pausar y luego continuar la grabación, ya que puede interrumpir la sincronización entre los sensores o la integridad temporal de los datos grabados, así como puede perder la conexión BLE. En tales ocasiones, la única opción es apagar la aplicación y comenzar la grabación de nuevo.
2. Organice el entorno para facilitar el juego con juguetes y otros objetos y anime al bebé a moverse libremente. Por ejemplo, despeje el espacio para moverse o coloque una colchoneta en el suelo para que el bebé pueda animarse a moverse cuando vea juguetes apropiados para su edad. El objetivo es registrar el movimiento natural del bebé.
   1. Asegúrese de que el bebé se sienta lo suficientemente cómodo y seguro como para participar en juegos espontáneos sin experimentar ansiedad debido a personas nuevas o lugares desconocidos.
3. Registre al menos 1 hora de juego libre o el tiempo que desee las preguntas de estudio. Más adelante durante el análisis se pueden combinar varias épocas de juego/movimiento.
4. Si así lo requiere el protocolo de investigación específico, tome notas adicionales para facilitar la inspección detallada de los resultados individuales. Utilice anotaciones sincronizadas en tiempo real en la aplicación de registro de datos como texto libre, grabaciones de audio o grabaciones de vídeo.
5. En el caso de las grabaciones caseras no supervisadas, configure la grabación para que se detenga automáticamente (es decir, establezca la duración (hh:mm) de la grabación manualmente pulsando el botón Configuración ).
6. En la configuración supervisada, finalice la grabación pulsando el botón Detener de la aplicación.
7. Quítese el traje y empáquelo para devolverlo al laboratorio.
8. Lave el traje después de cada grabación después de quitar los sensores de los bolsillos del traje. Si está disponible, use detergentes, incluido el transporte de humedad dirigido a materiales sintéticos¹¹.
   1. Inspeccione el traje visualmente después de lavarlo en busca de defectos mecánicos antes de guardarlo para usarlo en el próximo niño.

4. Análisis basado en la nube: carga de datos sin procesar y descarga de resultados

1. Haga clic en el archivo grabado en la vista de base de datos de la aplicación y luego haga clic en Exportar a Babacloud, que abre la página de inicio de la nube computacional (https://babacloud.fi/) utilizando el navegador web en el dispositivo móvil (Archivo complementario 2).
2. Ingrese el nombre de usuario y la contraseña en la página de inicio de sesión. Si es necesario, solicite nuevas credenciales a la dirección de correo electrónico proporcionada en la página de inicio de Babacloud.
3. Elija el archivo grabado para cargarlo. A continuación, elija un número de identificación para el asunto y añada la información requerida según lo indicado por el flujo de trabajo de Babacloud. Si es relevante para el caso, también ingrese la edad del sujeto u otra información (por ejemplo, tiempo de juego) para "Agregar otra etiqueta de archivo sin procesar". Por último, guarde la sesión de carga pulsando el botón Guardar .
   NOTA: De forma predeterminada, la aplicación de registro de datos generará un archivo comprimido a partir de los datos de movimiento para permitir una transferencia de datos más fácil y rápida por aire a través de una red wi-fi o móvil. La interfaz de Babacloud requerirá credenciales que se pueden obtener según las instrucciones en su página web. Los datos sin procesar registrados también se pueden transferir directamente desde el teléfono a otro dispositivo para un análisis personalizado. Asegúrese de que se eliminen los datos innecesarios de la memoria del dispositivo móvil para evitar confusiones entre las sesiones de grabación. Las sesiones de grabación se colocan automáticamente en sus propias carpetas, que se nombran con sus respectivas marcas de tiempo.
4. Descargue el paquete comprimido de resultados de análisis desde el servidor en la nube utilizando un dispositivo móvil o un navegador web de computadora. Haga clic en el ID de asunto correcto y, a continuación, elija el enlace al análisis deseado, que abrirá automáticamente la descarga del archivo.
   NOTA: En el paquete de resultados comprimidos, se pueden encontrar los dos elementos siguientes: Una matriz de resultados detallada, que proporciona todas las clasificaciones segundo a segundo para la postura, el movimiento, el porteo del bebé y el tiempo de juego libre (Figura 2A, archivo complementario 3). Informes gráficos que dan una visión general de la sesión de estudio (Archivo complementario 4).

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 humano^10,11.

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 análisis
La 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.

Una evaluación cuantificada y un seguimiento del desarrollo del rendimiento motor de los bebés con una solución portátil, como MAIJU, es técnicamente fácil de aprender y realizar, y puede implementarse fácilmente en la práctica de la atención médica o la investigación clínica 10,11,12. En comparación con los otros métodos de evaluación motora existentes, este tipo de registro en el hogar de la actividad motora espontánea de los bebés mejora la validez ecológica de la evaluación. Además, proporciona un análisis cuantificado, transparente y totalmente automatizado del rendimiento motor de los bebés. Lo más importante es que las métricas utilizadas en el análisis son intuitivas y explicables, lo que permite su fácil comparación con otras evaluaciones clínicas y de investigación, como los factores ambientales, el desarrollo cognitivo o las evaluaciones psicosociales. Una evaluación holística del desarrollo motor proporciona una precisión que se compara bien con las medidas convencionales de crecimiento físico¹².

Los pasos críticos en el protocolo incluyen la preparación cuidadosa del traje portátil. Al prepararse para una grabación, elegir el tamaño correcto para el traje es crucial, ya que se requiere que los accesorios del sensor en las mangas y las piernas se ajusten firmemente para obtener una grabación confiable de los movimientos corporales. Además, para una grabación exitosa, es fundamental colocar los sensores en los bolsillos con una orientación correcta, tal y como se indica en el protocolo. Los soportes del sensor no permitirán que los sensores giren durante la grabación. Sin embargo, el sensor mal orientado registra datos que son difíciles, si no imposibles, de corregir después. Se debe animar al bebé a moverse libre e independientemente durante la grabación. La duración de la grabación puede variar de acuerdo con las preguntas de estudio dadas. Las múltiples épocas de movimiento espontáneo se combinan para acumular suficiente movimiento espontáneo para cada sesión de grabación.

El funcionamiento flexible y práctico de la solución wearable MAIJU permite su uso en contextos variables, tanto en entornos supervisados como no supervisados, como laboratorios de investigación u hogares. Los resultados recientes de nuestros ensayos clínicos muestran que las grabaciones totalmente no supervisadas realizadas en el hogar pueden proporcionar resultados comparables con las grabaciones que se realizan bajo supervisión total o parcial¹². Aun así, el comportamiento motor espontáneo de un niño puede verse afectado por varios factores, como el entorno (p. ej., jugar al aire libre frente al interior, la disposición del espacio, los muebles y los juguetes), el nivel de alerta del niño y la participación de los padres durante la grabación en casa. Cuando las grabaciones se realizan en entornos no supervisados en casa, es importante animar al niño a jugar espontáneamente, es decir, a jugar o moverse de forma independiente, sin que otra persona cargue o sostenga al niño si no es necesario, y mantener el teléfono móvil de grabación a un alcance de Bluetooth (en la misma habitación)¹⁰. La mayoría de nuestras situaciones actuales de solución de problemas durante las grabaciones se deben a la pérdida de la conexión Bluetooth. Los avances en el futuro cercano en la tecnología de sensores mejorarán la conectividad Bluetooth, y la próxima introducción de una memoria de sensor más grande permitirá la grabación fuera de línea mediante el almacenamiento de datos de movimiento directamente en la memoria del sensor.

Las grabaciones extrahospitalarias con una solución portátil de este tipo son fácilmente escalables y pueden mejorar la seguridad de los bebés, por ejemplo, al permitir la monitorización remota en circunstancias como una pandemia. Nuestros algoritmos clasificadores actuales fueron entrenados para reconocer específicamente las habilidades motoras, posturas y movimientos dados que se muestran en el esquema de descripción de la motilidad (Figura 2A). Estos fenómenos fueron identificados como característicos del movimiento infantil durante los dos primeros años de vida. Otros tipos de movimientos o posturas que se observan en niños mayores, como correr o saltar, requerirán que se entrenen esquemas de descripción de movimientos modificados y algoritmos respectivos para identificarlos. El análisis dependiente de la postura y el contexto es un enfoque potencialmente fructífero en el que la actividad motora de un bebé se analiza por separado en diferentes posturas para apoyar el estudio, por ejemplo, de los correlatos del desarrollo del comportamiento infantil 5,6,7,8,9,13. Alternativamente, un análisis del movimiento dependiente del contexto también podría apoyar la evaluación de la asimetría en la función motora al predecir el desarrollo de parálisis cerebral unilateral 10,12,14,15. Además, la evaluación de las habilidades motoras con el sistema MAIJU puede combinarse con otras modalidades de estudio, por ejemplo, seguimiento ocular, imágenes o grabación de video, para proporcionar datos multimodales, que se extiendan a diferentes tipos y contextos. Los datos multimodales pueden ser útiles, por ejemplo, para evaluar los efectos de la interacción social o la eficacia de la intervención terapéutica.

Para el éxito de las nuevas tecnologías portátiles en entornos de monitorización extrahospitalaria con bebés, es necesario abordar ciertas limitaciones, desafíos y preocupaciones éticas. Nuestras líneas de análisis fueron entrenadas y validadas utilizando lactantes con desarrollo típico en Finlandia 10,11,12. Los resultados del análisis en bruto con posturas y movimientos puros deben ser universales. Sin embargo, sus trayectorias de desarrollo pueden requerir ajustes para diversas culturas y ubicaciones geográficas. De acuerdo con los comentarios de los padres con respecto a los dispositivos portátiles, son vistos favorablemente debido a la facilidad de uso de los bebés¹⁶. Sin embargo, los padres pueden plantear inquietudes con respecto a la privacidad, el acceso a los datos y los aspectos prácticos de la familia (p. ej., múltiples cuidadores, visitantes y horarios variables). La dependencia de la duración de la batería de los sensores y del teléfono de grabación puede considerarse una limitación del método. Según nuestra experiencia, el modelo de batería (CR2025) suele durar todo el día (12-24 horas) cuando se utiliza la transmisión continua de datos. En particular, depende tanto de la marca de la batería como de la potencia de la conexión Bluetooth necesaria para la transmisión inalámbrica de datos, que cambia continuamente para maximizar la transmisión de datos en el entorno de grabación. Por ejemplo, una larga distancia entre el bebé y el teléfono o una pared entre ellos ajustaría la conexión Bluetooth a un consumo de batería significativamente mayor. En particular, las baterías de la mayoría de los dispositivos móviles también se agotan aproximadamente en el mismo tiempo si se utiliza la transmisión continua por Bluetooth. En la práctica, la transmisión continua de datos a través de la conexión Bluetooth que se utiliza actualmente implica que tanto los sensores como los dispositivos móviles necesitan una recarga/sustitución diaria de la batería. La introducción en un futuro próximo de sensores con mayor capacidad de memoria permitirá el almacenamiento de datos en la memoria del sensor, soportando más de una semana de grabación continua. Eso eliminará la necesidad de una transmisión Bluetooth que consume energía, así como llevar el teléfono dentro de un rango de Bluetooth que puede percibirse como restrictivo en situaciones de grabación y es susceptible a errores humanos.

En general, el seguimiento del neurodesarrollo temprano necesita métodos que sean sensibles a la variabilidad neuroconductual natural. El desarrollo de la motricidad gruesa es un proceso intrincado que consiste en variaciones en el orden y el tiempo, tanto a nivel individual como cultural⁴. La detección del desarrollo motor atípico es eficaz para reconocer a los bebés en riesgo de una amplia gama de trastornos del neurodesarrollo. Las baterías de pruebas tradicionales con evaluaciones estandarizadas del neurodesarrollo se realizan en entornos controlados, como hospitales, y son, al menos parcialmente, subjetivas ^7,8,9. Los avances actuales en la tecnología de sensores y el análisis de señales han permitido el registro de la capacidad motora espontánea de los bebés durante períodos prolongados en entornos extrahospitalarios y la cuantificación del comportamiento motor con una precisión comparable a la de los observadores humanos 10,11,12. La novedosa tecnología portátil ofrece métodos automatizados y escalables para monitorizar el movimiento y la eficacia de la intervención terapéutica en los bebés de una manera ecológicamente válida y objetiva. Además, el novedoso índice de neurodesarrollo Baba Infant Motor Score (BIMS) permite estimar la madurez de la capacidad motora de los bebés mediante el seguimiento individual del neurodesarrollo ^10,12. Se puede emplear en una serie de aplicaciones futuras, como el desarrollo de tablas de crecimiento motor infantil¹². Al entrenar los clasificadores automatizados para otras motilidades específicas (por ejemplo, para niños mayores o adultos) con diferentes tipos de esquemas y algoritmos de descripción del movimiento, los sensores de movimiento portátiles tienen el potencial de aplicaciones clínicas, como trastornos del movimiento o seguimiento de los efectos de las intervenciones terapéuticas, independientemente de la etapa de desarrollo del individuo¹⁷. En la actualidad, sin embargo, esto debe considerarse como una metodología de investigación que no debe utilizarse para informar el diagnóstico clínico o los objetivos de tratamiento.