通过压力和位置信息自动检测住院婴儿的异常一般运动
Nathalie L Maitre1, Caitlin P Kjeldsen2, Andrea F Duncan3
1Department of Pediatrics, Emory University School of Medicine and Children's Healthcare of Atlanta, Atlanta, GA, USA. nmaitre@emory.edu.
Pediatric research
|July 30, 2024
概括
在婴儿中,自动检测异常 (紧张同步或CS) 总动作评估 (GMA) 对神经运动障碍的早期识别有希望. 这种机器学习方法可能会增加高危新生儿获得GMA查的机会.
科学领域:
- 新生儿神经学 新生儿神经学
- 发育儿科 发育儿科
- 计算神经科学是一种计算神经科学.
背景情况:
- 普雷克特尔的一般运动评估 (GMA) 识别了异常 (紧张同步或CS) 运动模式,具有高灵敏度来预测神经运动障碍.
- 由于培训需求和主观解释,GMA的临床采用受到限制.
研究的目的:
- 开发和验证一种初步的自动化方法,用于使用机器学习检测婴儿的CS运动.
- 为自动化GMA分析创建一个临床适用的软件接口.
主要方法:
- 这是一个三阶段的方法,结合了无监督和监督的机器学习.
- 从335名住院婴儿身上使用视频和压力传感器的双重数据收集.
- 从临床医生和测试数据中提取特征,然后进行分类建模.
主要成果:
- 集成规范化,聚类和决策树方法的分类模型实现了对CS移动的100%灵敏度.
- 通过软件界面,在数据记录后20分钟内可获得自动化结果.
结论:
- 通过结合临床研究,机器学习和传感器技术,开发了一种可行的初步方法来自动检测新生儿的异常GMA.
- 进一步的软件和算法改进对于广泛的临床使用是必要的.
