简化AIMS的临床验证:简化第一年婴儿运动查
Teresa Fair-Field1, Bharath Modayur2
1Early Markers, 2151 NW 97th Street, Seattle, WA 98117, United States; Robbins College of Health and Human Sciences, Baylor University, Waco, TX, United States.
Early human development
|February 5, 2025
概括
这项研究验证了阿尔伯塔婴儿运动量表 (AIMS) 的15项"值集",以更快地进行婴儿查. 机器学习准确地预测完整的AIMS分数,改善早期干预推.
科学领域:
- 儿科 儿科 儿科
- 发育儿科 发育儿科
- 医疗保健中的机器学习
背景情况:
- 阿尔伯塔婴儿运动量表 (AIMS) 是评估婴儿运动发育的标准工具.
- 简化AIMS评估过程可以提高早期干预 (EI) 服务的效率.
- 视频分析和机器学习为自动化或半自动化发育查提供了潜力.
研究的目的:
- 为了验证AIMS的简体版本",液组",用于高效的婴儿运动查.
- 评估机器学习模型在使用突出集预测完整AIMS分数时的准确性.
- 评估突出组的敏感性和特异性,以识别需要EI转诊的婴儿.
主要方法:
- 对21个婴儿视频进行了回顾性分析,这些视频由职业治疗师使用15项突出集手动标记.
- 支持向量回归器 (SVR) 在较大的数据集 (n=102) 上进行训练,以从突出集数据中预测完整的AIMS分数.
- 通过将突出集预测与完整的AIMS分数相关联来评估并发有效性.
主要成果:
- 该SVR模型与全部58项AIMS (皮尔森相关性:0.99) 显示出强大的并发有效性.
- 突出组实现了高选灵敏度 (1.0) 和特异性 (0.895).
- 使用缩短的突出集,评估时间缩短了67%.
结论:
- 当使用机器学习分析AIMS的突出集时,它为婴儿运动查提供了有效和高效的方法.
- 这种方法可以准确地识别需要早期干预服务的婴儿.
- 突出的集合代表了在应用机器学习到发育评估中的重大进步,减少了选时间,同时保持了准确性.
