Automated movement recognition to predict motor impairment in high‐risk infants: a systematic review of diagnostic test accuracy and meta‐analysis
Notice bibliographique
Résumé
Aim To assess the sensitivity and specificity of automated movement recognition in predicting motor impairment in high‐risk infants. Method We searched MEDLINE, Embase, PsycINFO, CINAHL, Web of Science, and Scopus databases and identified additional studies from the references of relevant studies. We included studies that evaluated automated movement recognition in high‐risk infants to predict motor impairment, including cerebral palsy (CP) and non‐CP motor impairments. Two authors independently assessed studies for inclusion, extracted data, and assessed methodological quality using the Quality Assessment of Diagnostic Accuracy Studies‐2. Meta‐analyses were performed using hierarchical summary receiver operating characteristic models. Results Of 6536 articles, 13 articles assessing 59 movement variables in 1248 infants under 5 months corrected age were included. Of these, 143 infants had CP. The overall sensitivity and specificity for motor impairment were 0.73 (95% confidence interval [CI] 0.68–0.77) and 0.70 (95% CI 0.65–0.75) respectively. Comparatively, clinical General Movements Assessment (GMA) was found to have sensitivity and specificity of 98% (95% CI 74–100) and 91% (95% CI 83–93) respectively. Sensor‐based technologies had higher specificity (0.88, 95% CI 0.80–0.93). Interpretation Automated movement recognition technology remains inferior to clinical GMA. The strength of this study is its meta‐analysis to summarize performance, although generalizability of these results is limited by study heterogeneity. What this paper adds Automated movement recognition is sensitive and specific and warrants further investigation. Sensor‐based technologies have higher specificity but are less portable. The performance of automated movement recognition is inferior to clinical General Movements Assessment. Emerging technologies such as 3D video analysis may improve its performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,036 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».