Early movement patterns of preterm infants with cerebral palsy (CP)
Notice bibliographique
Résumé
Background: Premature infants are at risk of developing adverse neurological outcomes, including cerebral palsy (CP). Early detection facilitates timely intervention, optimizing neuroplasticity and function. The General Movement Assessment (GMA) offers a cost-effective means of identifying cerebral palsy by observing infants’ general movements abnormality. Objectives: In this project, we utilized GMA data (68 observations for CP and 92 observations for controls) to classify significant general movements and group infants potentially affected by cerebral palsy at an early stage. Methods: We evaluated the effectiveness of general movements in predicting cerebral palsy by metrics such as accuracy and Cohen’s kappa. Supervised and unsupervised machine learning models were employed for prediction. Results: Fidgety Movements in Typical movement exhibit the highest accuracy at 84% (95% CI: [78%, 89%]), as well as the highest kappa value at 0.67 (95% CI: [0.55, 0.79]) among all variables, indicating excellent capability in distinguishing CP from normal infants. In supervised learning, a logistic model identified an association between general movements and a diagnosis of CP. The model achieved an overall accuracy of 93% (95% CI: [88%, 97%]) and an overall cross-validated accuracy of 90% (95% CI: [66%, 98%]), with a sensitivity of 86% and specificity of 93%. In unsupervised learning, K-prototypes clustering naturally grouped all observations into three clusters with accuracy 87%. One cluster was made up of 85% controls and the other two clusters consisted of 96% and 84% CP. Conclusions: The GMA can predict cerebral palsy with high accuracy, and significant movements correlated with a diagnosis of cerebral palsy, such as Fidgety movements, Kicking, Asymmetry of Finger Posture, were identified.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».