A.4 Automating gait analysis in children with Cerebral Palsy using an artificial intelligence-augmented pipeline
Notice bibliographique
Résumé
Background: Cerebral palsy (CP) is a neuromotor disorder whereby gait abnormalities are predominant. Motion analysis is instrumental in management. While 3D kinematic labs exist, they are costly to operate, and the expertise required to interpret limits their availability to only a handful of facilities. In response, we have developed an Automated Intelligence (AI) driven pipeline to automate gait evaluation using 2-dimensional video. We assess the performance of this tool in comparison to traditional evaluation using visual assessment by trained human expert. Methods: A dataset of 109 patients with CP (6–37 years) (GMFCS I – II) was processed using our tool. The Edinburgh Visual Gait Score (EVGS) was derived using videos capturing sagittal and coronal views. Algorithm performance was determined by comparing automated EVGS scores against clinical expert scoring. Results: The AI pipeline successfully analysed 105/109 patient videos. For most EVGS parameters (14/17), the algorithm demonstrated moderate to high accuracy (70-94%), while 3 parameters (hindfoot valgus/varus, maximum lateral trunk shift, pelvic rotation at midstance) demonstrated lower accuracy (58-62%). Conclusions: This study validates the feasibility of an AI-augmented pipeline for automating EVGS-based gait assessments. With ongoing development, this technology has potential to improve accessibility to gait analysis and allows deployment outside of traditional settlings.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».