Artificial intelligence algorithms effectively classify 38 movements in infants born full-term and preterm recorded in the laboratory and at home
Notice bibliographique
Résumé
BACKGROUND: Although recent advancements in artificial intelligence (AI) provide an alternative for infant motor assessment, such applications focus mainly on infants' movements within a narrow age range in a laboratory setting. This study aimed to develop and validate AI algorithms for movement recognition in full-term and preterm children in the laboratory and at home throughout infancy. METHODS: This prospective cohort study included 85 full-term infants and 84 preterm infants who were video recorded during the Alberta Infant Motor Assessment (AIMS) administered by physiotherapists in a laboratory, while parents uploaded movement videos at home using the Baby Go mobile application (app) from 4 to 18 months of age. An AI model was developed to classify movements using physiotherapists' labeling results as the ground truth. The AI-classified movements were organized into age-based sets to test concurrent validity against the AIMS examiners' results. RESULTS: Validation of the AI model for classifying 38 movements in full-term and preterm infants revealed an accuracy of 0.91, precision of 0.92, recall of 0.90, and F1 score of 0.91 with the laboratory videos and an accuracy of 0.84, precision of 0.84, recall of 0.77, and F1 score of 0.78 with the home videos. These movements were dispatched into age-based sets with two to five movements per age that showed high concurrent validity with the AIMS results (agreement = 0.99). CONCLUSION: The AI model accurately classified 38 movements in full-term and preterm infants performed in the laboratory and at home. The age-based sets also highly correlated with the physiotherapists' assessment results.
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 | 0,003 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».