Video-based assessment of head centered, hand-to-hand contact, and body symmetry in infants for early prediction of cerebral palsy

Abstract

Mål: Målet med studien er å utvikle en automatisk vurdering av «hand-to-hand contact», «head centered» og «body symmetry» elementene i «movement optimality score» (MOS). Denne automatiske vurderingen oppnås gjennom produksjon av bevegelsestrekk basert på kvantifiserbare variabler hentet fra videobasert bevegelsessporingsdata. I tillegg analysere hvor nøyaktig individuelle- og summen av bevegelsestrekk skiller- og forutsier CP- og ikke-CP-utfall hos høyrisiko spedbarn. Metode: Syv bevegelsestrekk ble utviklet med bevegelsessporingsdataen. Bevegelsestrekkenes evne til å skille CP- og ikke-CP-utfallsgruppene ble vurdert med arealet under kurven (AUC) av receiver operating characteristic (ROC) kurven, og forskjellen i distribusjon mellom gruppene testet med Mann-Whitney U-test. Den prediktive evnen i enkeltindivider ble vurdert med kombinasjonen av sensitiviteten og spesifisiteten, i tillegg til forskjellen i gjennomsnitt av prediksjonsscoren mellom CP- og ikke-CP-utfallsgruppene. Resultat: AUC for bevegelsestrekkverdiene varierte fra .474 til .611. Noen bevegelsetrekk viste en forskjell mellom CP- og ikke-CP-utfallsgruppene, men forskjellen var ikke statistisk signifikant, Mann-Whitney U p = .106 til .704. Forskjellen mellom utfallsgruppene da bevegelsestrekkene ble konvertert til en prediksjonsscore var -.085 til .186 p = .031 til .474, og forskjellen mellom utfallsgruppene for den samlede prediksjonsscoreen var .750 p = .031. Konklusjon: Denne studien viser at en automatisk vurdering av denne typen MOS elementer er mulig, og noen bevegelsestrekk evner å skille CP- og ikke-CP-utfallsgruppene. Individuelle bevegelsestrekk har en begrenset evne til å forutsi CP-utfall, men prediksjonsevnen øker ved å kombinere bevegelsestrekk.

Aim: The aim of this study is to develop an automatic assessment of the hand-to-hand contact, head centered, and body symmetry items of the movement optimality score. The automatic assessment is developed by producing movement features using quantifiable variables extracted from video-based motion tracking data. Additionally, analyse how accurate individual and sum of movement features differentiate and predict CP and non-CP outcomes in high-risk infants. Method: Seven features were developed using the motion tracking data. The movement features’ ability to differentiate CP and non-CP outcome groups was assessed using the area under the curve (AUC) of the receiver operating characteristic (ROC) curve, and the difference in distribution using the Mann-Whitney U test. The predictive capability in singular cases was assessed using the combined sensitivity and specificity, and the mean difference in prediction score between the CP and non-CP outcome groups. Result: The AUC for the feature values ranged from .474 to .611. Some features displayed a difference in distribution between the CP and non-CP outcome groups. However, the difference was not statistically significant, Mann-Whitney U p = .106 to .704. The mean difference between the outcome groups for the features following conversion to prediction score was -.085 to .186 p = .031 to .474. The mean difference for the combined prediction score was .750 p = .031. Conclusion: This study proves that an automatic assessment of this type of MOS items can be produced, and some features can differentiate between CP and non-CP outcome groups. Individual features have limited ability to predict CP outcome, however, combining features increases the predictive capability.