Souhrn
Vědci vyhodnotili, zda lze pomocí akcelerometrických dat získaných během statických a dynamických úkolů předpovědět výsledky standardních klinických testů rovnováhy u dětí ve věku 6 až 12 let. Výsledky ukazují, že modely strojového učení dokáží s mírnou, ale konzistentní přesností předpovědět výsledky Flamingo testu, zatímco predikce výkonu v testu na rovnovážném trámu selhává.
Klíčové body
- Studie zahrnovala 90 dětí a využila akcelerometrická data ze tří os a výsledné velikosti zrychlení.
- Testované úkoly zahrnovaly statické pozice (s otevřenýma i zavřenýma očima, na nestabilní ploše) a chůzi.
- Nejlepší výsledky pro predikci Flamingo testu dosáhly modely random forest, support vector regression a k-nearest neighbors.
- Predikce výkonu v testu na rovnovážném trámu byla napříč všemi modely neúspěšná.
- Výzkum podporuje potenciál akcelerometrie a AI jako nástroje pro objektivní hodnocení motorického vývoje dětí.
Podrobnosti
Studie publikovaná v časopise Scientific Reports se zaměřuje na objektivizaci hodnocení posturální rovnováhy u dětí, což je klíčové pro včasnou detekci motorických poruch a prevenci pádů. Tradiční metody, jako Flamingo test (stání na jedné noze) nebo chůze po rovnovážném trámu, jsou subjektivní a neposkytují kvantitativní data. Výzkumníci proto nasadili akcelerometry k zachycení pohybových vzorců během různých úkolů a následně vycvičili několik modelů strojového učení – včetně lineární regrese, penalizované regrese, k-nearest neighbors, support vector regression a random forest – na predikci výsledků těchto testů. Data byla validována pomocí 5-násobné křížové validace. Zatímco Flamingo test se podařilo předpovědět s mírnou přesností (zejména na základě statických úkolů), výkon v testu na trámu se nepodařilo modely zachytit. To naznačuje, že akcelerometrická data lépe zachycují statickou než dynamickou rovnováhu u dětí.
Proč je to důležité
Tento výzkum přispívá k rozvoji digitálních nástrojů pro pediatrickou rehabilitaci a školní zdravotnictví. Pokud by se podařilo v budoucnu zlepšit přesnost predikce i pro dynamické úkoly, mohly by být akcelerometry integrovány do běžného screeningového vyšetření dětí – například v rámci školních preventivních prohlídek. Zároveň však studie ukazuje limity současných přístupů: i přes pokroky v AI zůstává predikce složitých motorických dovedností náročná, zejména u různorodé populace jako jsou děti. Výsledky tak podtrhují potřebu kombinovat senzorová data s klinickým kontextem, nikoli spoléhat výhradně na algoritmy.
Zdroj: 📰 Nature.com
| 