Évaluation quantifiée des capacités motrices globales du nourrisson à l’aide d’un appareil portable multicapteur

Résumé

Cet article décrit l’évaluation de la performance motrice globale des nourrissons avec un dispositif portable multicapteur et son pipeline d’analyse entièrement automatisé basé sur l’apprentissage profond. La méthode quantifie la posture et les mouvements des nourrissons de la position couchée sur le dos jusqu’à ce qu’ils maîtrisent la marche de manière autonome.

Résumé

Le développement de méthodes objectives et quantitatives d’évaluation précoce de la motricité globale est essentiel pour mieux comprendre le neurodéveloppement et soutenir les interventions thérapeutiques précoces. Ici, nous présentons une méthode pour quantifier les performances motrices globales à l’aide d’un portable multicapteur, MAIJU (Motility Assessment of Infants with a JUmpsuit), qui offre une évaluation automatisée, évolutive, quantitative et objective à l’aide d’un pipeline entièrement automatisé basé sur le cloud. Cette combinaison portable est équipée de quatre capteurs de mouvement qui enregistrent des données synchronisées sur un téléphone portable à l’aide d’une connexion Bluetooth à faible consommation d’énergie. Une analyse hors ligne dans le serveur cloud génère des résultats entièrement analysés en quelques minutes pour chaque enregistrement. Ces résultats comprennent un rapport graphique de la session d’enregistrement et une matrice de résultats détaillée qui donne des classifications seconde par seconde pour la posture, le mouvement, le portage du nourrisson et le temps de jeu libre. Nos résultats récents montrent la vertu d’une telle évaluation motrice quantifiée fournissant une méthode potentiellement efficace pour distinguer les variations du développement moteur global du nourrisson.

Introduction

Le développement précoce de la motricité globale est essentiel pour une performance neurocognitive de plus haut niveau qui émerge plus tard en soutenant l’exploration de l’environnement par les nourrissons. Par conséquent, les cliniciens et les chercheurs ont un grand intérêt à évaluer le développement précoce de la motricité globale ^1,2,3. Pour soutenir la médecine fondée sur des preuves ou les études scientifiques, il est essentiel que les évaluations de la motricité globale soient quantitatives, fiables, objectives et écologiquement valides. Cependant, il y a une pénurie de telles méthodes disponibles pour la recherche clinique ou fondamentale.

Un développement précoce typique de la motricité globale progresse à travers une séquence prévisible de compétences nouvellement acquises. Ils sont couramment observés chez les nourrissons comme atteignant des étapes motrices discrètes⁴, où la position debout et la marche sont souvent considérées comme des repères importants sur la route d’un répertoire comportemental plus complexe⁵. En plus de l’observation directe ou des enquêtes parentales sur les étapes motrices, plusieurs batteries standardisées largement utilisées ont été développées 6,7,8,9 pour effectuer des évaluations des nourrissons en laboratoire ou en milieu hospitalier. Cependant, ces évaluations présentent de multiples mises en garde : elles nécessitent une expertise substantielle de la part de professionnels qualifiés, elles sont en partie subjectives et catégoriques, et elles évaluent la performance des nourrissons dans un environnement (hôpital ou laboratoire) qui n’est pas naturel du point de vue d’un nourrisson.

L’enregistrement de l’activité motrice spontanée des nourrissons sur de longues périodes dans l’environnement d’origine, comme leur maison, permet des mesures plus pertinentes des capacités motrices. Dans l’une de ces méthodes réalisables, l’évaluation est effectuée pour la séquence complète du développement des capacités motrices du nourrisson, de la position couchée sur le dos à la marche fluide avec un système portable, tel que le MAIJU wearable (Motor Assessment of the Infants with a JUmpsuit)10,11,12. Le système portable MAIJU (Figure 1) implique un vêtement textile pour tout le corps équipé de capteurs de mouvement pour permettre des évaluations et des enregistrements non supervisés hors hôpital/laboratoire qui sont analysés avec un pipeline automatisé, fournissant une évaluation seconde par seconde de la posture et des schémas de mouvement. Ces détections algorithmiques peuvent être utilisées séparément pour chaque posture et chaque type de mouvement, ou elles peuvent être combinées pour une évaluation holistique du niveau de maturation des capacités motrices du nourrisson. Une expression sans unité récemment publiée d’une telle mesure de la maturité motrice est le BIMS (Baba Infant Motor Score)^10,12.

Cet article décrit l’évaluation de la performance motrice globale des nourrissons à l’aide d’une combinaison portable multicapteur ; la justification, les performances pratiques, le pipeline d’analyse et les perspectives futures potentielles d’utilisation des métriques qui peuvent être obtenues à partir du pipeline d’analyse automatisé disponible pour les enregistrements avec un portable multicapteur 10,11,12. La méthode convient à une quantification détaillée des activités de motricité globale spontanées chez tous les nourrissons qui présentent des capacités motrices entre la position couchée sur le dos et la marche fluide.

Le système portable multicapteur se compose de trois composants : 1) le vêtement complet équipé de quatre capteurs de mouvement, 2) un appareil mobile utilisant une application iOS personnalisée, et 3) un pipeline d’analyse basé sur le cloud (Babacloud, dont les informations d’identification peuvent être obtenues auprès des auteurs)¹¹. Les capteurs de l’unité de mesure inertielle (IMU) étanches transmettent des données synchronisées (accéléromètre à 3 axes et gyroscope) à une fréquence d’échantillonnage de 13 à 52 Hz vers un téléphone portable à l’aide d’une connexion Bluetooth à faible consommation d’énergie. Les données sont d’abord stockées dans la mémoire du capteur ou de l’appareil mobile, suivies d’une analyse hors ligne sur le serveur cloud après l’arrêt de l’enregistrement.

Protocole

Les études menées avec ce système ont été examinées par le comité d’éthique du nouvel hôpital pour enfants de l’hôpital universitaire d’Helsinki, et l’hôpital a donné l’autorisation de mener à bien les projets de recherche décrits dans les études originales citées dans ce travail. Un consentement éclairé a été obtenu pour filmer l’enfant dans la vidéo.

1. Préparation de la combinaison pour une session d’enregistrement

1. Sélectionnez la bonne taille de costume. Actuellement, les tailles vont de la taille 68 cm et il existe cinq options de taille distinctes (68 cm, 74 cm, 80 cm, 86 cm et 92 cm). Assurez-vous que la combinaison est bien ajustée mais confortable et que l’enfant peut bouger librement sans interférence.
2. Démarrez l’enregistrement, c’est-à-dire la collecte de données à l’aide de l’application d’enregistrement de données, Maijulogger, comme décrit dans le fichier supplémentaire 1.
   1. Sur la première page, entrez le « Numéro d’identification du sujet ». Le nombre de capteurs de mouvement utilisés dans l’évaluation est défini sur 4 par défaut, comme indiqué sur la première page.
   2. Passez à l’étape suivante en appuyant sur la flèche vers l’avant.
3. Équipez quatre capteurs de piles (version CR2025).
4. Associez chaque capteur à l’application mobile en sélectionnant et en appuyant sur l’emplacement d’un membre sur l’application et en rapprochant le capteur de l’appareil mobile.
   1. Vérifiez que le numéro de capteur correct est affiché sur l’application.
   2. Assurez-vous d’un niveau de charge suffisant de la batterie (recommandé > 80 %) en vérifiant les indicateurs sous le numéro du capteur.
      REMARQUE : Remplacez les piles du capteur, si nécessaire, en soulevant le couvercle arrière.
5. Fixez chaque capteur avec les supports encliquetables dans la poche de manche appropriée.
   1. Assurez-vous que les capteurs sont correctement orientés.
   2. Consultez toujours le dernier guide de l’utilisateur pour plus de détails. Une orientation incorrecte conduira à des données inutilisables.
6. Vérifiez le bon couplage du capteur en appuyant sur la flèche vers l’avant dans l’application.
   1. Secouez les capteurs un par un et vérifiez l’application pour voir que le bon indicateur bouge.
7. Une fois les vérifications terminées, accédez à la page Démarrer en appuyant sur la flèche vers l’avant.
   REMARQUE : Si nécessaire, la durée de l’enregistrement (hh :mm) peut être réglée manuellement en appuyant sur le bouton Paramètres au début de chaque enregistrement.
   1. Appuyez sur le bouton Enregistrer pour démarrer l’enregistrement. Attendez que les capteurs soient prêts avant d’habiller la combinaison sur le bébé (cela peut prendre quelques minutes).
8. Pour les enregistrements à domicile non supervisés, réglez le verrouillage de l’écran sur l’appareil mobile pour éviter son fonctionnement parental et emballez la combinaison pour la livraison au destinataire.
   1. Utilisez un service de messagerie ou un service similaire pour livrer la combinaison au destinataire immédiatement après qu’elle ait été préparée.

2. Préparer et habiller le nourrisson pour une séance d’enregistrement

1. Assurez-vous que le nourrisson est allaité (c.-à-d. nourri et changé les couches) et qu’il se sent en sécurité et à l’aise pour un temps de jeu naturel et spontané.
   1. Retirez la combinaison plus tard pour un changement de couche, si nécessaire.
2. Habillez le costume sur le bébé comme avec une salopette ordinaire.
   1. Vérifiez que les poches du capteur sont orientées vers l’extérieur (c’est-à-dire loin de la ligne médiane du corps au lieu de tourner vers l’avant ou l’arrière du bébé).
3. Vérifiez que la combinaison est bien ajustée sur les membres à chaque emplacement du capteur.
   1. Ajustez les sangles près des poches pour serrer le capteur sur le membre, si nécessaire.
      REMARQUE : Il est également possible d’ajouter des vêtements sous la combinaison ou des bandages pour attacher les capteurs au cas où les membres seraient trop fins pour une fixation suffisante avec les sangles.

3. Enregistrement de la session

1. Gardez l’appareil mobile près du bébé pour assurer une transmission fiable des données via la connexion Bluetooth (c’est-à-dire dans la même pièce ou à moins de 10 m si l’enregistrement se déroule dans un espace ouvert) lors de l’enregistrement avec diffusion directe de données.
   1. Le cas échéant, conservez l’appareil mobile dans un sac, tel qu’une pochette pour tablette, pour une manipulation plus facile et plus sûre. Le protocole Bluetooth tentera de se reconnecter si la connexion BLE est perdue.
      REMARQUE : Il n’est pas conseillé de mettre en pause puis de poursuivre l’enregistrement car cela pourrait perturber la synchronisation entre les capteurs ou l’intégrité temporelle des données enregistrées, ainsi que vous risquez de perdre la connexion BLE. Dans de telles occasions, la seule option est d’éteindre l’application et de recommencer l’enregistrement.
2. Organisez l’environnement pour faciliter le jeu avec des jouets et d’autres objets et encouragez le bébé à bouger librement. Par exemple, dégagez l’espace pour vous déplacer ou posez un tapis sur le sol afin que le nourrisson puisse être encouragé à bouger lorsqu’il voit des jouets adaptés à son âge. L’objectif est d’enregistrer le mouvement naturel du nourrisson.
   1. Assurez-vous que le nourrisson se sent suffisamment à l’aise et en sécurité pour s’engager dans un jeu spontané sans ressentir d’anxiété en raison de nouvelles personnes ou d’endroits inconnus.
3. Notez au moins 1 h de jeu libre ou aussi longtemps que souhaité par les questions de l’étude. Plusieurs époques de jeu/mouvement peuvent être combinées plus tard au cours de l’analyse.
4. Si le protocole de recherche spécifique l’exige, prenez des notes supplémentaires pour faciliter l’inspection détaillée des résultats individuels. Utilisez des annotations synchronisées en temps réel dans l’application d’enregistrement de données sous forme de texte libre, d’enregistrements audio ou d’enregistrements vidéo.
5. Pour les enregistrements à domicile non supervisés, réglez l’enregistrement pour qu’il s’arrête automatiquement (c’est-à-dire réglez manuellement la durée (hh :mm) de l’enregistrement en appuyant sur le bouton Paramètres ).
6. Dans les paramètres supervisés, terminez l’enregistrement en appuyant sur le bouton Stop de l’application.
7. Enlevez la combinaison et emballez-la pour la retourner au laboratoire.
8. Lavez la combinaison après chaque enregistrement après avoir retiré les capteurs des poches de la combinaison. Si possible, utilisez des détergents, y compris le transport de l’humidité visant les matériaux synthétiques¹¹.
   1. Inspectez visuellement la combinaison après le lavage pour détecter les défauts mécaniques avant de la ranger pour l’utiliser sur l’enfant suivant.

4. Analyse basée sur le cloud : téléchargement des données brutes et téléchargement des résultats

1. Cliquez sur le fichier enregistré dans la vue de la base de données de l’application, puis cliquez sur Exporter vers Babacloud, ce qui ouvre la page d’accueil du cloud de calcul (https://babacloud.fi/) à l’aide du navigateur Web de l’appareil mobile (fichier supplémentaire 2).
2. Entrez le nom d’utilisateur et le mot de passe dans la page de connexion. Si nécessaire, demandez de nouvelles informations d’identification à partir de l’adresse e-mail fournie sur la page d’accueil de Babacloud.
3. Choisissez le fichier enregistré pour un téléchargement. Ensuite, choisissez un numéro d’identification pour le sujet et ajoutez les informations requises comme indiqué par le flux de travail Babacloud. Si cela est pertinent pour le cas, entrez également l’âge du sujet ou d’autres informations (par exemple, le temps de jeu) dans « Ajouter une autre étiquette de fichier brut ». Enfin, enregistrez la session de téléchargement en appuyant sur le bouton Enregistrer .
   REMARQUE : Par défaut, l’application de l’enregistreur de données générera un fichier compressé à partir des données de mouvement pour permettre un transfert de données plus facile et plus rapide par voie hertzienne via un réseau Wi-Fi ou mobile. L’interface de Babacloud nécessitera des informations d’identification qui peuvent être obtenues comme indiqué sur leur page Web. Les données brutes enregistrées peuvent également être transférées directement du téléphone vers un autre appareil pour une analyse personnalisée. Assurez-vous que les données inutiles de la mémoire de l’appareil mobile sont supprimées pour éviter toute confusion entre les sessions d’enregistrement. Les sessions d’enregistrement sont automatiquement placées dans leurs propres dossiers, qui sont nommés avec leurs horodatages respectifs.
4. Téléchargez le package compressé des résultats d’analyse à partir du serveur cloud à l’aide d’un appareil mobile ou d’un navigateur Web d’ordinateur. Cliquez sur l’ID de sujet correct, puis choisissez le lien vers l’analyse souhaitée, ce qui ouvre automatiquement le téléchargement du fichier.
   REMARQUE : Dans le package de résultats zippé, les deux éléments suivants se trouvent : Une matrice de résultats détaillée, qui donne toutes les classifications seconde par seconde pour la posture, le mouvement, le portage du nourrisson et le temps de jeu libre (Figure 2A, fichier supplémentaire 3). Rapports graphiques qui donnent un aperçu de la session d’étude (Dossier supplémentaire 4).

Résultats

La méthode présentée quantifie la performance motrice globale des nourrissons en classant les types de postures et de mouvements pour chaque seconde de la session d’enregistrement. Par conséquent, le package de résultats du pipeline d’analyse automatisé comprend une matrice de classification complète (fichier supplémentaire 3) et un résumé graphique (fichier supplémentaire 4) de l’ensemble de la session d’enregistrement. Selon la question exacte de l’étude, ces résultats peuvent être inspectés à différents niveaux.

L’inspection des résultats a été utilisée pour l’élaboration et la validation de cette méthode.
Dans ce qui suit, nous présentons quatre niveaux d’inspection des résultats utilisés pour l’élaboration et la validation de cette méthodologie. Le fichier supplémentaire 5 présente des exemples représentatifs des principales expériences de validation qui ont été publiées précédemment en détail 10,11,12.

Tout d’abord, les algorithmes automatiques entraînés pour les détections de mouvement et de posture ont été validés par rapport aux observations humaines de deuxième niveau du comportement de mouvement des nourrissons. Nous avons fait appel à plusieurs experts formés en parallèle qui ont examiné à l’aveugle les enregistrements vidéo synchronisés avec les enregistrements portables. Toutes les différentes catégories de postures et de mouvements ont été comparées séparément aux annotations humaines individuelles, et nous avons trouvé une très forte concordance entre l’algorithme et l’humain pour les postures (kappa moyen 0,93) ; Une concordance substantielle a été trouvée pour les catégories de mouvement (kappa spécifique à la sous-catégorie, principalement de l’ordre de 60 à 80 %). Voir le fichier supplémentaire 5A pour un exemple de matrice^{de confusion 10}. De plus, les niveaux d’accord inter-juges ont été évalués pour confirmer que les algorithmes fonctionnent à peu près au niveau équivalent humain^10,11.

Deuxièmement, nous avons évalué dans quelle mesure la quantification basée sur le classificateur des catégories de mouvement et de posture correspondrait à la quantification correspondante des annotations humaines de deuxième niveau. Des exemples de nuages de points présentés dans le fichier supplémentaire 5B¹⁰ montrent que plusieurs catégories clés ont une correspondance presque parfaite (coefficient de corrélation >0,96) entre la quantification visuelle algorithmique et humaine. Cela soutient directement l’idée que les distributions par âge de la quantification de la motilité (Figure 3A,B) sont fiables¹².

Troisièmement, l’idée d’une évaluation holistique de la maturité motrice a été validée par l’entraînement d’une prédiction de l’âge de développement à partir des quantités de mouvements combinés (voir ci-dessus) qui était très étroitement corrélée avec l’âge réel chez les nourrissons au développement typique (r = 0,89 ; Dossier supplémentaire 5C). Par la suite, la prédiction de l’âge a été mise à l’échelle de 0 à 100 en tant que mesure sans unité BIMS (Baba Infant Motor Score¹⁰), et son utilité pour la construction de courbes de croissance motrice (fichier supplémentaire 5D) a été validée à l’aide d’une cohorte de nourrissons en développement typique montrant fortement des trajectoires de croissance prévisibles et dépendantes de l’âge. Nous avons également validé sa précision relative en montrant que la précision des courbes de croissance motrice se compare bien aux courbes de croissance physique bien connues¹².

Quatrièmement, le potentiel de détection d’anomalies avec les paramètres donnés a été validé dans une expérience de preuve de principe où il a été démontré que les mesures motrices individuelles différenciaient clairement les nourrissons ayant une performance motrice faible et bonne, respectivement (fichier supplémentaire 5E)¹⁰.

Questions d’étude supplémentaires potentielles à différents niveaux d’analyse
La figure 3 montre des exemples d’autres utilisations des informations fournies par la combinaison portable et son pipeline d’analyse automatisé. Premièrement, le développement précoce de la posture et des habiletés motrices peut être tracé en fonction de l’âge et comparé aux distributions en fonction de l’âge (figure 3A, « courbes de croissance »¹²), ou le développement peut être suivi au fil du temps pour chaque individu (figure 3B). Deuxièmement, lorsqu’une question d’étude nécessite une évaluation plus holistique de la motricité globale, on peut utiliser une combinaison des proportions de posture et de mouvement d’un individu (comme indiqué dans le fichier supplémentaire 5D, calculé à partir de la série chronologique du fichier supplémentaire 5C) pour générer un indice comme BIMS (Baba Infant Motor Score). De telles mesures prennent en charge l’utilisation directe dans les courbes de croissance motrice (fichier supplémentaire 5C, D) et le calcul de dérivations statistiques comme le score z (Figure 3A). L’utilisation de la série de détections de l’algorithme à temps plein (Figure 3C et fichier supplémentaire 3) permet d’étudier la structure temporelle détaillée de la motilité des nourrissons avec des questions telles que « Combien de transitions de posture le nourrisson effectue-t-il dans une unité de temps ? » ou « Quelle est la distribution des époques debout pendant le temps de jeu spontané ? ».

Figure 1 : Vue d’ensemble du système portable multicapteur et d’un flux d’étude typique de l’enregistrement à l’analyse. Figure 1 adaptée d’Airaksinen et ^al.12publiée sous licence CC_BY. La photographie du nourrisson est publiée avec l’accord des parents. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : Catégorisation de la posture et des mouvements et exemple de visualisation des données brutes et des résultats d’analyse (A) Schéma de catégorisation de la posture et des mouvements utilisé par les classificateurs algorithmiques dans le pipeline d’analyse entièrement automatisé d’un wearable multicapteur. Cette figure est réimprimée à partir d’Airaksinen et ^al.10 (B) Exemple d’une période de 10 minutes de données brutes du capteur de l’accéléromètre de chacun des quatre bras telles qu’elles ressortent des enregistrements MAIJU. Les barres horizontales ci-dessous représentent les sorties du classificateur automatisé pour les détections de posture (barre supérieure) et de mouvement (barre inférieure) pour la même époque de 10 minutes. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3 : Exemple de résultats dérivés des sorties brutes du classificateur. (A) Exemple de comparaison de données entre l’âge du nourrisson et le score moteur du nourrisson Baba (BIMS). La courbe verte en forme de S représente la trajectoire de développement du BIMS dans une population plus large. Le point représente un exemple d’individu mesuré à 14 mois, avec un BIMS ~74, correspondant à un peu en dessous du niveau d’âge moyen typique (la ligne verte). (B) Un exemple de cohorte avec des trajectoires individuelles de développement moteur à l’aide du Baba Infant Motor Score over (BIMS). Chaque ligne représente un nourrisson enregistré à plusieurs âges (points dans la ligne). Les lignes sont colorées pour l’écart moyen par rapport à la moyenne typique de l’âge (courbe bleue en forme de S en arrière-plan ; voir aussi le panneau A. (C) Matrice de sortie représentative du classificateur automatique telle qu’elle provient du pipeline Babacloud. La première colonne représente le temps écoulé depuis le début de l’enregistrement (en secondes) pour chaque fenêtre d’analyse de la classification (durée de la fenêtre 2,3 s, avec un chevauchement de 50 %). Les deuxième et troisième colonnes montrent la détection du classificateur pour la posture et le mouvement, respectivement. Les troisième et quatrième colonnes sont des classificateurs auxiliaires représentant les époques où l’enfant était porté par quelqu’un d’autre et où l’enfant s’engageait dans un jeu autonome, respectivement. (D) Une illustration d’un rapport sommaire. Les panneaux A et B sont adaptés d’Airaksinen et ^al.10. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Fichier supplémentaire 1 : Un guide rapide pour enregistrer avec le wearable MAIJU. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 2 : Un guide rapide pour transférer des données de Maijulogger vers le serveur d’analyse de Babacloud. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 3 : Un exemple de matrice de classification détaillée qui donne toutes les classifications seconde par seconde pour la posture, le mouvement, le portage du nourrisson et le temps de jeu libre. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 4 : Exemple de fichier PDF complet d’un rapport récapitulatif graphique. Ceci est tiré du fichier d’algorithme qui comprend (A) des informations de base sur la session d’enregistrement (ID et âge du sujet, date d’enregistrement, durée et nombre total d’époques utilisées pour les analyses finales). (B) Un affichage graphique de l’enregistrement complet indiquant la distribution des postures sur l’enregistrement complet et des époques exclues de l’évaluation quantitative. C) Distributions typiques affichées avec des tracés de violon pour les six postures (côté gauche) et les 12 types de mouvements (côté droit). De même, les dessins sur le côté droit représentent le type de mouvements indiqués par chaque posture, montrant également la séquence de développement progressif des performances motrices (les points indiquant les résultats d’un enregistrement individuel et les graphiques de violon colorés indiquant les distributions de posture/mouvement en fonction de l’âge d’un ensemble de données pertinent). Notamment, les valeurs brutes indiquées par les points indiquent les quantités réelles de la performance motrice donnée, et elles peuvent être utilisées directement dans d’autres contextes. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 5 : Expériences de validation à différents niveaux d’analyse. (A) Matrices de confusion montrant la concordance entre les annotations humaines (classe cible) et les détections de l’algorithme (classe prédite) pour les catégories de posture et de mouvement. (B) Comparaison des quantifications motrices sur des sessions d’enregistrement complètes entre les annotations humaines et les détections dérivées du classificateur automatisé. (C) Corrélation entre la prédiction de l’âge de développement à partir des données portables (axe Y du côté gauche) et sa mise à l’échelle pour générer le score BIMS (axe Y du côté droit). L’âge réel du nourrisson au moment de l’enregistrement est indiqué sur l’axe des abscisses. (D) Corrélation de la prédiction de l’âge et de l’âge réel lors de l’utilisation d’une fonction ajustée. Les valeurs illustrées s’adaptent au modèle lors de l’utilisation de la moyenne de groupe aux fenêtres de temps représentées (bleu), de toutes les valeurs brutes (noir) ou lors de la prise en compte de mesures répétées de chaque individu (vert). (E) La comparaison des mesures motrices individuelles entre des groupes de nourrissons performants et peu performants suggère que plusieurs paramètres moteurs détectés automatiquement peuvent différencier ces groupes de nourrissons. Les panneaux A, B et C sont adaptés d’Airaksinen et ^al.10. Le panneau D est adapté d’Airaksinen et ^al.12. Le panneau E est adapté de "Airaksinen et ^al.11. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Une évaluation quantifiée et un suivi du développement des performances motrices des nourrissons avec une solution portable, telle que MAIJU, sont techniquement simples à apprendre et à réaliser, et ils peuvent être facilement mis en œuvre dans la pratique des soins de santé ou de la recherche clinique 10,11,12. Par rapport aux autres méthodes d’évaluation motrice existantes, ce type d’enregistrement à domicile de l’activité motrice spontanée des nourrissons améliore la validité écologique de l’évaluation. De plus, il fournit une analyse quantifiée, transparente et entièrement automatisée des performances motrices des nourrissons. Plus important encore, les mesures utilisées dans l’analyse sont intuitives et explicables, ce qui permet de les comparer facilement avec d’autres évaluations cliniques et de recherche, telles que les facteurs environnementaux, le développement cognitif ou les évaluations psychosociales. Une évaluation holistique du développement moteur fournit une précision qui se compare bien aux mesures conventionnelles de la croissance physique¹².

Les étapes critiques du protocole comprennent une préparation minutieuse de la combinaison portable. Lors de la préparation d’un enregistrement, il est crucial de choisir la bonne taille pour la combinaison, car les fixations des capteurs dans les manches et les jambes doivent être bien ajustées pour obtenir un enregistrement fiable des mouvements du corps. De plus, pour un enregistrement réussi, il est essentiel de placer les capteurs dans les poches avec une orientation correcte, comme indiqué dans le protocole. Les supports de capteur ne permettent pas aux capteurs de tourner pendant l’enregistrement. Cependant, le capteur mal orienté enregistre des données qu’il est difficile, voire impossible, de corriger par la suite. Le nourrisson doit être encouragé à se déplacer librement et de manière autonome pendant l’enregistrement. La durée de l’enregistrement peut varier en fonction des questions de l’étude. Les multiples époques de mouvement spontané sont combinées pour accumuler suffisamment de mouvement spontané pour chaque session d’enregistrement.

Le fonctionnement flexible et pratique de la solution portable MAIJU permet son utilisation dans des contextes variables dans des environnements supervisés et non supervisés, tels que des laboratoires de recherche ou des maisons. Les résultats récents de nos essais cliniques montrent que les enregistrements entièrement non supervisés effectués à domicile peuvent donner des résultats comparables à ceux effectués sous surveillance complète ou partielle¹². Néanmoins, le comportement moteur spontané d’un enfant est potentiellement affecté par plusieurs facteurs, tels que l’environnement (par exemple, jouer à l’extérieur ou à l’intérieur, la disposition de l’espace, des meubles et des jouets), le niveau de vigilance de l’enfant et l’implication des parents pendant l’enregistrement à la maison. Lorsque les enregistrements sont effectués dans des environnements non supervisés à la maison, il est important d’encourager l’enfant à jouer spontanément, c’est-à-dire à jouer ou à se déplacer de manière autonome, sans que quelqu’un d’autre ne porte ou ne tienne l’enfant si ce n’est pas nécessaire, et de garder le téléphone portable d’enregistrement à portée Bluetooth (dans la même pièce)¹⁰. La majorité de nos situations de dépannage actuelles pendant les enregistrements sont causées par la perte de connexion Bluetooth. Les progrès futurs de la technologie des capteurs amélioreront la connectivité Bluetooth, et l’introduction prochaine d’une mémoire de capteur plus grande permettra un enregistrement hors ligne en stockant les données de mouvement directement dans la mémoire du capteur.

Les enregistrements extrahospitaliers avec une solution portable de ce type sont facilement évolutifs et peuvent améliorer la sécurité des nourrissons, par exemple en permettant une surveillance à distance dans des circonstances telles qu’une pandémie. Nos algorithmes de classification actuels ont été entraînés à reconnaître spécifiquement les capacités motrices, les postures et les mouvements donnés montrés dans le schéma de description de la motilité (Figure 2A). Ces phénomènes ont été identifiés comme caractéristiques du mouvement du nourrisson au cours des deux premières années de vie. D’autres types de mouvements ou de postures observés chez les enfants plus âgés, tels que courir ou sauter, nécessiteront des schémas de description des mouvements modifiés et des algorithmes respectifs pour être entraînés à les identifier. L’analyse dépendante du contexte postal-posturale est une approche potentiellement fructueuse où l’activité motrice d’un nourrisson est analysée séparément dans différentes postures pour soutenir l’étude, par exemple, des corrélats développementaux du comportement du nourrisson 5,6,7,8,9,13. Alternativement, une analyse du mouvement dépendant du contexte pourrait également soutenir l’évaluation de l’asymétrie de la fonction motrice lors de la prédiction du développement de la paralysie cérébrale unilatérale 10,12,14,15. De plus, l’évaluation des capacités motrices avec le système MAIJU peut être combinée à d’autres modalités d’étude, par exemple, le suivi oculaire, l’imagerie ou l’enregistrement vidéo, pour fournir des données multimodales, couvrant différents types et contextes. Les données multimodales peuvent être utiles, par exemple, pour évaluer les effets de l’interaction sociale ou l’efficacité de l’intervention thérapeutique.

Pour le succès des nouvelles technologies portables dans les environnements de surveillance extra-hospitaliers avec des nourrissons, certaines limites, défis et préoccupations éthiques doivent être abordés. Nos pipelines d’analyse ont été formés et validés en utilisant des nourrissons en développement typique en Finlande 10,11,12. Les résultats bruts de l’analyse avec des postures et des mouvements purs doivent être universels. Cependant, leurs trajectoires de développement peuvent nécessiter des ajustements pour des cultures et des lieux géographiques divers. Selon les commentaires des parents concernant les appareils portables, ils sont perçus favorablement en raison de leur convivialité pour les nourrissons¹⁶. Cependant, les parents peuvent soulever des préoccupations concernant la confidentialité, l’accès aux données et les aspects pratiques de la famille (par exemple, plusieurs soignants, visiteurs et horaires variables). La dépendance à l’égard de la durée de vie de la batterie des capteurs et du téléphone enregistreur peut être considérée comme une limitation de la méthode. D’après notre expérience, le modèle de batterie (CR2025) dure généralement une journée complète (12 à 24 heures) en utilisant un streaming de données continu. Cela dépend notamment à la fois de la marque de la batterie et de la puissance de la connexion Bluetooth nécessaire à la transmission de données sans fil, qui change continuellement pour maximiser la transmission de données dans l’environnement d’enregistrement. Par exemple, une longue distance entre le bébé et le téléphone ou un mur entre eux ajusterait la connexion Bluetooth à une consommation de batterie nettement plus élevée. Notamment, les batteries de la plupart des appareils mobiles sont également déchargées à peu près au même moment si vous utilisez le streaming Bluetooth continu. Dans la pratique, le flux continu de données actuellement utilisé via la connexion Bluetooth implique que les capteurs et les appareils mobiles doivent être rechargés ou remplacés quotidiennement. L’introduction prochaine de capteurs avec une plus grande capacité de mémoire permettra le stockage des données dans la mémoire du capteur, prenant en charge plus d’une semaine d’enregistrement continu. Cela éliminera le besoin de streaming Bluetooth énergivore, ainsi que le transport du téléphone dans une portée Bluetooth qui peut être perçue comme restrictive dans les situations d’enregistrement et est susceptible d’erreur humaine.

Dans l’ensemble, le suivi du développement neurologique précoce nécessite des méthodes sensibles à la variabilité neurocomportementale naturelle. Le développement de la motricité globale est un processus complexe composé de variations dans l’ordre et le moment, tant au niveau individuel que culturel⁴. La détection du développement moteur atypique est efficace pour reconnaître les nourrissons à risque d’un large éventail de troubles neurodéveloppementaux. Les batteries de tests traditionnelles avec des évaluations neurodéveloppementales standardisées sont effectuées dans des environnements contrôlés, tels que les hôpitaux, et sont au moins partiellement subjectives ^7,8,9. Les progrès actuels de la technologie des capteurs et de l’analyse des signaux ont permis d’enregistrer les capacités motrices spontanées des nourrissons sur de longues périodes en dehors de l’hôpital et de quantifier le comportement moteur avec une précision comparable à celle des observateurs humains 10,11,12. Une nouvelle technologie portable offre des méthodes automatisées et évolutives pour surveiller les mouvements et l’efficacité de l’intervention thérapeutique chez les nourrissons d’une manière écologiquement valide et objective. De plus, le nouvel indice neurodéveloppemental Baba Infant Motor Score (BIMS) permet d’estimer la maturité des capacités motrices des nourrissons par le suivi individuel du neurodéveloppement^10,12. Il peut être utilisé dans une gamme d’applications futures, telles que le développement de courbes de croissance motrice du nourrisson¹². En entraînant les classificateurs automatisés pour d’autres motilités spécifiques (par exemple, pour les enfants plus âgés ou les adultes) avec différents types de schémas et d’algorithmes de description des mouvements, les capteurs de mouvement portables ont le potentiel d’applications cliniques, telles que les troubles du mouvement ou le suivi des effets des interventions thérapeutiques, quel que soit le stade de développement de l’individu¹⁷. À l’heure actuelle, cependant, cela devrait être considéré comme une méthodologie expérimentale qui ne devrait pas être utilisée pour éclairer le diagnostic clinique ou les cibles de traitement.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Appareil iOS (version 16.5 ou supérieure)	Apple	n/a
MAIJU jumpsuit	Planno Ltd	n/a	personnalisé à cet effet
Maijulogger (application mobile) et firmware du capteur	BABA Center (www.babacenter.fi), Kaasa solutions GmbH	n/a	construit par Kaasa Solutions, distribué par Baba Center
Capteur de mouvement Movesense	Movesense (www.movesense.com)	n/a