El rol del desarrollo motor temprano en los bebés
Las habilidades motoras tempranas son clave para el crecimiento y aprendizaje de los bebés.
― 7 minilectura
Tabla de contenidos
Cuando los bebés nacen, empiezan a desarrollar Habilidades Motoras que les ayudan a conectarse con el mundo que los rodea. Estas habilidades crecen desde acciones simples como levantar la cabeza hasta cosas más complejas como sentarse, pararse y eventualmente caminar. A medida que adquieren estas habilidades, los bebés pueden interactuar mejor con su entorno y con las personas que se ocupan de ellos. Esta interacción apoya el aprendizaje y les ayuda a alcanzar sus metas.
Las habilidades motoras también juegan un papel importante en el Desarrollo del cerebro. La investigación muestra que incluso los fetos muestran signos de Movimientos dirigidos por metas durante el embarazo. Después del nacimiento, los movimientos de los bebés cambian de acciones aleatorias a movimientos más planificados. Esta transición fortalece las conexiones en el cerebro que son responsables del control motor y del pensamiento más complejo. A medida que esto sucede, el cerebro comienza a usar diferentes áreas que están involucradas en tareas complejas.
A medida que los niños crecen, sus habilidades motoras siguen ligadas a sus habilidades de pensamiento y a su rendimiento en la escuela. Sin embargo, cada bebé desarrolla estas habilidades a su propio ritmo. Estudios a largo plazo han demostrado que los bebés que desarrollan habilidades motoras temprano tienden a comportarse y rendir mejor académicamente más adelante en la vida. Por otro lado, si el desarrollo motor de un bebé se interrumpe o es anormal, puede ser un signo de varios trastornos y puede llevar a dificultades en su desarrollo, especialmente en casos como los partos prematuros.
Importancia del Desarrollo Motor Temprano
No se puede subestimar la importancia de las habilidades motoras tempranas, ya que también ayudan al desarrollo Cognitivo. Existen programas diseñados para ayudar a los bebés con habilidades motoras, y estos han mostrado excelentes resultados, especialmente para aquellos que pueden estar en riesgo de problemas de desarrollo.
La investigación sobre cómo se mueven los humanos y otros primates sugiere que nuestras acciones pueden descomponerse en bloques básicos. Estos bloques se pueden combinar para crear movimientos más complejos. Por ejemplo, los movimientos simples que hacen los recién nacidos son similares a los pasos básicos que ven los niños pequeños que están aprendiendo a caminar. En los primeros meses de vida, los bebés muestran un camino claro de desarrollo motor, mostrando movimientos como rotaciones del tronco y acciones coordinadas de brazos y piernas.
A medida que los bebés alcanzan entre 9 y 20 semanas de edad, sus movimientos espontáneos típicamente incluyen acciones de inquietud que involucran sus brazos, piernas, cuello y tronco. Si estos movimientos están ausentes o son diferentes de lo esperado, puede indicar problemas potenciales, que se pueden evaluar utilizando herramientas especiales como la Evaluación Motora General (GMA). Esta evaluación ayuda a predecir futuros resultados de desarrollo y es muy confiable.
Evaluando las Habilidades Motoras
Actualmente, evaluadores capacitados pueden evaluar la calidad de los movimientos de un bebé observándolos sin interactuar directamente. La GMA es uno de los mejores métodos para esto. En contraste, algunos estudios utilizan tecnología avanzada para observar movimientos, lo que puede ser complicado y difícil de manejar para las familias. Esto limita la frecuencia de las evaluaciones.
Sin embargo, el auge de las aplicaciones de smartphone que permiten evaluaciones de movimiento a partir de videos tomados en casa ha cambiado las cosas. Estas aplicaciones facilitan a las familias obtener evaluaciones e identificar a los bebés en riesgo de problemas de desarrollo sin necesidad de visitar clínicas.
Los recientes avances en tecnología han introducido formas de rastrear movimientos corporales desde videos sin necesidad de equipos especiales. Estos métodos pueden ser muy precisos y pueden rastrear los movimientos de los bebés. Después de adaptar estos modelos para que sean adecuados para datos de infantes, los investigadores han visto resultados prometedores en la predicción de resultados motores.
Desafíos con la Tecnología en las Evaluaciones
Un desafío al usar aprendizaje automático en entornos clínicos es que puede ser difícil entender cómo se toman las decisiones basadas en los datos. Si bien algunos métodos nuevos ayudan a identificar movimientos importantes a lo largo del tiempo, no siempre se relacionan con cómo se realizan físicamente los movimientos. Para abordar esto, los investigadores están desarrollando modelos alternativos basados en patrones de movimiento observados que pueden categorizar acciones espontáneas en secuencias más cortas.
En este estudio, los investigadores utilizaron tecnología de rastreo de video para analizar los movimientos de los bebés y construir modelos estadísticos en torno a estas acciones. Hipotetizaron que los patrones de movimiento temprano de los bebés siguen una serie de estados específicos que cambian a medida que crecen y pueden mostrar diferencias en bebés de alto riesgo.
Rastreando Movimientos de Bebés
En este estudio, los investigadores examinaron un conjunto de videos de smartphones de bebés de 12 a 18 semanas. Usaron un modelo de aprendizaje profundo para identificar y rastrear 18 puntos clave del cuerpo en cada marco del video. Después de filtrar los datos, usaron una técnica para simplificar los datos de movimiento sin perder información importante.
Con esta configuración, construyeron modelos para analizar cómo estos movimientos cambian con el tiempo. Los investigadores encontraron que ciertos movimientos podrían agruparse en estados distintos, los cuales representaban patrones específicos de movimiento.
Entendiendo los Estados de Movimiento
Al analizar videos, los investigadores pudieron determinar con qué frecuencia los bebés mostraban ciertos patrones de movimiento. Descubrieron que el tiempo promedio pasado en un estado era muy corto, generalmente solo unos pocos segundos. Sin embargo, los tipos de movimientos exhibidos por los bebés variaban significativamente, con algunos movimientos mostrando acciones rápidas y grandes mientras que otros indicaban comportamientos más tranquilos y reposados.
También estudiaron si los tipos de movimientos diferían en bebés que estaban en mayor riesgo de desafíos de desarrollo. Al evaluar tanto los movimientos típicos como los atípicos, los investigadores buscaban conectar estos estados con posibles resultados más adelante en la vida.
Cambios en el Movimiento a lo Largo del Tiempo
A medida que los bebés crecían, los investigadores notaron que ciertos tipos de movimiento aumentaban mientras que otros disminuían. Por ejemplo, ciertos movimientos de alta energía se volvieron menos comunes en los bebés mayores, mientras que los movimientos más intensos y rápidos aparecieron más frecuentemente. Esto fue particularmente notable en bebés con patrones de movimiento anormales y aquellos nacidos prematuramente, lo que sugiere la necesidad de una atención diferente al desarrollo.
Habilidades Motoras y Resultados Futuros
Cuando los investigadores observaron los patrones de movimiento de los bebés, descubrieron conexiones entre los tipos de movimiento y las habilidades motoras posteriores. Los bebés que mostraban ciertos movimientos a una edad temprana tenían diferentes resultados al alcanzar los dos años en términos de habilidades motoras, capacidades cognitivas y desarrollo del lenguaje.
Las herramientas de evaluación de habilidades motoras como la GMA pueden ayudar a identificar a los bebés que pueden tener retrasos en el desarrollo. Al monitorear estos movimientos, los padres y cuidadores pueden tomar medidas proactivas para abordar posibles problemas, lo que lleva a mejores resultados para los niños en riesgo.
Conclusión
Combinar el aprendizaje profundo con modelos estadísticos permite a los investigadores descomponer movimientos complejos en patrones más simples. Este estudio mostró que las habilidades motoras tempranas son cruciales no solo para el desarrollo físico, sino también para el crecimiento cognitivo.
Entender los movimientos tempranos puede ayudar a las familias y a los profesionales de la salud a detectar riesgos en los bebés y actuar en consecuencia. A medida que la tecnología sigue mejorando, es probable que surjan métodos de evaluación más efectivos, aumentando nuestra capacidad para apoyar un desarrollo saludable en los bebés.
Título: Quantifying spontaneous infant movements using state-space models
Resumen: Over the first few months after birth, the typical emergence of spontaneous, fidgety general movements is associated with later developmental outcomes. In contrast, the absence of fidgety movements is a core feature of several neurodevelopmental and cognitive disorders. Currently, manual assessment of early infant movement patterns is time consuming and labour intensive, limiting its wider use. Recent advances in computer vision and deep learning have led to the emergence of pose estimation techniques, computational methods designed to locate and track body points from video without specialised equipment or markers, for movement tracking. In this study, we use automated markerless tracking of infant body parts to build statistical models of early movements. Using autoregressive, state-space models we demonstrate that infant movement can be modelled as a sequence of motor states, each characterised by specific body part movements, with expression that varies with age and differs in infants at high-risk of poor neurodevelopmental outcome.
Autores: Gareth Ball, E. Passmore, A. K. L. Kwong, J. E. Olsen, A. Eeles, J. L. Y. Cheong, A. J. Spittle
Última actualización: 2024-04-20 00:00:00
Idioma: English
Fuente URL: https://www.biorxiv.org/content/10.1101/2024.04.16.589847
Fuente PDF: https://www.biorxiv.org/content/10.1101/2024.04.16.589847.full.pdf
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a biorxiv por el uso de su interoperabilidad de acceso abierto.