Detección temprana de parálisis cerebral a través de la tecnología

La Parálisis Cerebral (PC) es un término que se usa para un grupo de trastornos que afectan el movimiento, la postura y el desarrollo motor. Estas condiciones son causadas por lesiones o cambios en el cerebro que ocurren antes de que un niño cumpla un año. La PC es la causa más común de discapacidad física en la infancia, afectando a unos 2.1 de cada 1000 nacimientos vivos en todo el mundo. Aunque los bebés que nacen demasiado pronto o con bajo peso al nacer tienen un mayor riesgo de PC, casi la mitad de los bebés diagnosticados con PC nacieron a tiempo y no tenían factores de riesgo obvios.

#Importancia del Diagnóstico Temprano

Detectar la PC temprano es clave para mejorar la salud y el desarrollo de los niños afectados. Darse cuenta de patrones de movimiento inusuales dentro de los primeros seis meses de vida permite intervenciones a tiempo que pueden ayudar durante momentos críticos del desarrollo del cerebro y los músculos. La investigación muestra que la intervención temprana no solo mejora el desarrollo de un niño, sino que también aumenta el bienestar de sus padres. Lamentablemente, la edad promedio para un diagnóstico de PC es de alrededor de 19 meses, y solo cerca del 21% de los bebés con PC son diagnosticados antes de cumplir seis meses. Este retraso significa que muchos niños se pierden oportunidades importantes para un tratamiento temprano.

#Evaluación General del Movimiento

Una forma de identificar a los niños con alto riesgo de PC es mediante un método llamado Evaluación General del Movimiento (EGM). Esta evaluación observa los movimientos espontáneos que involucran todo el cuerpo. Durante los primeros meses de vida, los bebés suelen mostrar una mezcla de movimientos pequeños y enérgicos conocidos como movimientos "inquietos". Un evaluador capacitado puede reconocer estos movimientos observando a un bebé acostado de espaldas sin interacción directa. Las grabaciones en video de estas evaluaciones han demostrado ser muy fiables para predecir resultados de desarrollo futuros.

Aunque la EGM es una herramienta importante para identificar la PC, no todos los proveedores de salud tienen la capacitación especializada necesaria para realizarla, especialmente en entornos de atención primaria. Esta limitación dificulta su uso generalizado como herramienta de evaluación. Sin embargo, el uso de teléfonos inteligentes para grabar videos de bebés ha abierto nuevas maneras de mejorar el acceso a la EGM. Las aplicaciones recientes para smartphones permiten a los padres capturar fácilmente los movimientos de sus bebés, que luego pueden ser evaluados para determinar el riesgo de PC. Además, los sistemas de puntuación automatizados pueden analizar estos videos para agilizar el proceso de evaluación.

#Avances en Tecnología

Los avances recientes en visión por computadora y Aprendizaje Profundo han hecho posible rastrear movimientos corporales con gran precisión. Las técnicas de estimación de pose permiten que las computadoras identifiquen puntos corporales específicos a partir de videos y monitoreen los movimientos. Estas herramientas no requieren equipos o sensores especiales, lo que las hace accesibles para rastrear movimientos en nuevos videos después de haber sido entrenadas. Aunque hay muchas herramientas de código abierto disponibles para la estimación de pose, a menudo no funcionan bien con videos de bebés debido a los diferentes tamaños y movimientos corporales. Por lo tanto, es necesario ajustar estos modelos para los datos de lactantes.

Varios estudios han mostrado que la estimación de pose puede ser exitosa en predecir resultados motores en los bebés. Por ejemplo, utilizando un enfoque semi-automatizado para analizar videos clínicos, los investigadores encontraron que sus evaluaciones por computadora podían predecir la PC tan efectivamente como los evaluadores humanos. Otros estudios han utilizado modelos especializados para identificar bebés de alto riesgo mediante videos grabados en entornos controlados. Sin embargo, aún existen desafíos al aplicar estas técnicas en escenarios de la vida real.

#La Necesidad de Estudios Más Grandes

Muchos estudios sobre movimiento infantil y riesgo de PC han involucrado grupos relativamente pequeños de bebés y se han realizado en entornos clínicos. Nuestro objetivo fue abordar esta brecha utilizando una gran colección de videos de movimientos de bebés grabados de forma remota a través de una aplicación para smartphones. Nos enfocamos en probar la estimación automatizada de pose para ver qué tan eficazmente podía predecir las clasificaciones de EGM.

Para obtener estos videos, recolectamos 503 grabaciones de tres minutos de 341 bebés de entre 12 y 18 semanas. Luego entrenamos un modelo de aprendizaje profundo para reconocer y etiquetar movimientos corporales en estos videos. Nuestro modelo logró un alto nivel de precisión al identificar las partes del cuerpo y sus movimientos.

#Recolección y Análisis de Datos

Para asegurar la recolección precisa de datos de movimiento, implementamos un proceso integral. Después de adquirir los videos, etiquetamos manualmente los puntos clave del cuerpo en una muestra de videos para asegurarnos de que nuestro modelo aprendiera a reconocerlos con precisión. El modelo de aprendizaje profundo que utilizamos pudo etiquetar estos puntos del cuerpo con un alto grado de precisión, coincidiendo de cerca con el rendimiento de los investigadores humanos.

En nuestro análisis, identificamos varios factores que podrían afectar el rendimiento de nuestro modelo, incluyendo la ropa que llevaban los bebés. Notamos que si los bebés llevaban prendas que cubrían sus manos o pies, era más difícil para el modelo reconocer estas partes del cuerpo. Establecimos una medida de control de calidad para incluir en nuestro análisis final solo videos en los que más del 70% de los puntos del cuerpo estuvieran etiquetados con confianza.

#Predicción de Resultados de EGM

Después de procesar los videos, preparamos los datos de movimiento para la clasificación. Diseñamos un pipeline personalizado que ajustó los datos para diferentes calidades de video y movimientos de cámara. Usando un enfoque de ventana deslizante, buscamos períodos de tiempo dentro de cada video que indicaran movimientos anormales.

Entrenamos una red neuronal convolucional (un tipo de modelo de aprendizaje profundo) en clips cortos de datos de movimiento, permitiéndole aprender y reconocer patrones de movimiento normales y anormales. En nuestras pruebas, encontramos que nuestro modelo era fiable, logrando un buen puntaje de área bajo la curva (AUC), lo que indica su efectividad para predecir las clasificaciones de EGM.

Al examinar las características destacadas por nuestro modelo, descubrimos que los movimientos del cuerpo inferior eran particularmente importantes para distinguir entre movimientos normales y anormales. Este hallazgo nos ayuda a entender qué tipos de movimientos son más relevantes al evaluar el riesgo de PC.

#Enlaces al Desarrollo a los Dos Años

Hicimos un seguimiento con los bebés a los dos años para evaluar su desarrollo motor, cognitivo y del lenguaje usando escalas establecidas. Nuestros hallazgos indicaron que había diferencias significativas en los puntajes de desarrollo según las predicciones del modelo sobre sus calificaciones de EGM. Los bebés predichos con EGM anormales demostraron puntajes motores más bajos, y esta tendencia fue más pronunciada en aquellos nacidos prematuramente.

No encontramos una relación significativa entre las predicciones de EGM y los resultados al considerar solo las cohortes de nacimiento, enfatizando la complejidad adicional del nacimiento prematuro en la influencia de los resultados de desarrollo. Aunque los bebés con predicciones anormales puntuaron más bajo en promedio, la conexión con su momento de nacimiento fue un factor significativo.

#Implicaciones para la Detección Temprana

Nuestro trabajo demuestra el potencial de usar aprendizaje profundo y tecnología de smartphones para automatizar la detección de movimientos anormales en bebés. Al identificar con precisión los factores de riesgo para la PC a través de grabaciones en video, podemos facilitar intervenciones más tempranas para los niños afectados. Este enfoque tiene el potencial de uso generalizado, especialmente en áreas donde el acceso a atención médica especializada puede ser limitado.

La EGM sigue siendo una herramienta poderosa para predecir la PC, pero integrar tecnología avanzada puede mejorar su accesibilidad y eficiencia. Los desarrollos futuros podrían enfocarse en perfeccionar estos métodos automatizados para mejorar las tasas de detección y reducir la carga sobre las familias y los proveedores de salud.

#Resumen de Puntos Clave

1. La parálisis cerebral afecta el movimiento y la postura debido a lesiones cerebrales tempranas.
2. Un diagnóstico temprano es esencial para mejores resultados, pero a menudo se retrasa.
3. La Evaluación General del Movimiento puede identificar a niños en riesgo de PC.
4. La tecnología de smartphones permite una captura de video más fácil para las evaluaciones.
5. Los modelos de estimación de pose automatizados pueden predecir clasificaciones de EGM con precisión.
6. Estudios grandes utilizando Grabaciones de video remotas pueden generar hallazgos más robustos.
7. Los hallazgos correlacionan los patrones de movimiento temprano con los resultados de desarrollo a los dos años de edad.
8. Integrar tecnología en las evaluaciones puede mejorar la detección temprana e intervención para la PC.

#Conclusión

La parálisis cerebral presenta desafíos para los niños afectados y sus familias, pero los avances en tecnología y métodos de evaluación pueden allanar el camino para una detección más temprana y intervenciones más efectivas. Al aprovechar las capacidades del aprendizaje profundo y el análisis de video, podemos avanzar en la mejora de los resultados para los niños en riesgo. A medida que continuamos desarrollando estas técnicas, es esencial garantizar que sean accesibles para todos, permitiendo una atención médica equitativa y apoyo para cada niño que lo necesite.