出生時或出生前出現併發症的嬰兒，往往都必須面臨未來認知或身體出現障礙的風險，為了協助及早辨別嬰兒是否出現非典型的發展階段，歐美研究團隊在可穿戴設備和機器學習技術的幫助下，開發出一種演算法針對肢體運動模式進行分類，進而預測嬰兒是否可能出現神經缺陷。
由南加州大學（USC）和西班牙馬德里卡洛斯三世大學（UC3M）研究人員組成的團隊指出，許多研究都指出像是踢腿頻率、時空概念（spatiotemporal）和相關肢體協調的運動情況，在典型發育的嬰兒和早產、智力障礙、唐氏症、脊柱裂等非典型、具風險的嬰兒間是不同的，但有一個問題：這些差距難以在嬰兒早期發現。
為了協助預測，團隊在南加州大學的嬰兒神經運動控制實驗室，收集了包含加速度計、陀螺儀和磁力計等綁在嬰兒腳踝上的運動數據，並讓演算法掌握這些感測器收集的內容，像是每個動作持續的時間、平均加速度、最大加速度和其他特徵等。
接著研究人員再添加年齡、發育程度和發育標籤（即典型或非典型）等特徵，運用大量二進制分類演算法建構預測模型，並從中選出 3 個表現最好的整合，最小化任何模型可能有的偏見。
最終產生的演算法預測得出一定準度，透過分析運動數據，6 個月以內嬰兒的發展遲緩預測準確度達 83.9%，6~12 個月嬰兒的準確率也達 77%。
研究人員認為，從整體來看，演算法的結果可說是進一步確立了運動學特徵與嬰兒發育之間的關係，未來的研究中，該團隊希望能「招募」更多嬰兒，最終創造一個演算法，能根據感測器的歷史數據來預測嬰兒的運動情況。
團隊表示，以現在的情況來說，發展遲緩經常無法在嬰兒 2 歲前診斷出來，這也讓許多嬰兒無法早期接受針對性治療措施。他們希望未來開發的演算法能證實發展遲緩與出生幾個月內的嬰兒運動數據間的關聯性，進而促使更多嬰兒接受早期治療。
- Researchers develop AI that predicts developmental disabilities in infants
- Predicting Infant Motor Development Status using Day Long Movement Data from Wearable Sensors
（首圖來源：pixabay）