《Scientific Reports》：Early cerebral palsy risk screening through wearable accelerometry in infants under nine weeks
编辑推荐：
根据Prechtl方法进行的一般运动评估（General Movement Assessment，GMA）对于5月龄以下婴儿脑性瘫痪（Cerebral Palsy，CP）的早期识别具有最佳预测价值。然而，能够实施该评估的专业人员较为稀缺，尤其是在中低收入国家。
根据Prechtl方法进行的一般运动评估（General Movement Assessment，GMA）对于5月龄以下婴儿脑性瘫痪（Cerebral Palsy，CP）的早期识别具有最佳预测价值。然而，能够实施该评估的专业人员较为稀缺，尤其是在中低收入国家。研究的主要目标是确定，在9周龄以下婴儿中，哪些加速度测量特征更适于区分具有CP风险因素的婴儿（Risk Factors，RF）与健康对照（Healthy Controls，HC）的自发运动。研究人员开展了一项横断面研究。研究人员采用仪器化评估方法记录了48名9周龄以下婴儿的一般运动（General Movements，GMs），其中RF组12例、HC组36例；评估工具包括置于四肢与躯干的加速度计，以及Prechtl方法。研究收集并分析了临床变量和62项加速度计参数，采用描述性统计和推断性统计进行处理。为实现婴儿分类，研究人员基于临床状态（健康对照 vs. 风险因素）采用随机森林分类器（Random Forest Classifier），随后分析模型准确性。之后，研究人员确定了最能区分两组的特征。结果发现，RF组与HC组之间有46项参数存在区分作用。随机森林对婴儿分类的准确率达到100%。共有8项参数为最优区分特征，其中半数来自躯干传感器。无线加速度测量可有效识别提示脑性瘫痪风险因素的婴儿运动模式。本研究建立了一种可扩展且不依赖专业人员的新生儿神经发育障碍筛查方法，尤其适用于无法获得Prechtl方法专业评估的情境。该方法的推广有望促进CP早期风险分层的广泛实施，并具备成本效益优势。
本文发表于《Scientific Reports》，聚焦于脑性瘫痪（Cerebral Palsy，CP）超早期风险识别这一临床与公共卫生交叉问题。CP是儿童期最常见的躯体性残疾原因之一，其确诊通常需结合风险因素、运动功能异常及神经影像学证据，临床判断复杂，且高度依赖具备专门经验的专业人员。尽管一般运动评估（General Movement Assessment，GMA）被公认为5月龄以下婴儿早期预测CP最敏感、特异的临床工具，但该方法本质上属于基于整体知觉（Gestalt perception）的定性观察技术，需要接受GM Trust?体系培训与认证，因而在中低收入国家及专业资源不足地区难以普及。正因如此，如何借助可量化、低成本、可推广的客观技术对婴儿自发运动进行早期筛查，成为当前新生儿神经发育监测的重要研究方向。
在这一背景下，研究人员旨在确定9周龄以下婴儿中，哪些可穿戴加速度测量参数最能区分具有CP风险因素者与健康婴儿，并检验这些参数能否支持基于机器学习的自动分类。研究的核心问题并非直接确诊CP，而是针对处于高风险背景中的婴儿建立一种早期风险筛查方案，尤其服务于尚未纳入标准GMA随访、又缺乏专门评估人员的临床场景。研究结论表明，多部位无线加速度测量能够有效区分风险因素组与健康对照组，自发运动的定量差异可被62项运动学参数中的46项显著捕捉；随机森林（Random Forest）模型对两组婴儿实现了100%准确率的分类，且最优的8项特征中有4项来自躯干传感器。上述结果支持可穿戴技术在婴儿早期神经发育异常筛查中的应用潜力，也提示躯干运动在识别轻度感觉运动异常方面具有重要价值。
研究采用分析性横断面设计，纳入9周龄以下婴儿48例，其中风险因素组12例来自智利“Luis Calvo Mackenna”医院新生儿重症监护病房（NICU）及基础病房，健康对照组36例来自“El Carmen”医院既往健康婴儿数据库。研究人员同步采集短时视频与6枚“Wear Notch Pioneer kit”无线加速度计信号，传感器分别置于双手腕、双踝、骨盆及胸廓。视频仅用于依据Prechtl方法判定一般运动类型。信号处理采用双向Butterworth四阶带通滤波（0.1–20 Hz），提取加速度/速度、互相关、偏度、峰度、速度周期性、速度均值外面积或标准差外面积共6类、62项参数；随后结合Shapiro-Wilk检验、Mann-Whitney U检验或独立样本T检验进行组间比较，并以随机森林分类器、网格搜索、k折交叉验证及递归特征消除交叉验证（RFECV）完成分类与特征重要性分析。
在结果部分，论文首先报告了临床特征与样本构成。
Clinical characteristics
研究共招募健康婴儿36例、具有CP风险因素婴儿25例，但风险因素组最终仅12例获得符合要求的有效记录，其余因无法处于清醒、安静、不哭闹、无安抚奶嘴且记录不少于2 min的合格状态，或信号质量不足而排除。总体样本中女性占47.9%，仅3例胎龄小于37周。健康组评估年龄为矫正胎龄后0–5周，风险组为0–9周。风险组主要诊断包括新生儿抑制恢复后状态、先天性心脏病术后、先天性膈疝术后、腹裂、坏死性小肠结肠炎、急性呼吸衰竭、低张力综合征、呼吸暂停综合征及结节性硬化。该组每名婴儿具有6–11项CP风险因素，中位数为9.5，且以出生后风险因素最为常见，如人工呼吸支持、急性呼吸衰竭、NICU住院、体格检查异常、重大新生儿手术及重大先天畸形。中位住院时间为66 d，11例接受机械通气，11例接受全身麻醉下手术。11例完成神经影像检查，其中5例异常，3例累及白质。两组社会人口学及临床变量大体相似，仅出生体重、身长和头围存在差异。
Analysis of general movements according to the Prechtl’s method
依据Prechtl方法，全部受试婴儿的一般运动仅分为两类：正常扭动样运动（Normal Writhing）与动作库贫乏（Poor Repertoire，PR），未观察到痉挛-同步（Cramped Synchronized）或混乱型（Chaotic）运动。两组中多数婴儿均表现为PR型，健康组25例，占69%；风险组10例，占83%。这一结果提示，在本样本年龄段与临床构成下，最突出的并非典型重度异常一般运动，而更多是较轻或非特异性的运动组织异常，也正因此，客观量化工具在识别细微差异方面具有现实意义。
Differences in accelerometer parameters between both groups
研究人员对每名婴儿计算了62项加速度参数，结果显示其中46项在风险组与健康组之间存在统计学差异。这说明，在9周龄以下婴儿中，具有CP风险因素者的自发运动并非仅在少数局部指标上不同，而是在运动强度、速度分布、运动节律性、同步性及波动模式等多个维度呈现系统性变化。论文指出，躯干与四肢参数均可提供鉴别信息，提示婴儿一般运动的异常不仅体现于肢体末端活动，也反映在中轴姿势与躯干控制相关的动力学特征之中。
Classification using random forest algorithm
在机器学习分类中，研究人员采用随机森林模型区分健康对照组与风险因素组。模型经网格搜索优化超参数，并在训练阶段引入k折交叉验证以增强泛化稳定性。最终，该模型在测试中实现100%的准确率、敏感度与特异度，即所有36例健康婴儿与12例风险婴儿均被正确分类。随后通过递归特征消除交叉验证（Recursive Feature Elimination with Cross-Validation，RFECV）筛选出8项最具判别力的特征，按重要性由高到低依次为：全部四肢最大加速度、胸廓最小加速度、双上肢速度周期性、胸廓最小速度、全部四肢最小速度、骨盆加速度中位数、双下肢加速度峰度、骨盆速度偏度。值得注意的是，其中4项来自躯干传感器，再次强化了躯干运动参数在早期筛查中的关键地位。
Discussion
论文讨论部分强调，本研究的新颖性在于将有无CP风险因素的婴儿进行比较，并在9周龄以下这一较早年龄窗内，联合6枚可穿戴加速度计、Prechtl分型与随机森林分析开展量化筛查。研究者指出，本研究未出现痉挛-同步或混乱型运动，这类明显异常在临床观察中通常较易识别，因此加速度测量更有价值的场景，可能正是对轻度感觉运动障碍或非典型异常的一线筛查。研究选择9周龄以下婴儿，是因为该阶段运动模式相对自动化且具有同质性，但清醒时间短、活动量较少，使早期异常更难凭经验观察识别，客观传感器由此具备补充价值。采用加速度计则出于其便携、低成本、可消毒和适用于院内环境等现实优势。
研究还指出，6传感器布局尤其纳入胸廓与骨盆，使研究者能够评估躯干在自发运动中的贡献，这是相较仅分析四肢或头部传感器研究的一个突出特点。与既往文献相比，本研究筛选出的关键特征多与速度和加速度相关，也包括偏度、峰度等统计分布特征。研究者同时指出，风险组中多数婴儿并未在临床流程中被明确标记为CP高危，这提示基于风险因素的精细筛查在常规医疗中可能仍被低估。研究因此认为，这项技术在缺乏Prechtl专业评估人员的地区，能够为高风险住院婴儿提供更频密、更客观的早期神经发育监测路径。
论文也明确陈述了局限性。首先，样本量较小，且来自单一国家高复杂度中心，组间不平衡明显。其次，研究为横断面设计，每名婴儿仅测量一次，缺乏随访，因此不能据此做出神经系统疾病的最终诊断。再次，虽然多数风险组婴儿接受了神经影像学检查，但多数未见病理改变，可能与检查时点较早、损伤后尚未形成结构性病灶有关。此外，本样本仅包含Normal Writhing与PR两类一般运动，限制了对四类Prechtl运动类型与加速度参数关系的完整探索。最后，研究缺乏独立外部验证队列，因此100%准确率更应理解为概念验证（proof-of-concept）结果，临床转化仍需在更大样本与独立队列中重复验证。
研究结论部分可译为：无线加速度测量能够区分健康婴儿与高风险婴儿的自发运动，有助于早期识别具有脑性瘫痪风险因素的患儿。加速度测量在神经发育障碍早期诊断方面具有应用前景，支持进一步研究并推动其纳入临床实践。其潜在收益包括提高诊断准确性与干预及时性，最终改善受影响婴儿的功能预后。
总体而言，这项发表于《Scientific Reports》的研究通过将可穿戴加速度测量、一般运动评估（GMA）与机器学习分类相结合，提出了一种面向9周龄以下婴儿的早期CP风险筛查框架。研究并未超出原文证据去宣称其可替代临床诊断，而是审慎地表明，该技术在区分高风险婴儿与健康婴儿的自发运动方面具有很高潜力，尤其适用于专业人力稀缺、需要大规模初筛的环境。其最重要的学术价值在于，证明了躯干与四肢多部位运动学参数可以共同反映婴儿早期神经运动状态，并为建立客观、可扩展、低成本的神经发育筛查体系提供了直接证据。
