纵向数字表型分析用于早期认知-运动筛查

早期发现非典型认知-运动发育对及时干预至关重要，但传统评估严重依赖主观、静态的评估方式。数字设备的集成提供了通过数字生物标志物进行持续、客观监测的机会。在本工作中，我们提出了一种由 AI 驱动的纵向框架，用于建模 18 个月至 8 岁儿童的发育轨迹。利用在多个学年中收集的平板电脑交互数据集，我们分析了六项认知-运动任务（如精细运动控制、反应时间）。我们应用了降维（t-SNE）和无监督聚类（K-Means++）来识别不同的发育表型，并跟踪个体在这些特征之间的随时间转换。我们的分析揭示了三种不同的表型：低、中和高性能。关键的是，纵向跟踪显示低性能聚类具有高度稳定性（早期保留率 >90%），表明早期缺陷在没有干预的情况下往往会持续存在。相反，高性能聚类表现出更大的变异性，这可能反映了参与度因素。本研究验证了在触摸屏数据上使用无监督学习来揭示异质性发育路径的有效性。识别出的表型可作为认知增长的可扩展、数据驱动代理，为早期筛查工具和个性化儿科干预奠定基础。