Tracking General Movements

General Movements (GMs) sind spontane Bewegungen des gesamten Körpers, die von der 9. Schwangerschaftswoche bis zum Ende des fünften Lebensmonats beobachtbar sind. Die Analyse der GMs, das General Movement Assessment (GMA), basiert auf der Bewertung normaler vs. abnormaler Bewegungsmuster der Neugeborenen und hat eine hohe Vorhersagekraft für die Entwicklung des Nervensystems. Geschulte Beobachter erreichen beim GMA eine hohe Übereinstimmung, allerdings nimmt diese ab, wenn das GMA unregelmäßig praktiziert wird. Obwohl bestimmte motorische Muster eine hohe Vorhersagekraft für Entwicklungsstörungen haben, ist die Bedeutung eines speziellen monotonen Bewegungsmusters (poor-repertoire GMs), bisher noch weitgehend unklar. Die Wahrnehmungsprozesse, die dem GMA zu Grunde liegen, sind derzeit noch nicht vollständig erforscht. In unserem Projekt werden wir mittels Blickbewegungsanalyse die Verarbeitungsprozesse während des GMA genauer untersuchen. Mit diesem innovativen Ansatz beabsichtigen wir: (1) das poor-repertoire GM-Muster besser zu verstehen und damit auch seine Vorhersagekraft zu erhöhen [Diagnostik erweitern]; (2) die GMA-Trainingsmethoden weiterzuentwickeln und neue Trainingsmöglichkeiten zu schaffen [Klinisches Training erweitern]; (3) eine weltweit zugängliche Trainingsplattform für das klinische GMA-Training zu implementieren [Nachhaltigkeit ermöglichen]. Da das GMA eine nichtinvasive und kosteneffiziente Methode zur Untersuchung des jungen Nervensystems darstellt, eignet es sich für eine breite flächendeckende Anwendung, auch in Gesundheitssystemen mit geringerer Ressourcenverfügbarkeit. Observing the Observer ist ein wichtiger Schritt hin zur Weiterentwicklung der Diagnostik, des GMA-Trainings und der Bereitstellung neuer Trainingsmethoden. Wir erwarten überdies, dass wir mit dem beantragten Forschungsprojekt die diagnostische Effizienz der poor-repertoire GMs erhöhen, und die Basis für die Weiterentwicklung computerbasierter Diagnoseansätze bilden können.

Unser Projekt hat zu einem besseren Verständnis spontaner motorischer Funktionen - insbesondere der sogenannten General Movements - von der Schwangerschaft bis in die frühe postnatale Phase beigetragen. Diese Bewegungen treten kontinuierlich ohne sensorischen Input auf und können mithilfe des General Movement Assessment (GMA) beurteilt werden. GMA ist eine weltweit verbreitete Methode zur frühzeitigen Erkennung neurologischer Beeinträchtigungen (v.a. Zerebralparese) und basiert bislang auf der klinischen Expertise hochqualifizierter Spezialist:innen. Unser Projekt leistete einen wesentlichen Beitrag zum wachsenden Forschungsfeld der automatisierten computergestützten Messung und Klassifikation frühkindlicher Motorik und verbindet medizinische Expertise mit Computer Vision, Eye-Tracking und modernen Datenvisualisierungstechnologien. Wir entwickelten technische "Werkzeuge" (Tools), die Bewegungen von Säuglingen in Videoaufnahmen automatisch erfassen und klassifizieren. Dabei wird u.a. ein virtuelles Skelettmodell erstellt. Mithilfe von verschiedenen, kombinierten, Messquellen im Sinne einer Sensorfusion (z.B.: Video, Druckmatte, Gyroskope) werden so Bewegungsmerkmale wie -geschwindigkeit und -beschleunigung, räumliche Verteilung quantifiziert. Wir analysierten unterschiedliche Bewegungsformen, darunter sogenannte "writhing movements", die kurz nach der Geburt auftreten, sowie "fidgety movements", die später im frühen Säuglingsalter erscheinen, und entwickelten Modelle zur Bewegungsklassifikation. Veränderungen dieser General Movements sind zentrale Indikatoren abweichender neuromotorischer Entwicklung. Mit unserer Arbeit trugen wir dazu bei, frühe Entwicklungsauffälligkeiten objektiv zu messen und zu visualisieren. Damit leisten wir einen Beitrag zur zukünftigen Rolle von Computer Vision und maschinellem Lernen in der klinischen Implementierung des GMA. Parallel dazu entwickelten wir ein innovatives Eye-Tracking-System, das 'bestimmte Körperregionen dynamisch verfolgt' und direkt mit dem Blickverhalten der Beobachtenden verknüpft. Im Unterschied zu bisherigen Methoden ermöglicht dieser Ansatz eine automatisierte und detaillierte Analyse, wie Fachpersonen Säuglingsbewegungen in Echtzeit betrachten. Spezialist:innen zeigten dabei charakteristische Blickmuster bei der Beurteilung physiologischer und pathologischer Bewegungen. Damit gelang erstmals ein quantitativer Nachweis dafür, wie medizinische Expertise die visuelle Wahrnehmung in der frühen neurologischen Diagnostik und Entwicklungsforschung prägt. Dies stellt einen wichtigen Ausgangspunkt für die Entwicklung neuer Unterstützungs- und Trainingsinstrumente für das GMA dar. Langfristig bieten diese Erkenntnisse das Potenzial, die GMA-Ausbildung zu erweitern - auch in Ländern mit eingeschränktem Zugang zu erfahrenen Trainer:innen. Über die reine Analyse hinaus entwickelten wir interaktive Dashboards für Fachdiskussionen und strukturierte Nachbesprechungen. Darauf aufbauend konzipierten wir ein datenbasiertes Trainingsprogramm für GMA-Trainees, das Expertenbeurteilungen von Bewegungen, die Wiedergabe von Blickmustern von Expert:innen sowie Echtzeit-Feedback kombiniert. Dieses Konzept bildet die Grundlage für eine effektivere, evidenzbasierte Ausbildung. Zudem etablierten wir eine replizierbare, standardisierte Methodik zur Erstellung von GMA-Stimulusmaterialien für Eye-Tracking-Studien und ermöglichten so eine konsistente, auch internationale, standortübergreifende Datenerhebung. In unserem Projekt haben wir mobile und KI-gestützte Lösungen zur Früherkennung vorangebracht, und General-Movement-Apps weiterentwickelt. Indem wir Expert:innenwissen in messbare Muster überführten, schufen wir die Grundlage für objektivere, skalierbare und digital unterstützte Frühdiagnostik. Dies kann auf lange Sicht klinische Ergebnisse verbessern, den weltweiten Zugang zu spezialisierter Expertise erweitern und die Zukunft der Säuglingsmedizin nachhaltig mitgestalten.