早期認知・運動スクリーニングのための縦断デジタル・フェノタイピング

概要: 非定型の認知運動発達の早期検出は、適時の介入にとって極めて重要であるが、従来の評価は主に主観的で静的な評価に依存している。デジタルデバイスの統合は、デジタルバイオマーカーによる継続的かつ客観的なモニタリングの機会を提供する。本研究では、18か月から8歳の子どもを対象に、発達の軌跡をモデル化するAI駆動の縦断的フレームワークを提案する。複数の学年度にわたって収集した、タブレットベースのインタラクションのデータセットを用いて、6つの認知運動課題（例：巧緻運動の制御、反応時間）を分析した。次元削減（t-SNE）と教師なしクラスタリング（K-Means++）を適用し、異なる発達フェノタイプを同定し、経時的にこれらのプロファイル間での個人の遷移を追跡した。我々の分析により、低・中・高の3つの明確なプロファイルが見いだされた。重要なのは、縦断的追跡により、低パフォーマンスのクラスタが高い安定性を示すこと（初期の年で>90%の維持率）が明らかになり、初期の欠乏は介入なしでは持続する傾向が示唆される。一方で、より高いパフォーマンスのクラスタは変動が大きく、これは関与（エンゲージメント）要因を反映している可能性がある。本研究は、タッチスクリーンデータに対する教師なし学習を用いて不均一な発達経路を明らかにできることを検証する。同定されたプロファイルは、認知の成長に対するスケーラブルなデータ駆動型の代理指標として機能し、早期スクリーニングツールおよび個別化された小児向け介入の基盤を提供する。