Analyse der Spontanmotorik im 1. Lebensjahr: Markerlose 3-D-Bewegungserfassung zur Früherkennung von Entwicklungsstörungen

Die Frage nach der gesunden Entwicklung eines Kindes ist von Beginn an das zentrale Anliegen der Eltern und der Medizin. Die Motorik ist dabei als sich entwickelnde Netzwerkkompetenz des Gehirns das Fenster, durch das Normalentwicklung, Risiko und Erkrankung früh differenziert werden können. Der Verdacht einer auffälligen motorischen Entwicklung im ersten und zweiten Lebensjahr ist eine der häufigsten Fragestellungen an die Kinder- und Jugendärzte in der Praxis. Die Gründe hierfür sind vielfältig.

Sehr selten liegt eine neuromuskuläre Erkrankung vor (≤1–2/10.000 betroffene Lebendgeborene: z. B. Plexusparesen, spinale Muskelatrophie (SMA), Neuropathien, Muskelerkrankungen, Bindegewebserkrankungen). Weniger selten sind die Zerebralparesen (2–3/1000 Lebendgeborenen) als Folge einer nichtprogredienten frühkindlichen, z. B. intrauterinen Hirnschädigung. Genetische Syndrome (z. B. Trisomie 21, 1/500 Lebendgeborenen) oder eine Toxinexposition in der Schwangerschaft (z. B. fetale Alkoholspektrumstörung) sind dagegen häufiger und äußern sich initial oft über eine auffällige motorische Entwicklung im frühen Säuglingsalter, ohne dass dies bislang ausreichend durch systematische Forschung evaluiert wäre. Eine auffällige motorische Entwicklung kann auch Frühsymptom eines späteren Aufmerksamkeitsdefizit-Hyperaktivitätssyndrom (ADHS) oder einer komplexen Form der milden neurologischen Dysfunktion (Minor Neurological Deficit – MND) sein.

Ab dem 4. Lebensjahr wird bei 5–6 % aller Kinder in Deutschland eine sogenannte umschriebene Entwicklungsstörung motorischer Funktionen (UEMF; international: Developmental Coordination Disorder, DCD) diagnostiziert [1]. Störungen der motorischen Entwicklung sind also häufig mit weiteren Entwicklungsauffälligkeiten verknüpft, sodass die Diagnose einer motorischen Entwicklungsstörung immer die Frage nach sich zieht, ob „nur“ die Motorik oder auch andere Entwicklungsbereiche betroffen sind. Im Umkehrschluss kann eine auffällige Spontanmotorik im frühen Säuglingsalter Hinweis auf eine spätere nicht adäquate globale kindliche Entwicklung sein, lange bevor z. B. die sprachliche oder kognitive Entwicklung auffällig werden [2, 3].

In den letzten Jahren hat sich immer deutlicher gezeigt, dass therapeutische Maßnahmen dann am effektivsten sind, wenn sie sehr früh beginnen („early intervention“; [4‐6]). Das gilt für die Physiotherapie (z. B. bei Kindern mit Zerebralparese), die Ergotherapie (z. B. bei Kindern mit komplexer MND), für medikamentöse Ansätze (z. B. Injektion von Botulinumtoxin bei Zerebralparese) und die neuen gentherapeutischen Ansätze bei neuromuskulären Erkrankungen (z. B. spinale Muskelatrophie, Myopathien). Eine frühe Therapie setzt eine valide frühe Diagnose voraus. Wobei „frühe Diagnose“ in den ersten Lebensmonaten schon bedeutet, frühzeitig ein erhöhtes Risiko für die Entwicklung einer später definierbaren Diagnose zu erkennen.

Im deutschen Gesundheitswesen ist eine zentrale Aufgabe der Kinder- und Jugendärzte in der Praxis, in den ersten beiden Lebensjahren mit den Untersuchungen U2 bis U7 (und natürlich darüber hinaus) Hinweise auf eine (motorische) Entwicklungsstörung frühestmöglich zu erkennen, um weitere diagnostische und therapeutische Maßnahmen in die Wege zu leiten. Die oft multiprofessionelle und interdisziplinäre differenzialdiagnostische Abklärung von Kindern mit komplexen chronischen Erkrankungen findet in Deutschland in enger Kooperation zwischen universitären Spezialambulanzen und sozialpädiatrischen Zentren (SPZ) statt.

In den letzten 30 Jahren hat sich neben der standardisierten ärztlichen Untersuchung die systematische Beobachtung der Spontanmotorik des zufriedenen Säuglings zur Früherkennung einer auffälligen motorischen Entwicklung etabliert [7]. Hierbei stellt die Beurteilung sog. General Movements (GM) eine herausragende Neuerung dar. Als GM werden spontane Bewegungen bezeichnet, die beim Fetus bereits um die 9. Schwangerschaftswoche zu beobachten sind und bis zur Entwicklung zielgerichteter Motorik in einem Alter von 4–5 Monaten nach dem errechneten Geburtstermin auftreten [8]. Die Beurteilung der GM erfolgt insbesondere in der 8.–18. Lebenswoche nach errechnetem Geburtstermin (Zeitfenster der U4), einem Alter, in dem beim wachen, gesunden Kind die sogenannten Fidgety Movements auftreten (spezifische fortwährende Bewegungen mit kleiner Amplitude). Die Untersuchung erfolgt mithilfe eines mindestens 3‑minütigen Videos des zufriedenen, wachen Säuglings ohne Ablenkung oder Interaktion. Die Analyse der General Movements (GMA) hat einen hohen prädiktiven Wert für die spätere Entwicklung einer Bewegungsstörung, wie zum Beispiel einer Zerebralparese [9‐11]. Überdies konnte gezeigt werden, dass Auffälligkeiten der GM im Säuglingsalter mit dem späteren Auftreten einer MND sowie neuropsychiatrischer Entwicklungsstörungen (ADHS oder aggressive Verhaltensweisen) korreliert [12].

Die GMA ist somit ein wertvolles Werkzeug bei der Untersuchung junger Säuglinge, das mit hoher Sensitivität und Spezifität die spätere Entwicklung motorischer und neuropsychologischer Störungen erkennen lässt. Die zuverlässige Bewertung der GM ist allerdings mit einem großen personellen Aufwand verbunden. Die Bewertung der GM erfolgt an einem 3‑ bis 5‑minütigen Video für jeden Patienten nachträglich zum geplanten Arzttermin. Voraussetzung für eine verlässliche GMA ist die Teilnahme der Untersuchenden an kostenpflichtigen Schulungs- und Auffrischungskursen sowie die fortlaufende selbstständige Bewertung zahlreicher GM-Videos, um die Bewertungsqualität aufrechtzuhalten. Dies erklärt, warum die GMA bisher noch nicht als breites Screeninginstrument in der kinderärztlichen Vorsorge etabliert werden konnte.

In den letzten Jahren haben sowohl technische als auch methodische Innovationen dazu geführt, dass menschliche Bewegungen detailliert mit Sensoren erfasst und somit quantifiziert werden können. Dies schuf die Grundlage für eine Vielzahl von Forschungsarbeiten zur automatisierten Bewegungsanalyse [13]. Übergeordnetes Ziel dieser Systeme sind das kontinuierliche Erfassen, Klassifizieren und Bewerten von Bewegung sowie das Erkennen krankhafter Bewegungsmuster. Zur Bewegungserfassung wird eine große Bandbreite an Sensoren eingesetzt, z. B. an den Extremitäten angebrachte Beschleunigungssensoren oder elektromagnetische Sensoren. Für die Aufzeichnung werden verschiedene Kamerasysteme verwendet. Um das bildbasierte Tracking von Bewegungen zu vereinfachen, werden oft Ansätze mit Markern verwendet, d. h., der zu erfassenden Person werden reflektierende Marker auf vordefinierte Stellen des Körpers geklebt. Diese können dann in Bildern von einer oder mehreren Kameras verfolgt werden, um so die Bewegungen der relevanten Körperteile zu messen. Trotz der i. d. R. hohen Genauigkeit sind diese Systeme für die Erfassung von Säuglingsbewegungen nur eingeschränkt geeignet, da eine über längere Zeit anhaltende exakte Positionierung der Marker an einem sich bewegenden Säugling schwierig ist und durch die Marker selbst möglicherweise feine Bewegungsabläufe der Kinder gestört werden können (Vor- und Nachteile der jeweiligen Methode siehe Tab. 1). Eine automatisierte Bewegungsanalyse im frühen Säuglingsalter ist daher bislang nicht als Screeningmethode etabliert.

Seit 2014 haben die Autoren in einer Kooperation zwischen Klinikern, dem Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung in Ettlingen (Arbeitsgruppe Dr. Michael Arens) sowie dem Max-Planck-Institut für Intelligente Systeme, Standort Tübingen (Arbeitsgruppe Prof. Michael J. Black), ein Verfahren zur Videoanalyse entwickelt (Kinematic Motion Analysis Tool, KineMAT; Abb. 1), welches ohne Zuhilfenahme von Markern die 3‑D-Bewegungen des gesamten Körpers eines Säuglings über die Zeit erfasst. Bisherige Analysen zeigen, dass der KineMAT die Bewegungen sehr akkurat und zuverlässig misst [14, 15].

Im Folgenden sollen die Möglichkeiten des entwickelten Verfahrens zur Bewegungsanalyse für Säuglinge (KineMAT) zur Messung von verschiedenen Bewegungsparametern an 7 Patienten mit unterschiedlichen Diagnosen im Alter zwischen 3 und 10 Monaten demonstriert werden.

Die Aufnahme erfolgt mit einer kommerziell erhältlichen Tiefenbildkamera (Microsoft Kinect V1, Redmond, WA, USA), die in einem Abstand von 100 cm direkt über dem Säugling angebracht wird. Diese Kamera ermöglicht die simultane Aufzeichnung von standardmäßigen 2‑D-Farbbildern und 3‑D-Tiefenbildern auf Infrarotbasis. Aus dem Tiefenbild, welches für jeden erfassten Pixel die Distanz zur Kamera liefert, lässt sich eine 3‑D-Punktewolke erzeugen. Der Säugling liegt während der Videoaufnahme in Rückenlage auf einer Untersuchungsliege (Abb. 1). Es erfolgte die 3‑minütige Videoaufzeichnung der Spontanmotorik in zufriedenem Wachzustand ohne Stimulation von außen. Die so gewonnenen Bildinformationen werden für die dann anstehende Analyse weiterverarbeitet.

Der KineMAT nutzt Methoden der Bildverarbeitung, um aus den 3‑D-Aufnahmen der Tiefenbildkamera Bewegungsinformationen zu extrahieren.

Die Einführung der Tiefenbildkamera Microsoft Kinect für die Spielkonsole Xbox sorgte dafür, dass Tiefenbildkameras für einen erschwinglichen Preis einem breiten Publikum zugänglich wurden. Das integrierte Körpertracking [16], ursprünglich zur Steuerung von Videospielen entwickelt, wurde schnell von klinischen Forschern adaptiert [17]. Dieses wie auch andere aktuelle Verfahren zur Körperposenschätzung in Tiefen- oder Farbbildern bedient sich Methoden des maschinellen Lernens [18]. Dabei wird aus Hunderttausenden bis Millionen annotierten Bildern, d. h. Bildern, in denen die tatsächlichen Körperposen der abgebildeten Menschen markiert sind, „gelernt“, die Pose von Menschen in neuen Bildern vorherzusagen. Für Säuglinge sind solche Datensätze nicht verfügbar.

Eine andere Herangehensweise ist die Verwendung eines 3‑D-Körpermodells zum Körpertracking in RGB-D-Sequenzen [19]. Für Erwachsene existieren mehrere solcher 3‑D-Modelle, [20, 21] nicht jedoch für Säuglinge.

Dies veranlasste uns, ein 3‑D-Oberflächenmodell eines Säuglingskörpers (Skinned Multi-infant Linear Model, SMIL-Modell [14]) zu entwickeln, dessen Form und Körperpose durch Parameter modifiziert werden können. Dadurch kann das virtuelle Modell so in die aufgenommenen 3‑D-Daten eingepasst werden, dass es möglichst exakt den echten Säugling imitiert (Abb. 1b und 2). Das Körpermodell ermöglicht beliebige Messungen in 3‑D, z. B. von Gelenkwinkeln, Positionen von Gelenken oder beliebigen Punkten des Körpers, aber auch von Geschwindigkeiten und Beschleunigungen [14].

Im Folgenden werden 14 objektive Bewegungsparameter aus dem SMIL-Modell extrahiert, welche die Bewegungscharakteristika der 7 Patienten mit unterschiedlichen Diagnosen quantifizieren:

Die klinischen Details der 7 Patienten mit unterschiedlichen Diagnosen im Alter zwischen 3 und 10 Monaten sind in Tab. 2 dargestellt. Abb. 3 veranschaulicht die zurückgelegte Wegstrecke der Extremitäten und des Kopfes über die Aufnahmedauer zum Ende der Aufnahme (Patientenvideo mit korrespondierendem Bewegungstracking über die Zeit, siehe Online-Zusatzmaterial). Die 14 objektiven Bewegungsparameter zum Vergleich zwischen den 7 Patienten sind in Abb. 4a–d grafisch dargestellt.

Die Analyse der Spontanmotorik im frühen Säuglingsalter (vor dem Erwerb der Willkürmotorik) steht im Kontrast zu der in der Breite etablierten Bewegungsanalyse bei kranken und gesunden Kindern und Erwachsenen. Qualitative Bewegungsparameter, wie Komplexität und Variation der unbeeinflussten Spontanaktivität des zufriedenen Säuglings, sind in den ersten 4 Lebensmonaten ein Indikator für die Integrität des gesamten zentralen Nervensystems und ermöglichen dem erfahrenen Beobachter eine Beurteilung über mögliche Frühsymptome einer nicht normalen Entwicklung [22, 23].

Die videobasierte Bewegungsanalyse im frühen Säuglingsalter bietet die Möglichkeit einer Früherkennung atypischer motorischer Entwicklung. Als Goldstandard gilt bisher die General-Movement-Analyse (GMA) anhand herkömmlich aufgezeichneter Farbvideosequenzen durch menschliche Experten. Die GMA ist für die Früherkennung der häufigsten zentralen Bewegungsstörung im Kindesalter (Zerebralparese) im wissenschaftlichen Kontext etabliert [6], ist jedoch als Screeninginstrument ungeeignet.

In der hiesigen Arbeit stellen wir ein System zur Bewegungsanalyse vor (KineMAT), mit dem aus herkömmlichen RGB-D-Videosequenzen, ohne Verwendung von am Säugling befestigten Markern, ein virtuelles Abbild des sich bewegenden Säuglingskörpers erstellt werden kann. Neben dem geringen Kostenaufwand (herkömmliche RGB-D-Videokamera, Notebook, KineMAT-Software) zeichnet sich der KineMAT durch seine den bisher entwickelten Methoden gegenüber überlegene Präzision in der korrekten Erfassung der Spontanbewegung über die Aufnahmezeit aus. Bereits 2019 konnten wir zeigen, dass in 98,8 % der Zeit die Bewegungen des SMIL-Motion-Videos mit dem konventionellen Farbvideo übereinstimmen [14].

Wir beschreiben an 7 Säuglingen mit unterschiedlicher Diagnose exemplarisch das breite Anwendungspotenzial. Der KineMAT mit dem SMIL-Modell ist in der Lage, diagnosetypische Bewegungscharakteristika bei Kindern bis zu einem Alter von bis zu 10 Lebensmonaten abzubilden: Die flüssige, kontinuierliche, aber beinbetonte Bewegungsaktivität des gesunden Säuglings wird dabei genauso gut herausgearbeitet wie entwicklungsneurologisch deutliche Auffälligkeiten, exemplarisch gezeigt an einer reduzierten globalen Aktivität (Patienten CP, SMA, T21), an der Haltungsasymmetrie (SLO, HMSN) und einer Nacken- oder proximal betonten Muskelschwäche (SLO, SMA).

Die hier vorgestellten 14 Bewegungsparameter können auf den ersten Eindruck redundant erscheinen. Während die zurückgelegte Wegstrecke in cm/min mit dem prozentualen Anteil an Bewegungsaktivität während des Aufzeichnungszeitraumes sehr stark korreliert, zeigen sich doch feine Unterschiede zwischen beiden Parametern, welche für eine Variation in der Bewegungsgeschwindigkeit der einzelnen Extremitäten unabhängig voneinander spricht (z. B. bei den unteren Extremitäten des FG-Patienten, Abb. 4a, b). Eindeutiger ist der Unterschied zwischen Wegstrecke und abgedecktem Volumen (Abb. 4b, c). Das komplexe Bewegungsmuster beider Beine bei dem gesunden Säugling wird über das Volumen besser abgebildet als über die zurückgelegte Wegstrecke. Bei dem FG-Säugling zeigt sich im Gegensatz zum gesunden Säugling trotz hohen Aktivitätsniveaus und großer zurückgelegter Wegstrecke ein im Verhältnis kleines abgedecktes Volumen im Raum über den Aufzeichnungszeitraum. Dies spricht für eine deutlich geringere Komplexität und Variation in der Spontanaktivität bei dem FG-Säugling im Gegensatz zu dem gesunden Säugling. Komplexität und Variation sind neben dem Vorhandensein von Fidgety Movements die relevanten Merkmale zur qualitativen Bewertung in der konventionellen GMA [23]. Im Gegensatz zum gesunden Säugling hat dies bei dem FG-Säugling entsprechend zu der GMA-Bewertung „mildly abnormal“ durch den menschlichen Experten geführt. Auch wenn bei dem FG-Säugling keine eindeutige zentrale Bewegungsstörung vorliegt, muss im Verlauf seiner Entwicklung kontrolliert werden, ob er z. B. eine MND oder ein ADHS entwickeln wird. Da das klinische Follow-up zu den präsentierten Beispielpatienten noch nicht lang genug ist, ist hierüber noch keine abschließende Aussage möglich. Unbestritten gehört der FG-Säugling aber zu einer Risikopopulation, welche einer engmaschigen entwicklungsneurologischen Nachsorge bis zur Einschulung und darüber hinaus bedarf.

Außerhalb der hier dargestellten Möglichkeiten zum Bewegungstracking haben wir bereits weitere Erfahrungen mit dem KineMAT gemacht: [2, 15, 24].

In der aktuellen Entwicklungsstufe ist der KineMAT kein fertiges Analyseinstrument für den breiten klinischen Einsatz. Die Erfassung der Bewegungen ist noch rechenintensiv und damit (bisher) nicht in Echtzeit möglich. Für die weitere Entwicklung der automatisierten Bewegungsanalyse ist es aktuell nicht zwingend erforderlich, dass das Ergebnis instantan vorliegt. Dennoch streben wir eine Beschleunigung der Verarbeitung an, da eine Echtzeitanalyse für die Anwendung in der klinischen Routine (z. B. Vorsorgeuntersuchungen U2–U5) dem betreuenden Kinderarzt eine Entscheidungshilfe zur Überweisung in ein Zentrum bieten würde. Eine Möglichkeit zur Beschleunigung der Analyse ist die Reduktion der Datenqualität bzw. Bildauflösung. Da dies jedoch mit großer Wahrscheinlichkeit zu einer Steigerung der Fehleranfälligkeit führt, ist eine Vereinfachung des Bewegungsmodells in der aktuellen Aufbauphase nicht prioritär.

Genauigkeit und Zuverlässigkeit sind mit knapp 99 % korrekter Bewegungserfassung [14] sehr hoch, jedoch nicht perfekt. Es ist unklar, wie stark fehlerhaft erkannte Bewegungen eine automatische Analyse beeinflussen würden. Es existieren jedoch Methoden zur Erkennung und Korrektur von Fehlern im Bewegungstracking, welche wir implementieren werden [25]. Die größte Herausforderung für den zuverlässigen Einsatz in der kinderärztlichen Vorsorge ist der Nachweis bestmöglicher Testgütekriterien (Sensitivität, Spezifität, positiver prädiktiver Wert und negativer prädiktiver Wert). Nur dann bietet der KineMAT dem Kinderarzt einen wertvollen Zusatznutzen. Hierfür sind Langzeitstudien erforderlich, welche die Bewertung der Bewegungsanalyse mit der neuropsychologischen Entwicklung bis zum Schuleintritt untersuchen.

Eine weitere Limitation ist derzeit die noch eingeschränkte Datengrundlage. Die hier beispielhaft aufgeführten 14 Bewegungsparameter vergleichen 7 Patienten, ohne die „physiologische Streuung“ der Spontanmotorik bisher zu kennen. Welche Bewegungsparameter ein typisches von einem atypischen Bewegungsmuster bestmöglich unterscheidet, muss weiter analysiert werden. Um eine ausreichende Datengrundlage für maschinelles Lernen anhand gesunder Säuglinge im 1. Lebensjahr zu generieren, planen wir daher eine weitere umfassende Datenerhebung an einem größeren gesunden Kollektiv. Auch systematische Test-Retest-Untersuchungen über ein kurzes Zeitintervall liegen noch nicht vor und müssen erfolgen, um zu prüfen, wie zuverlässig einzelne Messungen den Patienten abbilden. Wichtig ist, bei jeder Aufnahme auf ein standardisiertes Aufnahmesetting zu achten. Vigilanz, Stimmung, interner oder externer Stress etc. müssen bei der Interpretation des Bewegungsmusters berücksichtigt werden.

Ob eine präzisere Früherkennung verschiedener Diagnosen möglich sein wird, erscheint mit den hier vorliegenden heterogenen Beispielpatienten denkbar, muss aber im Weiteren detailliert untersucht werden. Hierfür konnten bereits mehr als 500 Patientenvideos in unserem Zentrum vorwiegend mit „nicht normaler“ Entwicklung ihrer Spontanmotorik aufgezeichnet werden.

Der KineMAT bietet mit dem SMIL-Modell eine geeignete Grundlage zur Anwendung von automatisierten Lernalgorithmen an einem großen Datensatz gesunder und nicht gesunder Säuglinge. Ziel ist die Entwicklung einer Methode zur Bewegungsanalyse, welche eine automatisierte GMA mit hoher Sensitivität und Spezifität für den breiten Einsatz in der kinderärztlichen Vorsorge ermöglicht. Der wichtigste nächste Schritt ist die Erweiterung der Datengrundlage, um mithilfe maschinellen Lernens den KineMAT für eine automatisierte Dateninterpretation zu trainieren. Das Training kann hierbei auf zwei Ansätzen basieren: (1) Bewertung pathologischer versus nichtpathologischer Bewegung basierend auf durch Spezialisten vorgegebenen Bewegungskriterien und (2) automatisierte Bewertung mit maschinellem Lernen ohne vorherige Einschränkung der Interpretationsmöglichkeiten der Bewegungsdaten. Letzteres hat den Vorteil, dass keine menschlich vorgegebenen Bewegungsparameter ausgewertet werden, welche möglicherweise die Pathologie des Patienten nicht ausreichend präzise abbilden. Dieser Ansatz erfordert im Säuglingsalter mit einer sehr dynamischen motorischen Entwicklung eine ausreichend große Datengrundlage.

Die hiesige Arbeit dient der Veranschaulichung eines nun für weitere Analysen zur Verfügung stehenden Bewegungsanalyseinstruments. Der hier vorgestellte KineMAT und das SMIL-Modell ermöglichen eine akkurate Erfassung der 3‑D-Spontanbewegung des gesamten Körpers eines Säuglings. Anhand von 7 Patienten zeigten wir an wenigen exemplarischen Bewegungsparametern, wie die Charakteristika unterschiedlicher klinischer Diagnosen objektiv erfasst werden können. Die erfassten Bewegungen werden die Grundlage für die Entwicklung einer automatisierten Bewegungsanalyse im frühen Säuglingsalter bilden, basierend auf maschinellen Lernalgorithmen. Ziel ist es, ein markerloses Analysegerät zu entwickeln, welches mit hoher Zuverlässigkeit eine Unterscheidung zwischen „normaler“ versus „nichtnormaler Spontanmotorik“ ermöglicht. Diese kann dann im Rahmen der kinderärztlichen Vorsorge bei Säuglingen als Screeninginstrument eingesetzt werden. Darüber kann aber auch in der klinischen Routine oder bei wissenschaftlichen Fragestellungen die Spontanmotorik im Säuglingsalter quantifiziert werden. Der größte Vorteil des KineMAT und SMIL-Modells im Vergleich zu allen anderen etablierten Methoden sind der geringe materielle Aufwand (kostengünstig) und der Wegfall von Markern (einfach anzuwenden, signifikante Reduktion von zeitlichem Aufwand und Ausschluss von zusätzlichen Fehlerquellen) bei in höchstem Maße zuverlässigem Körpertracking.