基于数字孪生技术的早产儿神经运动发育监测：概念框架与概念验证研究

《Journal of Medical Systems》：Digital Twins for Monitoring Neuromotor Development in Preterm Infants: Conceptual Framework and Proof-of-concept Study

本刊推荐：为解决早产儿神经发育障碍（NDDs）早期监测难题，研究团队开展了数字孪生（DT）技术框架研究。通过整合可穿戴传感器和人工智能算法，构建了早产儿神经运动发育的虚拟模型，实现了多模态数据的标准化（FHIR）集成和机器学习分析。概念验证表明运动复杂度（SEN）和递归定量分析（RQA）参数可作为运动延迟的生物标志物，为临床早期干预提供了新范式。

　　

在全球范围内，早产是导致儿童神经发育障碍（NDDs）的主要风险因素之一。超过50%的妊娠不足30周的早产儿会面临长期运动、认知或行为损伤。尽管医学界对早产儿NDDs的病因和病理机制认识不断深入，但诊断往往在首次临床症状出现数月后才能确立，这导致干预措施的实施被严重延迟。当前临床筛查工具在早期阶段的预测价值和可靠性有限，且依赖专业人员的结构化评估（如全身运动评估GMA、皮博迪运动发育量表-2）难以普及。更关键的是，儿童发育的多因素特性要求采用能够整合运动、认知、环境等多维数据的整体性纵向监测方法，而传统手段难以满足这一需求。

为解决这一挑战，由Sara Montagna和Maria Cristina Bisi主导的研究团队在《Journal of Medical Systems》发表研究，提出了一种基于数字孪生（Digital Twin， DT）技术的新型框架。该框架旨在通过构建早产儿的虚拟模型，实现多模态数据的动态集成和人工智能驱动的纵向分析，为早期识别神经发育风险提供新思路。

研究团队采用的核心技术方法包括：（1）基于FHIR标准的医疗数据互操作性框架，实现临床资料与运动评估数据的标准化存储；（2）利用惯性测量单元（IMU）和视频姿态估计（DeepLabCut）技术定量采集早产儿从出生至24月龄（校正年龄）的运动参数；（3）构建包含7大领域临床变量和运动功能指标的知识图谱（Knowledge Graph）以建立语义关联；（4）采用机器学习算法（XGBoost、t-SNE、k-means聚类等）进行风险分层和生物标志物挖掘。概念验证阶段使用了已发表的46名儿童（含极早产儿≤28周）数据集，重点分析步态运动复杂度（SEN）、自动性（RQA）等非线性指标。

概念验证数据分析结果

通过t-SNE可视化发现，高风险早产儿在特征空间中的分布呈现区域性聚集模式。k-means聚类分析进一步显示，75%的临床高危婴儿（出生胎龄≤28周或体重≤1000克）聚集于特定簇群，该群体表现出步态运动复杂度降低（SEN_AP=2.1±0.3）和自动性增高（RR_V=0.72±0.05）的特征。机器学习模型中，XGBoost分类器对高风险婴儿的识别召回率达到1.0，SHAP分析揭示运动复杂度（SEN_ML）和步态变异性（DS PSD1）为最关键预测因子。

数字孪生框架的临床适配性

研究构建的DT生态系统支持纵向时间点（TEA、T3、T6、T12、T18、T24）数据注入，通过语义知识图谱整合生长参数、认知评分（BSID-III）、住院时长等临床变量。如图2所示，该图谱建立了“运动评估”“临床指标”“风险分层”等概念的关联网络，为因果推理提供支持。数据预处理模块集成SMOTE过采样等技术解决类别不平衡问题，保障算法在小型队列中的稳定性。

讨论与展望

本研究首次将数字孪生技术系统性地应用于早产儿神经运动发育监测领域。尽管当前概念验证仅基于横断面数据，但框架设计已为长期纵向分析预留扩展空间。值得注意的是，运动复杂度指标的降低与既往研究一致：这种运动模式的“简化”可能限制婴儿对环境探索的广度，进而间接影响认知发展，这印证了采用整体性监测框架的必要性。

未来工作将重点拓展三方面：纳入社会经济状态等环境变量以完善DT模型；延长随访至36月龄以捕捉更完整的发育轨迹；适配罕见神经系统疾病等更广泛儿科人群。该框架的标准化设计（FHIR/KG）尤其有利于多中心研究协作，有望推动早产儿随访从经验性评估向数据驱动决策的范式转变。

综上，这项研究为早产儿NDDs的早期预警提供了可扩展的技术基础设施，其融合多模态数据与人工智能的分析范式，不仅具备临床转化潜力，更为基础研究探索神经运动发育的因果路径开辟了新途径。