Path Signature Representation of Patient-Clinician Interactions as a Predictor for Neuropsychological Tests Outcomes in Children: A Proof of Concept

这份研究报告提出了一项概念验证研究，旨在应用机器学习技术来分析儿童神经发育障碍诊断认知评估时收集的视频和语音数据。该研究使用了一个数据集，其中包括39个视频录像，记录了临床医生进行四项认知评估测试等广泛会话的过程。从每个临床会话的前40分钟中，涵盖了威氏儿童智力量表（WISC-V）的评估过程，我们提取了临床医生和孩子的头部位置和言语交替。尽管样本量有限且记录风格不一，但分析成功地从记录的数据中提取了路径签名作为特征，重点关注患者和临床医生之间的互动。重要的是，这些特征量化了评估过程（对话和移动模式）的人际动态。结果表明，这些特征表现出有希望的潜力，可以预测整个会话长度的所有认知测试得分，并为原型化预测模型作为临床决策支持工具提供基础。总的来说，这个概念验证证明了利用机器学习技术进行临床视频和语音数据分析的可行性，从而有可能增强儿童神经发育障碍认知评估的效率。

本论文旨在探讨如何利用机器学习技术分析儿童神经发育障碍的诊断认知评估过程中收集的视频和语音数据，以提高评估的效率。

论文的关键思路是从临床会话中提取头部位置和语音转换等特征，以量化评估过程中的个人互动动态，从而建立预测模型作为临床决策支持工具。

论文使用了39个视频录像数据，成功地提取了路径签名作为特征，重点关注了患者和临床医生之间的互动。实验结果表明，这些特征具有预测整个评估过程中所有认知测试得分的潜力，并可以作为临床决策支持工具的原型。值得关注的是，这种方法可以用于儿童神经发育障碍的认知评估。

在这个领域中，最近的相关研究包括“自然语言处理在儿童神经发育障碍评估中的应用”和“利用计算机视觉技术辅助儿童认知评估”。