Hemiplegic cerebral palsy (HCP) is the most common form of cerebral palsy (CP) and affects roughly 1 in 400 infants. Unable to properly use the arm and leg of one side of the body, the disorder can have major negative impacts on a person’s life. New and improved methods of treating HCP have emerged in recent decades. However, detecting high risk of developing HCP early in infants is a time-consuming and expensive process, and it is prone to human error. The assessment includes many variables and among them is the aspect of shaky and unstable movements in either arm. This factor is rated vaguely based on an expert’s experience. The rating of shakiness can vary depending on the expert that is doing the examination. In our study we show that there is some possibility to be able to quantify the shakiness and instability in arm movements. Investigation of the risk of developing HCP is usually done by examining a 5-10 minute video of a young infant playing and interacting with both arms. We used a machine learning application to determine the position of both hands in relation to the rest of the body for each frame in these types of 5-10 minute videos. We then extracted velocity, acceleration as well as jerk, which is the third derivative of position, from the position of the hands throughout the video. We compared the data of different infants and looked for differences in the jerks of their hand movements and compared it to how experts had evaluated the children based on the videos. We also performed statistical tests on the jerks to see if the right or left hand had any noticeable differences. Our hypothesis was that the shakiness and instability of the movements of the arms would correspond to rapid changes in acceleration, which would be visible in the distribution of jerks in the affected arm. Asymmetry in the jerk between the arms could thus indicate a difference in the stability and control of the arms. We have developed a method to investigate asymmetry in jerk between the hands, but due to low sample size and the lack of complete information of the diagnosis for each child, it is hard to compare our metrics against the evaluations of the children. Preliminary results show that children with great evaluations and no prenatal stroke had lower amounts of asymmetry in jerk compared to the children with worse evaluation and the ones who had been affected by a prenatal stroke. Quantifying jerk asymmetry in the arm movement of infants would allow for the avoidance of human error and make the rating assessment more concrete and efficient. Our work could thus decrease the possibility of a child not receiving a correct diagnosis and possibly miss out on potential treatment. This would promote good health well being, but also help reduce medical inequality as the assessment process becomes more standardised and definite. Our study is a step towards automatizing parts of the assessment process and achieving accurate and reliable automatization of the entire assessment process would have major impacts on HCP assessment. It could also help to shine light on the potential of quantifying and automatizing parts of other areas av cerebral palsy assessment, such as General Movements Assessment (GMA).

Hemiplegisk cerebral pares (HCP) är den vanligatse formen av cerebal pares (CP) och drabbar cirka 1 utav 400 spädbarn. Den drabbade individen ka inte röra eller använda ena sidan av sin kropp ordentligt, och störningen kan därmed ha stora negativa implikationer på individens framtida liv. Nya och förbättrade metoder att motverka effekten av HCP har utvecklats under de senare årtionden. Däremot är processen att upptäcka spädbarn med förhöjd risk av att utveckla HCP kostsam och tidskrävande samt att den är känslig för mänskliga fel. I värderingen ingår många aspekter, en av dem är huruvida skakiga och ostabila rörelserna är i spädbarnets armar är. Värderingen är vagt bedömt av en expert utifrån erfarenhet i fältet, och därmed kan bedömning skilja sig beroende på vilken expert som genomför bedömningen. I vår studie visar vi att det finns en möjlighet att kvanitifiera skakigheten och ostabiliteten i spädbarns armrörelser. Undersökningen utav barns risk att utveckla HCP görs vanligvis genom att en expert analyserar en 5-10 minuters video av ett spädbarn som leker och interagerar med båda armar. Vi använde en maskininlärningsapplikation för att bestämma positionen av båda händer i varje bild utav videorna. Från positionerna extraherade vi hastighet, acceleration och ryck, som är positionens tredje derivata. Vi jämförde datan för olika spädbarn och sökte efter skillnader i ryck mellan händerna och jämförde sedan det med bedömningen som gjorts av flera experter utifrån samma videor. Vi genomförde även statistiska tester på rycket för att se om det fanns märkbara skillnader mellan höger och vänster arm. Vår hypotes var att skakighet och instabilitet i armrörelser skulle leda till högre skillnad i acceleration, och på så sätt högre ryck, varav detta skulle vara synligt i fördelningen av ryck i den drabbade armen. Asymmetri i ryck mellan armarna skulle därmed kunna indikera en skillnad i stabilitet och motorkontroll spädbarnets armar. Vi har utvecklat en metod att undersöka asymmetri i ryck mellan armarna, men på grund av en låg provstorlek och avsaknaden av komplett information kring barnens diagnos så är det svårt att jämföra mätvärdena för barnens armrörelser och deras bedömningar. Priliminära resultat visar att barn med bra bedömning samt utan perinatal stroke visar också lägre asymmetri mellan rycket i armrörelserna i jämförelse med barn med sämre bedömning och som hade haft en perinatal stroke. Att kvantifiera asymmetri i ryck mellan armarnas rörelser skulle bidra mot att undvika mänskliga fel och att göra bedömningen mer konkret. Vårat arbete skulle därför kunna minska sannolikheten att ett barn inte får en korrekt diagnos och potentiellt går miste om vård. Detta skulle främja förbättrad hälsa men också hjälpa att minska medicinsk ojämlikhet, då bedömningsprocessen blir mer standardiserad och definit. Vår studie är ett steg mot digitalisera och automatisera delar av bedömningsprocessen, och att uppnå nogrann och pålitlig automatisering av hela bedömningsprocessen skulle ha stor påverkan på HCP-bedömning. Det skulle också kunna hjälpa att belysa potentialen av att kvantifiera och automatisera andra delar av CP-bedömning, så som General Movement Assessment (GMA).