开发和验证的学习方法来预测脑瘫高危婴儿从自发的运动

要点

问题的外部有效性基于深度学习方法预测基于婴儿脑瘫(CP)的自发运动9到18周的纠正年龄吗?

发现557年预后研究婴儿高围产期脑损伤的风险,一个深上优于CP的早期预测方法的敏感性为71%,特异性为94%,阳性预测值为68%,阴性预测值为95%。预后相关的基于CP基于深度学习方法后功能水平和CP亚型与CP的孩子。

意义基于本研究的发现表明,深度学习评估可以支持CP高危婴儿的早期检测。

重要性脑瘫的早期识别(CP)对早期干预是重要的,但不允许广泛使用基于专家经验的评估,传统的机器学习方法缺乏有效性。

客观的开发和评估基于小说的外部有效性深入学习方法预测CP基于视频的婴儿的自发运动9到18周的纠正。

设计,设定和参与者预后研究的深度上优于方法预测CP的纠正年龄12 - 89个月涉及557名婴儿围产期脑损伤的风险高的人参加之前的研究进行了13家医院在比利时、印度、挪威和美国之间9月10日,2001年和2018年10月25日。分析之间的2020年2月11日和9月23日,2021年。包括婴儿烦躁运动期间可用的视频记录了从9到18周的纠正年龄,可用分类烦躁运动的确定一般运动评估(GMA)工具,CP和可用的数据状态在12个月的纠正年龄或更老。共有418名婴儿(75.0%)被随机分配到模型发展(培训和内部验证)样本,和139年(25.0%)被随机分配到外部验证示例1(测试集)。

曝光自发运动的录像。

主要结果和措施主要结果是CP的预测。基于深度学习的预测执行CP自动从一个视频。次要结果包括预测相关的功能水平和CP亚型。敏感性、特异性、正面和负面预测值和准确性进行评估。

结果557名婴儿(310(55.7%)的男性),中值(差)纠正年龄是12(11 - 13)周评估,和84名(15.1%)在平均(SD)被诊断出患有CP 3.4(1.7)岁。数据在种族和民族没有报道,因为之前的研究(从婴儿样本派生)使用不同的研究协议与收集这些数据不一致。外部验证,深上优于CP预测方法的敏感性71.4%(95%可信区间,47.8% -88.7%),特异性为94.1%(95%可信区间,88.2% -97.6%),阳性预测值68.2%(95%可信区间,45.1% -86.1%),和消极的预测价值的94.9%(95%置信区间,89.2% -98.1%)。GMA工具相比,灵敏度为70.0%(95%可信区间,45.7% -88.1%),特异性为88.7%(95%可信区间,81.5% -93.8%),阳性预测值51.9%(95%可信区间,32.0% -71.3%),和消极的预测价值的94.4%(95%置信区间,88.3% -97.9%)。深度学习方法实现精度高于传统的机器学习方法(90.6%(95%可信区间,84.5% - -94.9%)和72.7%(95%可信区间,64.5% - -79.9%);P<措施),但没有显著改善准确性观察与GMA工具(85.9%;95%可信区间,78.9% - -91.3%;P=厚)。深度学习的预测模型有更高的敏感性nonambulatory CP患儿(100%;95%可信区间,63.1% vs动态CP (58.3%; -100%)95%可信区间,27.7% - -84.8%;P= .02点)和痉挛性双边CP (92.3%;95%可信区间,64.0% vs痉挛性单边CP (42.9%; -99.8%)95%可信区间,9.9% - -81.6%;P<措施)。

结论和意义在这个预后研究中,预测方法的深度上优于CP在9到18周的纠正年龄在外部验证预测的准确性,这表明使用基于深度学习软件的可能途径提供客观的CP早期检测在临床的设置。

脑性瘫痪(CP)是儿童中最常见的身体残疾,生产功能限制和共病的障碍¹(如疼痛、肌肉骨骼畸形、癫痫、和沟通和睡眠障碍),因为受伤的大脑发展。²脑瘫诊断通常是年龄在12 ~ 24个月,甚至温和形式的CP诊断可能是在童年。^3,4婴儿的早期识别高风险的CP婴儿期提供有针对性的跟进和干预很重要当神经可塑性高,^5,6改善社区服务以减少并发症,⁷安抚高危婴儿的父母,如果他们的孩子不太可能开发CP。⁸

Prechtl等^{9- - - - - -11}介绍了一般运动评估(GMA)工具25年前作为一个方法来预测CP。从出生到2个月的纠正年龄,一般运动(即自发的运动涉及整个身体)有一个翻滚的性格和后来出现烦躁不安的动作。¹²GMA被推荐为最准确的对CP预后的临床试验5个月以下的婴儿^4,13基于烦躁的一般运动类型的缺失。^14,15GMA是基于临床专家的观察婴儿的一般运动录像。该方法需要培训,¹⁶和评定等级的经验会改变GMA的可靠性。¹⁷这些因素阻碍广泛的临床使用。¹⁸

与人工智能领域的进步,机器学习技术已经开发为客观GMA的低成本替代品。^{18- - - - - -22}前机器学习技术跟踪和分类的婴儿的自发运动通常旨在预测CP提议限制集手动选择的运动特性与传统的统计方法结合使用(例如,逻辑回归分析和支持向量机)。^{23- - - - - -27}最近的一项研究²⁸发现,这些传统的基于机器学习的预测值CP预测模型是类似于GMA的预测值。尽管有了一些进展,有基本的挑战有待解决。有限的一组手动选择运动特性有一个未知与观测GMA的联系工具,它质疑传统的机器学习技术的建构效度。因此缺乏外部验证,因为小样品,后续持续时间短。^18,21结果,验证执行少用保守的方法(包括分析交叉验证)和没有烦躁运动作为CP的代理指标。^18,29日

在机器学习一个新的领域,叫做深度学习,使得自动检测通过表示学习区别的运动特性。^30.这个过程涉及到动态选择特性相关手头的任务没有任何人类专家参与。深度学习的准确度与越来越多的数据(如视频)和深度学习有能力探测特性表示复杂的数据关联,如复杂的全身运动。

我们的主要目标是开发一个深上优于CP的早期预测模型根据婴儿的自发运动烦躁运动期间从9到18周的校正年龄和使用多中心执行外部验证样本的婴儿高围产期脑损伤的风险。我们的次要目标是比较深的预测精度上优于预测方法与临床推荐的准确性GMA工具,传统的机器学习方法和评估的能力深学习方法预测功能水平和CP亚型。

这个13岁的病人的预后研究医院批准的区域医疗卫生研究伦理委员会在挪威和比利时当地的机构审查委员会,印度和美国。书面知情同意是来自父母之前研究夹杂物(包括写父母同意发表一个婴儿的形象)。本研究遵循透明报告个人的多变量预测模型预测或诊断(三脚架)报告指南。

样本由557名婴儿围产期脑损伤的风险高的前瞻性的先前的研究^{27,31日- - - - - -33}2001年9月10日之间的CP风险预测,10月25日,2018年。之间的统计分析了2020年2月11日和9月23日,2021年。的描述这些先前的研究可在eAppendix 1补充。所有的研究包括婴儿神经发育异常的风险增加,这是确定在出院之前新生儿重症监护室(eAppendix 2和eTable 1补充)。婴儿基于以下标准:包括(1)可用的视频后Prechtl GMA的标准工具³⁴记录烦躁运动期间从9到18周的纠正年龄,(2)可用GMA烦躁运动的分类,和(3)CP状态在12个月的数据校正年龄或更老。两个婴儿视频记录在7周,8周的纠正年龄都包括在内。都是由GMA正确分类;1婴儿有间歇性烦躁的动作,没有开发CP,和1婴儿烦躁运动和被诊断出患有CP缺席。婴儿被排除在外,因为数据丢失的录像,GMA分类,或CP状态报告。^{27,31日- - - - - -33}样本大小是由婴儿的数量从先前的研究^{27,31日- - - - - -33}可用的数据。

婴儿被记录在仰卧位活跃清醒的中位数5分钟(范围1 - 9分钟)后GMA的标准。³⁴传统摄像机(三洋VPC-HD2000 Xacti双摄像头(头公司)或索尼数码摄像机DCR-PC100E[索尼电子公司])以平均记录每秒30帧的速度(范围、24-60帧每秒)和视频分辨率720×1280像素的中值(范围、576×720到1080×1920像素)在一个标准化的相机设置由一个床垫和一个固定的开销。如果超过1记录是可用的,录音之间12周和13周纠正年龄使用。

两个注册观察者(洛杉矶和T.F.)病史的人失明的婴儿进行分类对所有婴儿烦躁不安的动作。烦躁的运动被列为正常(零星、间歇性或持续存在)或异常(缺席)。零星的烦躁正常运动的分类是基于之前的研究,发现了一个低风险的CP零星的患儿烦躁不安的动作。^31日婴儿分类与过度的夸大了烦躁的动作幅度和速度被先验分析这类婴儿因为不可预测的结果。在观察者之间的分歧的情况下,视频是由相同的重新评估2观察员,达成了共识。

CP的主要结果是由一个儿科医生诊断不知道GMA的CP决策树分类,在欧洲脑瘫监测。³⁵这个诊断包括CP亚型分类为痉挛性单边,痉挛性双边、运动障碍的和混乱的。随访时间之间的不同研究,年龄18个月到5年不等。^{27,31日- - - - - -33}粗大运动功能分类系统(GMFCS;电流-电压水平,水平我指示的能力没有限制就走;II级,行走能力的局限性;III级,步行使用手持移动设备的能力;IV级,self-mobility的能力限制(可能需要使用移动供电);和V,需要用一个手动轮椅)³被用来分类功能水平到回廊CP(水平I, II, III)和nonambulatory CP (IV和V)水平。

实现代表样本方法开发(即培训和内部验证)和外部验证,所有高危婴儿被分层进类基于他们的研究最初登记,^{27,31日- - - - - -33}的国家中心的研究(比利时、印度、挪威、或美国)(步骤1图1),他们的CP亚型(痉挛性双边CP、痉挛性单边CP或没有CP)(步骤2图1)。种族和民族的数据没有,因为以前的研究报告(婴儿样本派生的)使用不同的研究协议与收集这些数据不一致。

总共75.0%的婴儿步骤3中的每个类(橙色路径图1)被随机分配方法开发(培训和内部验证)样品,剩下的25.0%被随机分配(蓝色路径在步骤3中图1)到外部验证示例1(测试集)。婴儿分配方法开发样本进一步分为7内部验证样本(即折叠),每一个由9名新生儿与CP和50 51婴儿没有CP。这额外的部门使7倍交叉验证来评估内部效度。内部验证样本使用一个类似的过程分层构造基于研究中心和CP亚型(与外部执行验证测试集所示图1)。

CP的整体概念深度学习方法预测提出了图2。方法由4个步骤:(1)运动跟踪,(2)创建一个框架序列,(3)基于深度学习预测模型的发展,和CP(4)预测。

原始视频是由运动跟踪处理³⁶本地化水平和垂直坐标19重要的身体分(额头,鼻子,耳朵,脖子上,肩膀、手肘、手腕,上胸部,骨盆,骨盆,midpelvis,膝盖和脚踝)(步骤1图2),创建一个婴儿骨架(即一个完整的婴儿的姿势数字骨架模型的形式)。运动追踪以前训练和验证婴儿视频运动姿势后根据GMA标准所定义的谷鲁斯等³⁷;运动追踪器的进一步技术细节描述原始文章谷鲁斯et al。^36,37

所有视频帧的婴儿骨骼组成一个时空骨架序列(步骤2图2)代表婴儿运动视频。骨架序列分为5秒钟窗户里面,被处理的深度上优于预测模型来估计CP风险在这个窗口中。

自动检测运动特性与CP,小说深刻的学习过程。深入学习模型由多层(步骤3图2)。初始层检测功能单一的肢体或关节的运动,而后续层检测全身运动的特性。防止手动选择性偏差,优化模型体系结构是由一个自动搜索培训和内部验证数据。前10自动选定模型被定义为人工专家和重新训练7内部验证样本(内部验证结果eTable 2提供了补充)。每个产生的70个人工专家实例使用的生物力学属性(位置,速度,和身体段长度)在5秒钟windows检测全身运动特性,杰出的CP患儿从婴儿没有CP。细节的自动搜索过程和配置选择深度学习模型中可用eAppendix 3 eTable 3, eTable 4, eFigure 1补充。

关于群人工专家和决策的不确定性,基于70年获得运动特性的人工专家实例,CP风险估计规模连续从低(0%)高(100%)。70个人工专家预测的中位数作为CP在5秒钟窗口中,风险与不确定性的CP风险颜色编码基于协议在70年预测的水平。绿色(0 17协议(< 25.0%)预测CP)和黄色- 35(协议(≤50.0%)预测CP)代表特定的和不确定的预测没有CP,分别。橙色(36-52协议(> 50.0%)预测CP)和红色(53 - 70协议(> 75.0%)预测CP)表示不确定性和CP的某些预测,分别。

CP风险的最后得分总视频估计中CP风险在所有5秒钟windows的骨架序列(步骤4图2)。这一点被用来分类一个婴儿在CP或没有CP决定基于一个固定的阈值(不同的阈值eAppendix 4所示,eFigure 2,和eTable 5补充)。CP的分类被认为是特定的(红色)如果超过75.0%的人工专家预测分为CP和不确定(橙色)如果超过50.0%被归类为CP。没有CP的分类被认为是不确定的(黄色)如果50.0%或更少的人工专家预测分为CP和某些(绿色)如果只有不到25.0%被归类为CP(步骤4图2)。

使客观比较深刻的学习方法和传统的机器学习方法之前,²⁸再培训传统的机器学习方法进行骨架序列19重要的身体分方法开发数据集。更多细节关于传统的机器学习方法已经出版之前Ihlen et al。²⁸

外部验证方法的敏感性是固定的先验基于GMA的敏感性水平的工具,确保客观比较。Clopper-Pearson方法被用来计算95%的CIs敏感性,特异性,阳性和阴性预测价值,和准确性,是计算使用R中的conf包软件,版本4.0 (R统计计算的基础)。CP的不同风险之间流动的CP患儿(GMFCS水平I, II或III)和nonambulatory CP (GMFCS级别IV或V)是由双向Wilcoxon秩和检验和计算使用算法从SciPy图书馆在Python中,版本3.6 (Python软件基金会)。Wilcoxon等级和测试也用于评估的差异CP风险婴儿痉挛的单边CP vs痉挛性双边CP。2-tailed意义阈值P< . 05。

557高危婴儿中,310(55.7%)是男性,和247年(44.3%)是女性;中值(差)修正评估年龄是12周(11 - 13),和84名(15.1%)在平均诊断CP (SD) 3.4(1.7)岁(eTable 1的补充)。中位数(差)纠正年龄CP状态评估是38(23-46)个月。共有418名婴儿(75.0%)被随机分配到模型开发样品,和139年(25.0%)被随机分配到外部验证样本。

深度学习方法的预测精度,GMA工具,传统的机器学习方法介绍表。外部验证,深上优于CP预测方法的敏感性71.4%(95%可信区间,47.8% -88.7%),特异性为94.1%(95%可信区间,88.2% -97.6%),阳性预测值68.2%(95%可信区间,45.1% -86.1%),和消极的预测价值的94.9%(95%置信区间,89.2% -98.1%)。GMA工具相比,灵敏度为70.0%(95%可信区间,45.7% -88.1%),特异性为88.7%(95%可信区间,81.5% -93.8%),阳性预测值51.9%(95%可信区间,32.0% -71.3%),和消极的预测价值的94.4%(95%置信区间,88.3% -97.9%)。深度学习方法实现精度高于传统的机器学习方法(90.6%(95%可信区间,84.5% - -94.9%)和72.7%(95%可信区间,64.5% - -79.9%);P<措施),但没有显著改善准确性观察与GMA工具(85.9%;95%可信区间,78.9% - -91.3%;P=厚)。

外部验证样本由139婴儿;其中,21个婴儿(15.1%)诊断为CP。那些诊断为CP, 12个婴儿(57.1%)被正确分类某些CP,和2婴儿(9.5%)被错误分类某些情节在没有CP(红色和绿色框图3C)。118年的婴儿没有CP, 104(88.1%)被正确分类某些没有CP,和2个(1.7%)被错误分类某些CP(绿色和红色框情节图3D)。脑瘫风险5秒钟windows 1代表与CP和1代表婴儿婴儿没有CP,高确定性分类正确,所示图3A和B。

深上优于CP预测方法有更高的敏感性(即更大的婴儿比例高于决策阈值)nonambulatory CP患儿(100%;95%可信区间,63.1% vs动态CP (58.3%; -100%)95%可信区间,27.7% - -84.8%;P= .02点)和婴儿痉挛的双边CP (92.3%;95%可信区间,64.0% vs痉挛性单边CP (42.9%; -99.8%)95%可信区间,9.9% - -81.6%;P<措施)(图3C)。观察发病风险明显高于估计CP nonambulatory患儿运动功能(中位数(差),0.90(0.75 - -0.93))和动态运动机能(中位数(差),0.45 (0.24 - -0.78);P= .007)和婴儿痉挛的双边CP(中位数(差),0.85(0.55 - -0.92))和痉挛性单边CP(中位数(差),0.26 (0.23 - -0.56);P=)(03图4)。

在这个预后研究中,一个完全自动化的深度学习CP早期预测方法预测精度高的外部样本来自不同国家的婴儿与异构围产期危险因素和视频质量的变化。此外,深度学习方法之间的分化婴儿发展动态和nonambulatory CP以及痉挛性单边vs痉挛性双边CP。这部小说在早期儿童保健方法可能支持决策开始有针对性的干预措施能改善功能,防止并发症,和个性的后续。该预测方法是一个实质性的改进与以前相比传统出版机器上优于CP预测方法。²⁸

深度学习的改进预测精度方法相比,传统的机器学习方法用于一项研究²⁸可能发生有几个原因。首先,深入学习方法有能力识别复杂的关联数据,因为它在几层处理数据。这种能力表明,深度学习可以处理高复杂性和变化观察婴儿的自发运动。第二,手动选择的运动特性,需要在使用传统的机器学习方法,^25,26消除了深度学习的自动特征检测方法。尽管先前的研究也深学习方法用于分类的婴儿运动机能,^{38- - - - - -41}这些研究已经被小样本有限和缺乏外部验证和使用代理CP的结果。^18,21,29日

需要更多的研究来确定哪些运动特征深度学习方法选择为CP相关。这一步识别可以本地化骨架序列(eFigure 3内的运动特性补充)。^40,42在目前的研究中,我们没有调查深度学习方法特性是否与烦躁的动作,其他动作,姿势模式在早期电动机曲目(例如,踢和身体对称性)⁴³或未知的运动模式。

的可比表现深度学习方法和观测GMA工具在这个研究可能反映了CP的早期预测即将到来的范式转变。席尔瓦最近的评论等¹⁸突显了一个事实,采用自动化CP预测在临床实践中一直受限制,因为现有的机器学习方法缺乏GMA的预测精度。家庭智能手机录音的可行性^{22,44- - - - - -47}和相关的婴儿运动跟踪³⁷可以结合提出了深度学习方法获得一个完全自动化的临床决策支持系统。

观察GMA工具的敏感性低于以往报道在一些评论^13,48但与其他研究的结果相似。^49,50敏感水平低于一般报道⁴可能,至少在某种程度上,是由于零星的烦躁的分类正常运动。这种方法与分类方法在一般运动课程的信任,但它可能增加的准确性和阳性预测值GMA,先前的一项研究报告。^31日此外,单个评估大约在12周的纠正年龄可能有一个角色在本研究中观察到的低灵敏度与灵敏度水平研究报告的执行几个评估整个烦躁运动时期。^9,51

目前的研究包括婴儿从几个网站招募基于各种围产期脑损伤的危险因素。^{27,31日- - - - - -33}尽管不同的危险因素和临床特点的婴儿,在每个诊断CP组匹配的流行数字文献中找到。^{52- - - - - -54}这种一致性表明结果可归纳的临床随访项目以前的婴儿在新生儿重症监护室基于神经发育不良的风险增加。

本研究也有一些局限性。使用一个单独的数据集方法开发限制的CP患儿人数可以包含在外部效度的评估。这个小示例限制执行CP亚型的子群分析的可能性和GMFCS水平。进一步的研究可以评估深度学习的有效性方法在不同类型的CP和单独的医疗风险因素。一些孩子们评估CP在2岁之前,这可能导致缺乏识别的几个孩子轻微的表型。短期随访持续时间也可能产生不准确GMFCS分类,因为较低的可靠性不足2年的儿童。⁵⁵然而,不准确的GMFCS几个孩子不太可能改变的分类结果,因为分类的一般解释很少从回廊CP nonambulatory CP,反之亦然。⁵⁵

目前的研究包括视频记录使用标准化的设置;因此,深度上优于CP预测方法需要验证使用家庭智能手机录音。预测模型也可以细化通过扩展框架的序列包括面部表情和精细运动功能可能与CP的手指和脚趾⁴³包括技术,如时间的关注,⁴⁰使不同影响的CP的风险不同的5秒钟windows骨架序列。

预后研究,小说的深度上优于CP预测模型预测准确度了GMA的结果在一个外部多中心的高危婴儿样本。婴儿之间的预测模型也有区别与动态vs nonambulatory CP和婴儿痉挛的单边vs痉挛性双边CP。一个完全自动化的CP运动分析预测可以作为一个重要的决定支持临床医生照顾高危婴儿。^18,21需要进一步的研究来确定特定的运动与CP相关生物标志物的结果和促进广泛的临床使用。

发表:2022年5月10日。

发表:2022年7月11日。doi:10.1001 / jamanetworkopen.2022.21325

开放:这是一个开放的分布式根据文章CC-BY许可证。©2022谷鲁斯D等。狗万体育下载地址《美国医学会杂志》网络开放。

通讯作者:Lars中PT博士,分子和临床医学系,挪威科技大学康Kyrres门11日7030特隆赫姆挪威(lars.adde@ntnu.no)。

作者的贡献:Drs中采用和Ihlen完全访问所有的数据研究,负责数据的完整性和数据分析的准确性。谷鲁斯先生和博士中采用了同样co-first作者。Drs Ihlen和Støen同样文章的第二作者。

概念和设计:中,谷鲁斯·德·雷尼埃、Fjørtoft Gaebler-Spira,姆梭尔,Ramampiaro, Van den Broeck,Øberg, Ihlen Støen。

数据的采集、分析或解释:中谷鲁斯,《吉,de雷尼埃Haukeland, Loennecken,姆梭尔,Moinichen,帕斯卡,佩顿,施赖伯,西尔伯格,Songstad,托马斯,Ihlen Støen。

起草的手稿:中谷鲁斯,Haukeland Ramampiaro,西尔伯格,Ihlen。

关键的修订手稿的重要知识内容:中谷鲁斯,《吉,de雷尼埃Fjørtoft, Gaebler-Spira, Loennecken,姆梭尔,Moinichen,帕斯卡,佩顿,Ramampiaro,施赖伯,Songstad,托马斯,Van den Broeck,Øberg, Ihlen Støen。

统计分析:中谷鲁斯,Haukeland、Loennecken Ihlen。

获得资助:中,吉多·德·雷尼埃姆梭尔,Ihlen。

行政、技术或材料支持:中,《吉、Moinichen佩顿,施赖伯,西尔伯格,Songstad,Øberg Ihlen。

监督:中,德雷尼埃,Fjørtoft姆梭尔,Ramampiaro, Van den Broeck, Ihlen Støen。

利益冲突的披露:鲍斯威尔女士报告收到D.E. Shaw的朋友资助学徒期间进行的研究。de雷尼埃博士报道收到D.E. Shaw的朋友资助学徒期间进行的研究。佩顿博士报告接收个人费用的一般运动工作之外提交的信任。Ihlen博士报道接受赠款从挪威的研究委员会在进行这项研究的。没有其他信息披露报告。

资金/支持:本研究支持格兰特联络委员会的90056100中央挪威区域卫生机关和挪威科技大学;授予327146年从挪威的研究委员会;赠款从D.E. Shaw和学徒的朋友;联合研究委员会资助的圣康医院,特隆赫姆大学医院、医学院和挪威科技大学健康科学;和注册学生组织资助的医学和健康科学学院挪威科技大学。

资助者的角色/赞助商:资金组织没有参与这项研究的设计和实施;的收集、管理、分析和解释数据;准备、审查或批准的手稿;并决定提交出版的手稿。

额外的贡献:作者感谢父母和孩子的新生儿学专家参与本研究,招募了婴儿。我们还要感谢阿斯特丽德Ustad、女士和莱拉Kristoffersen,博士,挪威科技大学;兰迪湾,女士,圣康医院,特隆赫姆大学医院;每贡纳Sandstrøm、PT和Gunfrid诉Størvold博士Nord-Trøndelag医院的信任;凯瑟琳Labori、PT、北挪威大学医院;和Annamarie Russow,地中海,安和罗伯特·h·Lurie芝加哥儿童医院的支持进行录像和组织和管理数据文件和分析。没有额外的补偿提供了通常的工资以外的任何贡献者。