- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05341674
Artificial Intelligence Based Autonomous Socket Proposal Program: Socket Design Experiences
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Til den kunstig intelligens-baserede software, der var planlagt til at blive skabt, blev stumpene fra alle patienter scannet med Artec Eva Lite-mærket 3D-scanner. De scannede mønstre blev gemt som punktskyer. Sokkeldelene af proteserne, der blev brugt af de samme patienter, blev også scannet med den samme scanneranordning og optaget.
Punktdatasættet bestående af stump-socket-matches opnået fra patienterne blev brugt til softwaren.
For at træne kunstig intelligens-modellen er der skabt et arbejdsmiljø, hvor kunstig intelligens-biblioteker og værktøjer kan bruges på computeren. Til dette formål blev den første Anaconda datavidenskabsplatform etableret. Derefter blev Python-programmeringssproget og Tensorflow deep learning-biblioteket installeret, andre biblioteker, der var nødvendige for træningen af den kunstige intelligens-modellen, blev tilføjet, og arbejdsmiljøet blev gjort klar. En deep learning-algoritme blev brugt i den kunstige intelligens-model udviklet til træning af dataene. Formålet med at bruge deep learning, som er en af de mest opdaterede og populære kunstig intelligens-algoritmer, er at opnå mere præcise resultater ved at øge ydeevnen og nøjagtighedsraten. For det første er datasættet 90 % reserveret til træning og 10 % til test. Derefter blev en dyb læringsmodel skabt med Sequantial()-modellen valgt fra Keras-biblioteket. I modellen anvendes i alt 7 lag, hvoraf det første er inputlaget og det sidste er outputlaget. Mens "relu" bruges som aktiveringsfunktion for inputlaget og mellemlag, bruges den "lineære" funktion til outputlaget. Mens man skabte modellen, blev "Adam" valgt som optimeringsværktøj. I modellen trænet med i alt 500 "gentagelser" er "batchstørrelse" tildelt 5. Den trænede model blev derefter testet med testdata og en succesrate på 61 % blev opnået. Bagefter blev model og vægt registreret. Efter at modeluddannelsen var afsluttet, blev der udviklet et nyt Python-program. De tidligere udviklede modeller og vægte blev indlæst, mens programmet kørte, og blev brugt til at foreslå en stikkontakt til de nye matricedata. Når programmet køres, spørges stumpnavnet, som der anmodes om en socket for.
Programmet foreslår således en ny socket efter at have modtaget det stubbede datasæt fra brugeren og testet det i den trænede model. Denne 3D socket model vises til brugeren via Python Plotly Graphics Library.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
Şahinbey
-
Gaziantep, Şahinbey, Kalkun, 27000
- Hasan Kalyoncu University
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Bevidste patienter >18 år, der er blevet amputeret
Ekskluderingskriterier:
• Alvorlig syns- og perceptionsnedsættelse
- Kirurgisk indgreb med funktionelle følgesygdomme i ekstremiteterne
- Smerter, der ikke tillader test at blive udført
- Patienter med sygdomme med neurologisk dysfunktion (apopleksi, multipel sklerose osv.)
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Case-Control
- Tidsperspektiver: Tilbagevirkende kraft
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
---|---|
Model af stubben scannet med en 3d scanner
Til den kunstig intelligens-baserede software, der var planlagt til at blive skabt, blev stumpene fra alle patienter scannet med Artec Eva Lite-mærket 3D-scanner.
De scannede mønstre blev gemt som punktskyer
|
stumpene fra alle patienter blev scannet med Artec Eva Lite-mærket 3D-scanner.
|
Fatning tilpasset stump
Sokkeldelene af proteserne brugt af de samme patienter (med anden gruppe) blev også scannet med den samme scanneranordning og optaget.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Software (Artificial Intelligence Based Autonomous Socket Proposal Program)
Tidsramme: 2 år
|
Fremsynet i den software, der skal udvikles, vil blive evalueret. Det vil blive vurderet, hvor egnet et fatningsdesign kan foreslås til de stubdimensioner, der er indtastet i systemet. Takket være softwaren vil den tid, det tager at designe fatninger, blive sammenlignet med den tid, det tager for fatninger produceret med klassiske metoder. Tids-/omkostningseffektiviteten af softwaren vil blive evalueret. |
2 år
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Ledende efterforsker: Murat ÇINAR, Doctor, Hasan Kalyoncu University
Publikationer og nyttige links
Generelle publikationer
- Ten Kate J, Smit G, Breedveld P. 3D-printed upper limb prostheses: a review. Disabil Rehabil Assist Technol. 2017 Apr;12(3):300-314. doi: 10.1080/17483107.2016.1253117. Epub 2017 Feb 2. Review.
- O'Brien L, Cho E, Khara A, Lavranos J, Lommerse L, Chen C. 3D-printed custom-designed prostheses for partial hand amputation: Mechanical challenges still exist. J Hand Ther. 2021 Oct-Dec;34(4):539-542. doi: 10.1016/j.jht.2020.04.005. Epub 2020 Jun 19.
- Vujaklija I, Farina D. 3D printed upper limb prosthetics. Expert Rev Med Devices. 2018 Jul;15(7):505-512. doi: 10.1080/17434440.2018.1494568. Epub 2018 Jul 5. Review.
- Abbady HEMA, Klinkenberg ETM, de Moel L, Nicolai N, van der Stelt M, Verhulst AC, Maal TJJ, Brouwers L. 3D-printed prostheses in developing countries: A systematic review. Prosthet Orthot Int. 2022 Feb 1;46(1):19-30. doi: 10.1097/PXR.0000000000000057.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- MAC2022
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .