- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05858892
Sammenligning af et kunstig intelligens-assisteret rehabiliteringsprogram for skuldermuskuloskeletale lidelser og terapeuters kliniske beslutningstagning
5. maj 2023 opdateret af: Taipei Medical University Shuang Ho Hospital
Mennesker med skulderlidelser i bevægeapparatet blandt midaldrende og ældre voksne har det største behov for rehabiliteringstilbud.
Befolkningsvæksten og det aldrende samfund øger efterfølgende antallet af handicappede, sundhedsudgifterne og behovet for sundhedspersonale.
Der findes beviser for at understøtte den gavnlige effekt af øvelser på funktion og livskvalitet.
Traditionelt er et rehabiliteringsprogram designet af terapeuter til hver patient afhængigt af deres tilstand.
I de senere år er AI i stigende grad blevet ansat inden for fysisk og rehabiliteringsmedicin, men der er ingen undersøgelse af at anvende AI til at forudsige genoptræningsprogrammer for skuldermuskuloskeletale lidelser.
Hovedformålet med denne undersøgelse er at udforske mulighederne for at bruge superviseret maskinlæringstilgang til at forudsige genoptræningsprogrammer for skuldermuskuloskeletale lidelser.
Treogtyve træk er identificeret baseret på skulderens bevægelsesområde, smerte, uanset om du udfører kirurgisk indgreb eller ej.
Hver øvelse betragtes som en etiket med i alt femogtyve øvelser.
Datasæt indsamles af kliniske terapeuter for at udvikle og træne modellen.
Hver patient skal have mindst to måneders rehabilitering og to gange evaluering.
Logistisk regression, støttevektormaskine og tilfældig skov bruges til at bygge beregningsmodellen.
Nøjagtighed, præcision, genkaldelse, F-1-score og AUC bruges til at evaluere præstationen af beregningsmodellen i maskinlæring.
Efter træning sammenligner vi konsistensen af rehabiliteringsprogrammer forudsagt ved hjælp af maskinlæringsmodellen og terapeuters kliniske beslutningstagning.
Studieoversigt
Status
Rekruttering
Intervention / Behandling
Undersøgelsestype
Observationel
Tilmelding (Forventet)
80
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Hanyun Hsiao, master
- Telefonnummer: 1624 +88622490088
- E-mail: 10252@s.tmu.edu.tw
Studiesteder
-
-
-
New Taipei City, Taiwan, 235
- Rekruttering
- Shuang Ho Hospital
-
Kontakt:
- Hanyun Hsiao, master
- Telefonnummer: 1624 +88622490088
- E-mail: 10252@s.tmu.edu.tw
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Muskuloskeletale lidelser, der almindeligvis forårsager skuldersmerter i klinikken, omfatter Adhesive Capsulitis af skulder (AC eller frossen skulder), Rotator Cuff Tear or Rupture (RCT) og Shoulder Impingement Syndrome (SIS).
Forekomsten af AC i den generelle befolkning er ca. 2-5%, mest almindeligt forekommende hos kvinder i alderen 40-60 år; forekomsten af RCT er 20,7 % og stiger med alderen, oftest forbundet med SIS er den hyppigste årsag til skuldersmerter, der tegner sig for omkring 44-65 % af tilfældene, som normalt rammer personer over 40 år.
Beskrivelse
Inklusionskriterier:
- Koderne til International Classification of Diseases, 10. revision (ICD-10) blev udvalgt før studiet startede og omfattede ICD-10 koderne M75 (Skulderlæsioner), S42 (Fraktur af skulder og overarm), S43 (Dislokation og forstuvning af led). og ledbånd i skulderbæltet) og S46 (Skader i muskler, fascia og sener i skulder- og overarmsniveau)
- Patienter, der har brug for genoptræning efter at have gennemgået et kirurgisk indgreb og er i stand til at udføre stræk, aktivt bevægelsesområde (AAROM) eller overvåget aktivt bevægeudslag (AROM)
- mellem 20-80 år
- Er i stand til at følge motoriske kommandoer
Ekskluderingskriterier:
- Patienter med sygdom i det centrale og perifere nervesystem, såsom cerebrovaskulær ulykke (CVA), Parkinsons sygdom (PD), myasthenia gravis (MG), poliomyelitis
- Patienter, der havde skulderkontusion, vaskulær skade, alvorlig klemskade og amputation
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
skulder muskuloskeletale gruppe
Koderne til International Classification of Diseases, 10. revision (ICD-10) blev udvalgt før studiet startede og omfattede ICD-10 koderne M75 (Skulderlæsioner), S42 (Fraktur af skulder og overarm), S43 (Dislokation og forstuvning af led). og ledbånd i skulderbæltet) og S46 (Skader i muskler, fascia og sener i skulder- og overarmsniveau)
|
sædvanlig pleje (rehabiliteringsprogram)
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed
Tidsramme: Ændring fra baseline efter 2 måneder
|
At udforske mulighederne for at bruge overvåget maskinlæringstilgang til at forudsige rehabiliteringsprogrammer for skuldermuskuloskeletale lidelser
|
Ændring fra baseline efter 2 måneder
|
|
Præcision
Tidsramme: Ændring fra baseline efter 2 måneder
|
At udforske mulighederne for at bruge overvåget maskinlæringstilgang til at forudsige rehabiliteringsprogrammer for skuldermuskuloskeletale lidelser
|
Ændring fra baseline efter 2 måneder
|
|
Minde om
Tidsramme: Ændring fra baseline efter 2 måneder
|
At udforske mulighederne for at bruge overvåget maskinlæringstilgang til at forudsige rehabiliteringsprogrammer for skuldermuskuloskeletale lidelser
|
Ændring fra baseline efter 2 måneder
|
|
F-1 score
Tidsramme: Ændring fra baseline efter 2 måneder
|
At udforske mulighederne for at bruge overvåget maskinlæringstilgang til at forudsige rehabiliteringsprogrammer for skuldermuskuloskeletale lidelser
|
Ændring fra baseline efter 2 måneder
|
|
AUC
Tidsramme: Ændring fra baseline efter 2 måneder
|
At udforske mulighederne for at bruge overvåget maskinlæringstilgang til at forudsige rehabiliteringsprogrammer for skuldermuskuloskeletale lidelser
|
Ændring fra baseline efter 2 måneder
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- Burns DM, Leung N, Hardisty M, Whyne CM, Henry P, McLachlin S. Shoulder physiotherapy exercise recognition: machine learning the inertial signals from a smartwatch. Physiol Meas. 2018 Jul 23;39(7):075007. doi: 10.1088/1361-6579/aacfd9.
- Challoumas D, Biddle M, McLean M, Millar NL. Comparison of Treatments for Frozen Shoulder: A Systematic Review and Meta-analysis. JAMA Netw Open. 2020 Dec 1;3(12):e2029581. doi: 10.1001/jamanetworkopen.2020.29581.
- Linsell L, Dawson J, Zondervan K, Rose P, Randall T, Fitzpatrick R, Carr A. Prevalence and incidence of adults consulting for shoulder conditions in UK primary care; patterns of diagnosis and referral. Rheumatology (Oxford). 2006 Feb;45(2):215-21. doi: 10.1093/rheumatology/kei139. Epub 2005 Nov 1.
- Oude Nijeweme-d'Hollosy W, van Velsen L, Poel M, Groothuis-Oudshoorn CGM, Soer R, Hermens H. Evaluation of three machine learning models for self-referral decision support on low back pain in primary care. Int J Med Inform. 2018 Feb;110:31-41. doi: 10.1016/j.ijmedinf.2017.11.010. Epub 2017 Nov 23.
- Gupta R, Srivastava D, Sahu M, Tiwari S, Ambasta RK, Kumar P. Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Mol Divers. 2021 Aug;25(3):1315-1360. doi: 10.1007/s11030-021-10217-3. Epub 2021 Apr 12.
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
11. juli 2022
Primær færdiggørelse (Forventet)
30. april 2024
Studieafslutning (Forventet)
30. april 2024
Datoer for studieregistrering
Først indsendt
5. maj 2023
Først indsendt, der opfyldte QC-kriterier
5. maj 2023
Først opslået (Faktiske)
15. maj 2023
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
15. maj 2023
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
5. maj 2023
Sidst verificeret
1. juni 2022
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- N202206013
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
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 .
Kliniske forsøg med Maskinelæring
-
Kırıkkale UniversityTilmelding efter invitationÅndelig omsorg | Flipped Learning ModelTyrkiet (Türkiye)
-
Hand & Reconstructive MicrosurgeryAfsluttetMasselæring, Spaced Learning, Mikrokirurgi
-
National Taiwan University HospitalRekrutteringDyb læring | Ammende | Mechine Learning | Kunstig intelligens (AI)Taiwan
-
RenJi HospitalIkke rekrutterer endnuAnvendelse af kunstig intelligens Deep Learning-teknologi i magnetisk resonans lumbal billeddannelseDeep Learning, Lumbal Magnetic Resonance Imaging
-
Cairo UniversityIkke rekrutterer endnuEndodonti | AI (kunstig intelligens) | Deep Learning Model | Perforering | Missede kanaler | Endodontisk genbehandling | Non-surgical Retreatment | DIFFICULTY ASSESSMENT | SEPARATED INSTRUMENT | Poor Obturation | Obturation Quality
-
HITEC-Institute of Medical SciencesAfsluttetOSCE (Objective Structured Clinical Examination) | TBL (Team Based Learning) | Undervisning af kliniske færdigheder til medicinske studerendePakistan
-
Seoul National University Bundang HospitalIkke rekrutterer endnuSlagvolumen variation | Pulstrykvariation | Deep Learning Model | Arterielle bølgerefleksioner | Perifer veneKorea, Republikken
-
Fenerbahce UniversityIkke rekrutterer endnuSkulderdystoci-træning med AI-understøttet flipped learning i jordemoderuddannelsenTyrkiet (Türkiye)
-
Yang ChaonanIkke rekrutterer endnuRisikofaktorer | Kritisk syge patienter | Trykskade | Machine Learning Algoritmer
-
University of ZurichRekrutteringForudsigelse af slagtilfældeudfald understøttet af Deep Learning AlgorithmSchweiz
Kliniske forsøg med sædvanlig pleje
-
University of PennsylvaniaNational Cancer Institute (NCI); American Cancer Society, Inc.AfsluttetFibrose | Hoved- og halskræft | LymfødemForenede Stater
-
Massachusetts General HospitalNational Institutes of Health (NIH); Samaritans of BostonIkke rekrutterer endnuEt sundhedssystem/fællesskabspartnerskab for øget opsøgende indsats for at forhindre selvmordsforsøgSelvmordstanker | Selvmord, Forsøg | Selvmord
-
Zhejiang Provincial Tongde HospitalAfsluttetKognitiv dysfunktion | Alzheimers sygdom | Mild kognitiv svækkelseKina
-
University of ManitobaChildren's Hospital Research Institute of Manitoba; Specialized Services...Aktiv, ikke rekrutterendeStress, psykologisk | Stress, følelsesmæssig | Børns udvikling | Psykisk sundhedsproblem | FamiliedynamikCanada
-
Albert Einstein College of MedicineColumbia University; University of Rochester; Rutgers UniversityAfsluttetPædiatrisk fedme | Caries i tidlig barndomForenede Stater
-
The University of Tennessee, KnoxvilleNational Institute on Deafness and Other Communication Disorders (NIDCD)Aktiv, ikke rekrutterendeTegnsprogsfærdighederForenede Stater
-
University of Alabama, TuscaloosaRekruttering
-
Duke UniversityNational Institutes of Health (NIH)RekrutteringHæmatopoietisk stamcelletransplantation | CAR-T celleterapiForenede Stater
-
Massachusetts General HospitalNational Cancer Institute (NCI)RekrutteringSeksuel dysfunktion | Stamcelletransplantationskomplikationer | KnoglemarvstransplantationskomplikationerForenede Stater
-
Ohio State UniversityRekrutteringFødselsdepression | Postpartum angst | Kardiometabolisk syndromForenede Stater