- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05443893
Künstliche Intelligenz in der Kinematikanalyse
1. Juli 2022 aktualisiert von: Zhou Mouwang, Peking University Third Hospital
Anwendungsforschung der Schlüsselpunkterkennungstechnologie der künstlichen Intelligenz in der Kinematikanalyse
- Datensätze erstellen. Der private Datensatz umfasst relevante Parameter, einschließlich Videos des Gangs des Probanden und Standardmethoden für die kinematische Analyse;
- Entwickeln Sie neue Modelle. Basierend auf öffentlichen und privaten Datensätzen wird das kinematische Analysemodell der menschlichen Schlüsselpunkterkennung weiterentwickelt.
- Testen Sie das neue Modell. Durch den Vergleich der Parameter mit der Standardmethode wurde die Genauigkeit des Modells überprüft und ein kinematisches Analysemodell der künstlichen Intelligenz mit einer Genauigkeit von über 98 % erhalten
Studienübersicht
Status
Noch keine Rekrutierung
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Das menschliche Schlüsselpunkterkennungsmodell mit künstlicher Intelligenz verfügt hauptsächlich über traditionelle Algorithmen, drei Methoden: „Top-Down“-Algorithmus und „Bottom-Up“-Algorithmus, wobei drei Methoden Vorteile haben.
In diesem Projekt werden die oben genannten drei Methoden umfassend verwendet, um das Debuggen von Algorithmen und Parametern im öffentlichen Datensatz durchzuführen und im privaten Datensatz zu testen, um die am besten geeignete Methode zur Erkennung menschlicher Schlüsselpunkte für die Ganganalyse zu erhalten
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
30
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Mouwang Zhou
- Telefonnummer: 13910092892
- E-Mail: zhoumouwang@outlook.com
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
18 Jahre bis 75 Jahre (Erwachsene, Älterer Erwachsener)
Akzeptiert gesunde Freiwillige
Nein
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Probanden mit normalem Gang und Probanden mit abnormalem Gang
Beschreibung
Einschlusskriterien:
- 1. Abnormaler Gang.
- Kann 6 m oder mehr selbstständig gehen.
- Älter als 18.
Ausschlusskriterien:
- Im akuten oder frühen postoperativen Stadium kann sich die Fraktur durch Gehen verschlimmern. Sie haben Herz-, Lungen-, Leber- und Nierenerkrankungen sowie andere schwere Erkrankungen, eine Herzfunktion mit einem Grad über GRADE I (NYHA), Atemversagen und andere Symptome und Anzeichen oder überprüfen Sie die Ergebnisse.
- Der mentale und psychologische Zustand kann nicht zum Abschluss des Experiments beitragen.
- Hohes Sturzrisiko (Berg-Score ≤20)
- Geräte zur Analyse der Gangkinematik können nicht zusammen verwendet werden.
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Fallkontrolle
- Zeitperspektiven: Querschnitt
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
---|---|
Normale Themen
Ganganalyse mit künstlicher Intelligenz und traditionellen Methoden
|
Das menschliche Schlüsselpunkterkennungsmodell mit künstlicher Intelligenz verfügt hauptsächlich über traditionelle Algorithmen, drei Methoden: „Top-Down“-Algorithmus und „Bottom-Up“-Algorithmus, wobei drei Methoden Vorteile haben.
In diesem Projekt werden die oben genannten drei Methoden umfassend verwendet, um das Debuggen von Algorithmen und Parametern im öffentlichen Datensatz durchzuführen und im privaten Datensatz zu testen, um die am besten geeignete Methode zur Erkennung menschlicher Schlüsselpunkte für die Ganganalyse zu erhalten
|
Personen mit abnormalem Gang
Ganganalyse mit künstlicher Intelligenz und traditionellen Methoden
|
Das menschliche Schlüsselpunkterkennungsmodell mit künstlicher Intelligenz verfügt hauptsächlich über traditionelle Algorithmen, drei Methoden: „Top-Down“-Algorithmus und „Bottom-Up“-Algorithmus, wobei drei Methoden Vorteile haben.
In diesem Projekt werden die oben genannten drei Methoden umfassend verwendet, um das Debuggen von Algorithmen und Parametern im öffentlichen Datensatz durchzuführen und im privaten Datensatz zu testen, um die am besten geeignete Methode zur Erkennung menschlicher Schlüsselpunkte für die Ganganalyse zu erhalten
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Gangbezogene Parameter
Zeitfenster: 30 Minuten
|
Schrittfrequenz/Tempo/Gangzyklus/Schrittlänge
|
30 Minuten
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Voraussichtlich)
10. Juli 2022
Primärer Abschluss (Voraussichtlich)
29. Juli 2022
Studienabschluss (Voraussichtlich)
30. August 2022
Studienanmeldedaten
Zuerst eingereicht
3. Juni 2022
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
1. Juli 2022
Zuerst gepostet (Tatsächlich)
5. Juli 2022
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
5. Juli 2022
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
1. Juli 2022
Zuletzt verifiziert
1. Juli 2022
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Andere Studien-ID-Nummern
- M2021231
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .