- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05777304
Tragbare Sensoren und maschinelles Lernen zur Bewertung des biomechanischen Risikos bei Hebeaufgaben
21. Dezember 2023 aktualisiert von: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA
Tragbare Sensoren und maschinelles Lernen: ein technologischer Ansatz zur biomechanischen Risikobewertung bei Hebeaufgaben
Das Heben von Lasten kann arbeitsbedingte Muskel-Skelett-Erkrankungen verursachen.
Das National Institute for Occupational Safety and Health (NIOSH) hat eine Methodik zur Bewertung von Hebevorgängen mithilfe einer quantitativen Methode entwickelt, die auf Intensität, Dauer, Häufigkeit und anderen geometrischen Merkmalen des Hebens basiert.
Am Körper getragene Trägheitssensortechnologie bietet eine Reihe von Möglichkeiten, die Sicherheit und Gesundheit von Arbeitern bei körperlicher Arbeit zu verbessern.
Bewegungsverfolgungssysteme zusammen mit Algorithmen des maschinellen Lernens (ML) werden im ergonomischen Bereich für die biomechanische Risikobewertung mithilfe von Daten verwendet, die von tragbaren Inertialsystemen erfasst werden.
Die Forscher stellten sich die Frage, ob es möglich ist, Hebeaufgaben verschiedener Risikoklassen nach dem Wert von LI mit einem maschinellen Lernansatz anhand von aus Rohsignalen extrahierten Merkmalen zu klassifizieren.
Ziel dieser Studie war die Entwicklung und Validierung eines nicht-invasiven Erfassungssystems kinetisch-kinematischer Parameter unter Verwendung von IMU- und EMG-Sensoren durch ML-Algorithmen zur ergonomischen Bewertung des mit einer Lasthebetätigkeit verbundenen Risikos.
Studienübersicht
Detaillierte Beschreibung
Die Studie sieht die freiwillige Aufnahme gesunder Probanden vor, die sich auf Behandlungskliniken für arbeitsbedingte Pathologien beziehen (ausgenommen Probanden im Alter von < 18 oder > 65 Jahren und solche mit muskuloskelettalen Pathologien oder anderen behindernden Pathologien im Gange), um zwei wiederholte Hebetests durchzuführen .
Die beiden Tests sind so aufgebaut, dass sie den beiden NIOSH-Risikoklassen entsprechen (LI<1, KEIN RISIKO; und LI>1, RISIKO).
Die IMU-Sensoren liefern drahtlos eine Reihe von Daten, aus denen eine Reihe von Merkmalen (Merkmalsextraktion) extrahiert werden sollen, die eine hohe Vorhersagekraft haben, durch die digitale Signalverarbeitungstechnik unter Verwendung dedizierter Software (d. h.
Matlab, SPSS).
In einem zweiten Schritt werden Daten von EMG-Sensoren in die Analyse aufgenommen.
Unter den verschiedenen Algorithmen der künstlichen Intelligenz wird der Ermittler diejenigen suchen, die am besten in der Lage sind, die verschiedenen Risikoklassen auf der Grundlage der Parameter zu unterscheiden, die aus den während der motorischen Aufgabe erfassten Signalen extrahiert werden.
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
41
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 65 Jahre (Erwachsene, Älterer Erwachsener)
Akzeptiert gesunde Freiwillige
Ja
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Gesunder Freiwilliger, der sich an Behandlungskliniken für arbeitsbedingte Pathologien überweist
Beschreibung
Einschlusskriterien:
- gesunde Themen
Ausschlusskriterien:
- Patienten mit muskuloskelettalen Pathologien oder anderen behindernden Pathologien im Gange
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Validierung der vorgeschlagenen Strategie zur Bewertung des Risikos von Hebetätigkeiten, laut RNLE
Zeitfenster: erstes Jahr
|
Genauigkeitsgrad und AucRoc
|
erstes Jahr
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Ermittler
- Hauptermittler: Edda Capodaglio, PhD, ICS Maugeri IRCCS
Publikationen und hilfreiche Links
Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.
Allgemeine Veröffentlichungen
- Donisi L, Cesarelli G, Capodaglio E, Panigazzi M, D'Addio G, Cesarelli M, Amato F. A Logistic Regression Model for Biomechanical Risk Classification in Lifting Tasks. Diagnostics (Basel). 2022 Oct 29;12(11):2624. doi: 10.3390/diagnostics12112624.
- Donisi L, Cesarelli G, Pisani N, Ponsiglione AM, Ricciardi C, Capodaglio E. Wearable Sensors and Artificial Intelligence for Physical Ergonomics: A Systematic Review of Literature. Diagnostics (Basel). 2022 Dec 5;12(12):3048. doi: 10.3390/diagnostics12123048.
- Donisi L, Capodaglio EM, Amitrano F, Cesarelli G, Pagano G, D'Addio G. A multiple linear regression approach to extimate lifted load from features extracted from inertial data. G Ital Med Lav Ergon. 2021 Dec;43(4):373-378.
- Donisi L, Cesarelli G, Coccia A, Panigazzi M, Capodaglio EM, D'Addio G. Work-Related Risk Assessment According to the Revised NIOSH Lifting Equation: A Preliminary Study Using a Wearable Inertial Sensor and Machine Learning. Sensors (Basel). 2021 Apr 7;21(8):2593. doi: 10.3390/s21082593.
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 (Tatsächlich)
7. Oktober 2010
Primärer Abschluss (Tatsächlich)
24. Januar 2022
Studienabschluss (Tatsächlich)
6. Mai 2022
Studienanmeldedaten
Zuerst eingereicht
2. März 2023
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
17. März 2023
Zuerst gepostet (Tatsächlich)
21. März 2023
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
28. Dezember 2023
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
21. Dezember 2023
Zuletzt verifiziert
1. Dezember 2023
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Andere Studien-ID-Nummern
- 2475
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
NEIN
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .