ESTIMACIÓN DEL ESTADO DE EQUILIBRIO EN HEMIPARÉTICOS
ESTIMACIÓN DEL ESTADO DE EQUILIBRIO EN PACIENTES CON HEMIPARESIA: IMPLEMENTACIÓN DE UNA RED NEURONAL ARTIFICIAL
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Se registraron los datos demográficos y clínicos de los participantes. La información clínica consiste en algunos datos médicos básicos para los pacientes. Se utilizó la prueba mental de Hodkinson para evaluar el estado cognitivo de los participantes si cumplían con los criterios de inclusión. Se utilizó la prueba de sistemas de evaluación del equilibrio para evaluar el estado de equilibrio de los participantes.
En este estudio se utilizaron ANN de propagación hacia atrás con alimentación hacia adelante mediante el empleo del algoritmo de entrenamiento de Levenberg-Marquardt. En la capa oculta se utilizaron funciones de transferencia hiperbólica tangente. Matlab (Versión R2017b, Mathworks Inc, EE. UU.) se utilizó en el modelado de ANN. El 70 % (n=46), el 15 % (n=10) y el 15 % (n=10) de los datos obtenidos de los participantes se utilizaron para entrenamiento, validación y prueba en el estudio, respectivamente. También se utilizaron modelos de regresión lineal múltiple (MLR) para comparar con ANN.
En primer lugar, se modelaron las ANN para el primer objetivo del estudio. Usamos los datos de las cinco pruebas de equilibrio tradicionales en BESTest que no usaban los valores reales (el tiempo o la distancia), sino solo los valores clasificados (0-3 puntos en BESTest) para entrenar ANN. Cinco pruebas de equilibrio fueron la prueba de alcance funcional (cm), la prueba de bipedestación con una pierna para el lado derecho e izquierdo (seg), la prueba de marcha cronometrada de 6 metros (seg) y la prueba cronometrada de marcha (seg). Luego, comparamos las puntuaciones BESTest manuales totales con las puntuaciones predichas por las ANN.
En segundo lugar, eliminamos 6 secciones de BESTest una por una y modelamos con las 5 secciones restantes de la prueba para estimar la puntuación total de BESTest. Después de este modelado, eliminamos cada ítem uno por uno en la primera sección y estimamos el puntaje total de la primera sección. Repetimos el proceso para todas las secciones del BESTest.
Análisis estadístico
Tipo de estudio
Inscripción (Actual)
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Tener entre 35 y 65 años,
- Capaz de caminar de forma independiente o con una ayuda para caminar,
- Capaz de estar de pie al menos 1 minuto de forma independiente,
- Tener hemiparesia única,
- Obtener al menos 8 puntos en el Test Mental de Hodkinson.
Criterio de exclusión:
- Tener comorbilidades que afecten su equilibrio,
- Tener problemas de comunicación.
- Los pacientes que no pueden comprender las instrucciones que se les dan fueron excluidos del estudio.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Otro
- Perspectivas temporales: Transversal
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Prueba de sistemas de evaluación de equilibrio (BESTest)
Periodo de tiempo: dos años
|
Restricciones biomecánicas, límites de estabilidad/verticalidad, ajustes posturales anticipatorios, respuestas posturales, orientación sensorial y estabilidad en la marcha
|
dos años
|
|
Modelado de Redes Neuronales Artificiales
Periodo de tiempo: dos años
|
comparar las puntuaciones BESTest totales manuales con las puntuaciones predichas por las ANN
|
dos años
|
|
Modelado de Redes Neuronales Artificiales
Periodo de tiempo: dos años
|
determinar las contribuciones más altas de los subconjuntos BESTest para encontrar resultados predictivos de ANN de los subconjuntos BESTest.
|
dos años
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Güzin Kara, PhD, PT, Pamukkale University
Publicaciones y enlaces útiles
Publicaciones Generales
- Kaczmarczyk K, Wit A, Krawczyk M, Zaborski J, Gajewski J. Associations between gait patterns, brain lesion factors and functional recovery in stroke patients. Gait Posture. 2012 Feb;35(2):214-7. doi: 10.1016/j.gaitpost.2011.09.009. Epub 2011 Sep 19.
- Demir U, Kocaoğlu S, Akdoğan E. Human impedance parameter estimation using artificial neural network for modelling physiotherapist motion. Biocybernetics and Biomedical Engineering. 2016; 36(2): 318-326
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 60116787-020/5431
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .