- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT05777304
Sensores portátiles y aprendizaje automático para la evaluación del riesgo biomecánico en tareas de elevación
21 de diciembre de 2023 actualizado por: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA
Sensores portátiles y aprendizaje automático: un enfoque tecnológico para la evaluación de riesgos biomecánicos en tareas de elevación
Levantar cargas puede causar trastornos musculoesqueléticos relacionados con el trabajo.
El Instituto Nacional para la Seguridad y Salud Ocupacional (NIOSH) estableció una metodología para evaluar las acciones de levantamiento por medio de un método cuantitativo basado en la intensidad, duración, frecuencia y otras características geométricas del levantamiento.
La tecnología de sensores inerciales corporales brinda una serie de oportunidades para mejorar la seguridad y la salud de los trabajadores que realizan trabajos físicos.
Los sistemas de seguimiento de movimiento junto con los algoritmos de aprendizaje automático (ML) se utilizan en el campo de la ergonomía para la evaluación de riesgos biomecánicos mediante datos adquiridos por sistemas inerciales portátiles.
Los investigadores plantearon la cuestión de si es posible clasificar las tareas de elevación pertenecientes a diferentes clases de riesgo según el valor de LI utilizando un enfoque de aprendizaje automático mediante características extraídas de señales sin procesar.
El objetivo de este estudio fue desarrollar y validar, a través de algoritmos ML, un sistema de detección no invasivo de parámetros cinético-cinemáticos utilizando sensores IMU y EMG, para la evaluación ergonómica del riesgo asociado a una actividad de elevación de carga.
Descripción general del estudio
Estado
Terminado
Condiciones
Intervención / Tratamiento
Descripción detallada
El estudio prevé el enrolamiento voluntario de sujetos sanos, remitidos a clínicas de tratamiento de patologías laborales (excluyendo sujetos < 18 años o > 65 años, y aquellos con patología musculoesquelética u otras patologías incapacitantes en curso), para la realización de dos pruebas de levantamiento repetido .
Las dos pruebas están configuradas para corresponder respectivamente a las dos clases de riesgo de NIOSH (LI<1, SIN RIESGO; y LI>1, RIESGO).
Los sensores IMU proporcionan de forma inalámbrica una serie de datos de los que se pretende extraer una serie de características (feature extract) que tienen un alto poder predictivo, mediante la técnica de procesamiento digital de señales mediante un software dedicado (i.e.
Matlab, SPSS).
En un segundo paso, se agregarán al análisis los datos obtenidos de los sensores EMG.
Entre los diferentes algoritmos de inteligencia artificial, el investigador buscará aquellos que sean más capaces de discriminar las distintas clases de riesgo a partir de los parámetros extraídos de las señales detectadas durante la tarea motriz.
Tipo de estudio
De observación
Inscripción (Actual)
41
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
18 años a 65 años (Adulto, Adulto Mayor)
Acepta Voluntarios Saludables
Sí
Método de muestreo
Muestra no probabilística
Población de estudio
voluntario sano derivado a clínicas de tratamiento por patologías relacionadas con el trabajo
Descripción
Criterios de inclusión:
- sujetos sanos
Criterio de exclusión:
- sujetos con patologías musculoesqueléticas u otras patologías incapacitantes en curso
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Validación de la estrategia propuesta para evaluar el riesgo de actividades de levantamiento, según RNLE
Periodo de tiempo: primer año
|
grado de precisión y AucRoc
|
primer año
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Investigadores
- Investigador principal: Edda Capodaglio, PhD, ICS Maugeri IRCCS
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
Publicaciones Generales
- 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.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
7 de octubre de 2010
Finalización primaria (Actual)
24 de enero de 2022
Finalización del estudio (Actual)
6 de mayo de 2022
Fechas de registro del estudio
Enviado por primera vez
2 de marzo de 2023
Primero enviado que cumplió con los criterios de control de calidad
17 de marzo de 2023
Publicado por primera vez (Actual)
21 de marzo de 2023
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
28 de diciembre de 2023
Última actualización enviada que cumplió con los criterios de control de calidad
21 de diciembre de 2023
Última verificación
1 de diciembre de 2023
Más información
Términos relacionados con este estudio
Palabras clave
Otros números de identificación del estudio
- 2475
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
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. .