Papel de la inteligencia artificial en la predicción de la fatiga muscular mediante el entrenamiento de realidad virtual
8 de junio de 2023 actualizado por: Rami Abbas, Beirut Arab University
Papel de la inteligencia artificial en la predicción de la fatiga muscular mediante el entrenamiento de realidad virtual en sujetos sanos y post COVID19
El objetivo de este estudio de predicción observacional es predecir la fatiga muscular utilizando un algoritmo de IA específico en individuos sanos frente a personas post-infectadas con Covid-19. La pregunta principal que pretende responder es:
¿Se puede usar la inteligencia artificial como una fuente confiable para predecir la fatiga muscular localizada en individuos sanos frente a personas post-infectadas con Covid-19?
Los participantes se dividirán en dos grupos: un grupo saludable y un grupo post Covid-19.
- Cada grupo se someterá a un proceso de familiarización antes del inicio de los ejercicios.
- A continuación, cada grupo realizará ejercicios de sentadillas guiados por el aparato de realidad virtual kynpasis.
- Se tomará sEMG para el vasto lateral y el recto femoral, la expansión torácica y las mediciones goniométricas de la rodilla durante diferentes niveles de fatiga informados utilizando el sistema Biopac.
- Los grupos continuarán en cuclillas mientras registran sus niveles subjetivos de fatiga utilizando la escala de Borg.
- Luego, los datos se ejecutarán a través de procesos de aprendizaje automático para producir un algoritmo de inteligencia artificial capaz de predecir la fatiga muscular aislada.
Descripción general del estudio
Estado
Terminado
Condiciones
Intervención / Tratamiento
Descripción detallada
Los participantes se dividieron en dos grupos, uno compuesto por individuos sanos y otro compuesto por sujetos con Covid-19. Ambos grupos recibieron un entrenamiento de familiarización con el ejercicio a realizar con 15 minutos de descanso posterior, antes del inicio de la recolección de datos.
El ejercicio de sentadillas se realizó utilizando una máquina de realidad virtual (VR) (kynapsis) como guía en ambos grupos. Se realizaron sentadillas mientras las manos se mantenían frente a los cuerpos y las rodillas flexionadas a 90 grados siguiendo un ritmo de dos segundos de descenso, dos segundos de ascenso imitando el movimiento realizado en la máquina de realidad virtual.
Se consideraron variables adicionales, incluida la expansión del tórax y el rango de movimiento con un goniómetro eléctrico, todo medido y registrado con el Biopac (BIOPAC Systems, Inc., Santa Barbara, CA) que, según la evidencia, posee un paso alto. filtro de frecuencia y sistema de electrodos bipolares.
Los músculos evaluados son las 3 cabezas del músculo QF RF, VM y VL. Sus áreas fueron limpiadas con alcohol y rasuradas para reducir la resistencia de los electrodos. Se colocaron tres electrodos de superficie sEMG desechables, dos de ellos en el vientre del músculo con una distancia de 2,5 cm entre ellos, y un electrodo de control colocado en el lado agonista, se le pidió al participante que extendiera la rodilla y la flexionara contra resistencia para ubicar el lateral y el lateral. vasto medial. Se colocaron electrodos sEMG en las subdivisiones del músculo QF durante el ejercicio. Los datos extraídos luego se ejecutan a través de un algoritmo de inteligencia artificial que analizará y predecirá la fatiga muscular.
La escala de Borg (C-10) se explicó a los participantes y estuvo presente frente a ellos mientras realizaban el ejercicio como una medida de resultado para evaluar la fatiga muscular subjetiva que una vez alcanzada terminará el ejercicio.
Tipo de estudio
De observación
Inscripción (Actual)
90
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
-
Beirut, Líbano
- Ahmad ElMelhat
-
-
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
- Adulto
Acepta Voluntarios Saludables
Sí
Método de muestreo
Muestra de probabilidad
Población de estudio
La población de estudio estuvo compuesta por dos grupos.
- Individuos sanos no atléticos que no realizaron ninguna actividad intensa durante los últimos 3 días y que no se habían puesto en contacto con Covid-19 anteriormente.
- Individuos sanos no atléticos que no realizaron actividades intensas durante los últimos 3 días pero que tienen una prueba de PCR positiva confirmada realizada dentro de un intervalo de 1 año.
Descripción
Criterios de inclusión:
- Todos los sujetos incluidos en ambos grupos del estudio deben ser individuos sanos no atléticos, que evitaron actividades intensas en los últimos 3 días. Los sujetos incluidos en el grupo Covid-19 deben tener una prueba de PCR positiva confirmada realizada en un intervalo de 1 año.
Criterio de exclusión:
- Los sujetos que no cumplan con los criterios de inclusión, sean geriátricos de edad avanzada (más de 50 años), o que presenten algún trastorno respiratorio, cardíaco, renal, neuromuscular, ortopédico y musculoesquelético deben ser excluidos del estudio. Los fumadores y algunos usuarios de drogas medicinales deben tenerse en cuenta porque afecta el rendimiento y aumenta los niveles de fatiga.
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
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Grupo Saludable
|
El ejercicio de sentadillas se realizó utilizando una máquina de realidad virtual (VR) (kynapsis) como guía en ambos grupos.
Se realizaron sentadillas mientras las manos se mantenían frente a los cuerpos y las rodillas flexionadas a 90 grados siguiendo un ritmo de dos segundos de descenso, dos segundos de ascenso imitando el movimiento realizado en la máquina de realidad virtual.
|
|
Grupo Post Covid-19
|
El ejercicio de sentadillas se realizó utilizando una máquina de realidad virtual (VR) (kynapsis) como guía en ambos grupos.
Se realizaron sentadillas mientras las manos se mantenían frente a los cuerpos y las rodillas flexionadas a 90 grados siguiendo un ritmo de dos segundos de descenso, dos segundos de ascenso imitando el movimiento realizado en la máquina de realidad virtual.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Electromiografía de superficie
Periodo de tiempo: Durante el ejercicio de sentadillas.
|
técnica no invasiva donde se colocaron electrodos en las cabezas vastus lateralis y rectus femoris del músculo cuádriceps femoris, evaluando su producción mioeléctrica.
Sus áreas fueron limpiadas con alcohol y rasuradas para reducir la resistencia de los electrodos.
Se colocaron tres electrodos de superficie sEMG desechables, dos de ellos en el vientre del músculo con una distancia de 2,5 cm entre ellos, y un electrodo de control colocado en el lado agonista, se le pidió al participante que extendiera la rodilla y la flexionara contra resistencia para ubicar el lateral y el lateral. vasto medial.
Se colocaron electrodos sEMG en las subdivisiones del músculo QF durante el ejercicio.
Los datos extraídos luego se ejecutan a través de un algoritmo de inteligencia artificial que analizará y predecirá la fatiga muscular.
|
Durante el ejercicio de sentadillas.
|
|
La escala de Borg Rating of Perceived Esfuerzo (RPE)
Periodo de tiempo: Durante el ejercicio de sentadillas.
|
Una herramienta para medir el esfuerzo y el esfuerzo de un individuo, la disnea y la fatiga durante el trabajo físico, por lo que es muy relevante para la práctica de la salud y la seguridad en el trabajo.
Va desde 6 como mínimo hasta 20 como máximo, donde 6 significa que no hay esfuerzo y 20 significa esfuerzo máximo extremo.
|
Durante el ejercicio de sentadillas.
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Expansión de pecho.
Periodo de tiempo: Durante el ejercicio de sentadillas.
|
Usando un transductor de respiración envuelto alrededor del pecho del sujeto usando una correa de velcro que transmite datos de expansión al módulo receptor principal del Biopac, que serán registrados en la computadora.
|
Durante el ejercicio de sentadillas.
|
|
Rango de movimiento.
Periodo de tiempo: Durante el ejercicio de sentadillas.
|
Usando un goniómetro eléctrico conectado a la rodilla del sujeto que transmitirá señales de rango de movimiento al módulo receptor del Biopac que serán registradas en la computadora.
|
Durante el ejercicio de sentadillas.
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
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
- Disser NP, De Micheli AJ, Schonk MM, Konnaris MA, Piacentini AN, Edon DL, Toresdahl BG, Rodeo SA, Casey EK, Mendias CL. Musculoskeletal Consequences of COVID-19. J Bone Joint Surg Am. 2020 Jul 15;102(14):1197-1204. doi: 10.2106/JBJS.20.00847.
- Paneroni M, Simonelli C, Saleri M, Bertacchini L, Venturelli M, Troosters T, Ambrosino N, Vitacca M. Muscle Strength and Physical Performance in Patients Without Previous Disabilities Recovering From COVID-19 Pneumonia. Am J Phys Med Rehabil. 2021 Feb 1;100(2):105-109. doi: 10.1097/PHM.0000000000001641.
- Qian J, McDonough DJ, Gao Z. The Effectiveness of Virtual Reality Exercise on Individual's Physiological, Psychological and Rehabilitative Outcomes: A Systematic Review. Int J Environ Res Public Health. 2020 Jun 10;17(11):4133. doi: 10.3390/ijerph17114133.
- Wan JJ, Qin Z, Wang PY, Sun Y, Liu X. Muscle fatigue: general understanding and treatment. Exp Mol Med. 2017 Oct 6;49(10):e384. doi: 10.1038/emm.2017.194.
- A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload Souchet, A.D., Lourdeaux, D., Pagani, A. et al. A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload. Virtual Reality (2022). https://doi.org/10.1007/s10055-022-00672-0
- Donatelli, R.A. (2007) Sports-specific rehabilitation. St. Louis, MO: Churchill Livingstone.
- Hall, J. E., & Hall, M. E. (2020). Guyton and Hall textbook of medical physiology e-Book. Elsevier Health Sciences.
- Schoenfeld BJ. Squatting kinematics and kinetics and their application to exercise performance. J Strength Cond Res. 2010 Dec;24(12):3497-506. doi: 10.1519/JSC.0b013e3181bac2d7.
- Kubo K, Ikebukuro T, Yata H. Effects of squat training with different depths on lower limb muscle volumes. Eur J Appl Physiol. 2019 Sep;119(9):1933-1942. doi: 10.1007/s00421-019-04181-y. Epub 2019 Jun 22.
- Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019 Jun;6(2):94-98. doi: 10.7861/futurehosp.6-2-94.
- Tack C. Artificial intelligence and machine learning | applications in musculoskeletal physiotherapy. Musculoskelet Sci Pract. 2019 Feb;39:164-169. doi: 10.1016/j.msksp.2018.11.012. Epub 2018 Nov 23.
- Luna A, Casertano L, Timmerberg J, O'Neil M, Machowsky J, Leu CS, Lin J, Fang Z, Douglas W, Agrawal S. Artificial intelligence application versus physical therapist for squat evaluation: a randomized controlled trial. Sci Rep. 2021 Sep 13;11(1):18109. doi: 10.1038/s41598-021-97343-y.
- Alsobhi M, Khan F, Chevidikunnan MF, Basuodan R, Shawli L, Neamatallah Z. Physical Therapists' Knowledge and Attitudes Regarding Artificial Intelligence Applications in Health Care and Rehabilitation: Cross-sectional Study. J Med Internet Res. 2022 Oct 20;24(10):e39565. doi: 10.2196/39565.
- Sun J, Liu G, Sun Y, Lin K, Zhou Z, Cai J. Application of Surface Electromyography in Exercise Fatigue: A Review. Front Syst Neurosci. 2022 Aug 11;16:893275. doi: 10.3389/fnsys.2022.893275. eCollection 2022.
- Al-Mulla MR, Sepulveda F, Colley M. An autonomous wearable system for predicting and detecting localised muscle fatigue. Sensors (Basel). 2011;11(2):1542-57. doi: 10.3390/s110201542. Epub 2011 Jan 27.
- Calder KM, Stashuk DW, McLean L. Physiological characteristics of motor units in the brachioradialis muscle across fatiguing low-level isometric contractions. J Electromyogr Kinesiol. 2008 Feb;18(1):2-15. doi: 10.1016/j.jelekin.2006.08.012. Epub 2006 Nov 20.
- Torvik, G. I., Triantaphyllou, E., Liao, T., & Waly, S. (1999, March). Predicting muscle fatigue via electromyography: A comparative study. In Proceedings of the 25th International Conference on Computers and Industrial Engineering (pp. 277-280)
- Caesaria, A. P., Endro Yulianto, Luthfiyah, S., Triwiyanto, T., & Rizal, A. (2023). Effect of Muscle Fatigue on EMG Signal and Maximum Heart Rate for Pre and Post Physical Activity. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 5(1), 39-45. https://doi.org/10.35882/jeeemi.v5i1.278
- Ahmad I, Kim JY. Assessment of Whole Body and Local Muscle Fatigue Using Electromyography and a Perceived Exertion Scale for Squat Lifting. Int J Environ Res Public Health. 2018 Apr 18;15(4):784. doi: 10.3390/ijerph15040784.
- Dos Santos PK, Sigoli E, Braganca LJG, Cornachione AS. The Musculoskeletal Involvement After Mild to Moderate COVID-19 Infection. Front Physiol. 2022 Mar 18;13:813924. doi: 10.3389/fphys.2022.813924. eCollection 2022.
- Diem L, Fregolente-Gomes L, Warncke JD, Hammer H, Friedli C, Kamber N, Jung S, Bigi S, Funke-Chambour M, Chan A, Bassetti CL, Salmen A, Hoepner R. Fatigue in Post-COVID-19 Syndrome: Clinical Phenomenology, Comorbidities and Association With Initial Course of COVID-19. J Cent Nerv Syst Dis. 2022 May 24;14:11795735221102727. doi: 10.1177/11795735221102727. eCollection 2022.
- Ducrocq GP, Blain GM. Relationship between neuromuscular fatigue, muscle activation and the work done above the critical power during severe-intensity exercise. Exp Physiol. 2022 Apr;107(4):312-325. doi: 10.1113/EP090043. Epub 2022 Mar 4.
- Joli J, Buck P, Zipfel S, Stengel A. Post-COVID-19 fatigue: A systematic review. Front Psychiatry. 2022 Aug 11;13:947973. doi: 10.3389/fpsyt.2022.947973. eCollection 2022.
- Faulkner JA, Larkin LM, Claflin DR, Brooks SV. Age-related changes in the structure and function of skeletal muscles. Clin Exp Pharmacol Physiol. 2007 Nov;34(11):1091-6. doi: 10.1111/j.1440-1681.2007.04752.x.
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)
15 de abril de 2023
Finalización primaria (Actual)
1 de junio de 2023
Finalización del estudio (Actual)
7 de junio de 2023
Fechas de registro del estudio
Enviado por primera vez
3 de abril de 2023
Primero enviado que cumplió con los criterios de control de calidad
13 de abril de 2023
Publicado por primera vez (Actual)
14 de abril de 2023
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
9 de junio de 2023
Última actualización enviada que cumplió con los criterios de control de calidad
8 de junio de 2023
Última verificación
1 de junio de 2023
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- AI in Prediciting Fatigue
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
INDECISO
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. .