Aprendizaje automático y modelado basado en imágenes 3D para estimar el peso y la composición corporal en tiempo real durante la atención médica de emergencia. Estudio 1
15 de diciembre de 2025 actualizado por: Florida Atlantic University
Aprendizaje automático y modelado basado en imágenes 3D para estimar el peso y la composición corporal en tiempo real durante la atención médica de emergencia. Estudio 1: Establecer un modelo utilizando una única imagen de cámara 3D de un paciente en decúbito supino para estimar con precisión TBW, IBW y LBW.
El objetivo de este estudio observacional es entrenar y validar un sistema de cámara 3D impulsado por IA para estimar el peso corporal total, el peso corporal ideal y el peso corporal magro en voluntarios adultos masculinos y femeninos de todas las edades. Las principales preguntas que este estudio pretende responder son:
- ¿Qué grado de precisión en la estimación del peso podemos lograr con un sistema de estimación de peso con cámara 3D impulsado por IA?
- ¿Esta precisión es la misma en adultos de ambos sexos, de todas las edades y de todos los tipos de cuerpo (bajo peso, peso normal, sobrepeso)? Los participantes se someterán a algunas mediciones antropométricas (altura, circunferencia de la mitad del brazo, circunferencia de peso, circunferencia de la cadera, peso medido), una exploración DXA (para medir el peso corporal magro) e imágenes en 3D con una cámara 3D.
No habrá intervenciones.
Descripción general del estudio
Estado
Retirado
Descripción detallada
Este estudio es un estudio observacional de un solo centro para entrenar, validar internamente y probar un sistema de estimación de peso de cámara 3D impulsado por IA.
Nuestra hipótesis es que este sistema, cuando se utiliza en el tratamiento de pacientes con enfermedades agudas, podrá estimar el peso corporal total, el peso corporal ideal y el peso corporal magro con mayor precisión que otros sistemas actuales en el punto de atención.
Se utilizarán voluntarios sanos para entrenar y probar el sistema.
Durante una única sesión de recopilación de datos de aproximadamente 30 minutos, se capturarán datos antropométricos de referencia, una exploración DXA e imágenes de cámaras en 3D de voluntarios acostados en una camilla médica.
No habrá intervenciones ni seguimiento de los participantes.
Los datos recopilados se utilizarán para entrenar un algoritmo de inteligencia artificial (basado en redes neuronales artificiales) para estimar el peso utilizando una única imagen de profundidad.
Una vez que el sistema de IA esté completamente desarrollado, la precisión de su rendimiento de estimación de peso se evaluará en un conjunto de datos de prueba independiente.
Tipo de estudio
De observación
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.
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
- Adulto Mayor
Acepta Voluntarios Saludables
Sí
Método de muestreo
Muestra no probabilística
Población de estudio
Estudiantes, personal y profesores en el campus de Boca Raton de Florida Atlantic University.
Descripción
Criterios de inclusión:
- Cualquier voluntario dispuesto.
Criterios de exclusión:
- Participantes con un peso corporal que exceda la capacidad de la máquina DXA >204 kg (450 lb);
- Participantes embarazadas;
- Participantes con condiciones médicas que podrían confundir el estudio;
- Participantes con implantes quirúrgicos metálicos;
- Participantes a los que se les haya realizado una radiografía con contraste en la última semana;
- Participantes que hayan tomado suplementos de calcio en las 24 horas previas al estudio.
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 |
|---|---|---|
|
Estimación del ACT
Periodo de tiempo: Base
|
Precisión de la estimación del TBW mediante un sistema de cámara 3D
|
Base
|
|
Estimación del PCI
Periodo de tiempo: Base
|
Precisión de la estimación del PCI mediante un sistema de cámara 3D
|
Base
|
|
Estimación del BPN
Periodo de tiempo: Base
|
Precisión de la estimación del LBW mediante un sistema de cámara 3D
|
Base
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión relacionada con el sexo
Periodo de tiempo: Base
|
Diferencia en precisión entre hombres y mujeres.
|
Base
|
|
Precisión relacionada con la edad
Periodo de tiempo: Base
|
Precisión de la estimación del peso por grupo de edad
|
Base
|
|
Precisión relacionada con el IMC
Periodo de tiempo: Base
|
Precisión de la estimación del peso por subgrupo de estado de peso
|
Base
|
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
- Wells M, Goldstein L. Appropriate Statistical Analysis and Data Reporting for Weight Estimation Studies. Pediatr Emerg Care. 2023 Jan 1;39(1):62-63. doi: 10.1097/PEC.0000000000002862. Epub 2022 Oct 1. No abstract available.
- Wells M, Goldstein LN, Cattermole G. Development and Validation of a Length- and Habitus-Based Method of Ideal and Lean Body Weight Estimation for Adults Requiring Urgent Weight-Based Medical Intervention. Eur J Drug Metab Pharmacokinet. 2022 Nov;47(6):841-853. doi: 10.1007/s13318-022-00796-3. Epub 2022 Sep 19.
- Wells M, Goldstein LN. Estimating Lean Body Weight in Adults With the PAWPER XL-MAC Tape Using Actual Measured Weight as an Input Variable. Cureus. 2022 Sep 17;14(9):e29278. doi: 10.7759/cureus.29278. eCollection 2022 Sep.
- Wells M, Goldstein LN, Alter SM, Solano JJ, Engstrom G, Shih RD. The accuracy of total body weight estimation in adults - A systematic review and meta-analysis. Am J Emerg Med. 2024 Feb;76:123-135. doi: 10.1016/j.ajem.2023.11.037. Epub 2023 Nov 29.
- Wells M, Goldstein LN, Wells T, Ghazi N, Pandya A, Furht B, Engstrom G, Jan MT, Shih R. Total body weight estimation by 3D camera systems: Potential high-tech solutions for emergency medicine applications? A scoping review. J Am Coll Emerg Physicians Open. 2024 Oct 4;5(5):e13320. doi: 10.1002/emp2.13320. eCollection 2024 Oct.
- Sonar VG, Jan MT, Wells M, Pandya A, Engstrom G, Shih R, Furht B. Estimating Body Volume and Height Using 3D Data. arxiv. 2024 September; 2410.02800
- Jan MT, Kumar A, Wells M, Pandya A, Engstrom G, Shih R, Furht B. Comprehensive Survey of Body Weight Estimation: Techniques, Datasets and Applications. Multimedia Tools and Applications. 2024 October
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)
1 de julio de 2025
Finalización primaria (Estimado)
30 de junio de 2026
Finalización del estudio (Estimado)
30 de junio de 2026
Fechas de registro del estudio
Enviado por primera vez
15 de octubre de 2024
Primero enviado que cumplió con los criterios de control de calidad
16 de octubre de 2024
Publicado por primera vez (Actual)
17 de octubre de 2024
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
19 de diciembre de 2025
Última actualización enviada que cumplió con los criterios de control de calidad
15 de diciembre de 2025
Última verificación
1 de diciembre de 2025
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 1791994(1)
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
SÍ
Descripción del plan IPD
Los datos de puntos de nube de imágenes 3D se compartirán, previa solicitud.
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. .