- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT05343585
Tekoälypohjaisen ohjelman kelpoisuus elintarvikkeiden tunnistamiseksi ja ruoka-annoksen koon arvioimiseksi (PortionSizeAI)
Tekoälyyn perustuvan ohjelman pätevyyden testaaminen elintarvikkeiden tunnistamiseksi ja ruoka-annoksen koon arvioimiseksi aikuisten keskuudessa, pilottitutkimus
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Louisiana
-
Baton Rouge, Louisiana, Yhdysvallat, 70808
- Pennington Biomedical Research Center
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Mies vai nainen
- Ikäraja 18-62 vuotta
- Itse ilmoittama painoindeksi (BMI) 18,5-50 kg/m2
Poissulkemiskriteerit:
- Mikä tahansa ehto tai olosuhde, joka voi estää opintojen suorittamisen
- Tuntematon tai ei osaa käyttää iPhonea
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Muut
- Jako: Ei käytössä
- Inventiomalli: Yksittäinen ryhmätehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
---|---|
Kokeellinen: Kokeellinen
|
Tätä pilottitutkimusta varten tutkijat rekrytoivat mukavuusnäytteen avulla jopa 25 aikuista käyttämään Nutrition AI -teknologiaa Openfitissä tunnistamaan ja arvioimaan Pennington Biomedical Research Centerin (PBRC) ja/tai laboratorioympäristössä tarjottujen ruokien annoskokoja. Louisiana State University (LSU).
Nielemiskäyttäytymislaboratorion laboratorion jäsenet testaavat myös Nutrition AI:n kykyä tunnistaa elintarvikkeita ja määrittää laboratoriossa tarjottujen elintarvikkeiden määrä.
Ateriat simuloidaan, eivätkä osallistujat käytä tarjottuja ruokia.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Ruoan tunnistaminen Openfit-mobiilisovelluksella
Aikaikkuna: Yksi opintokäynti ~2 tuntia
|
Sopimus, joka koskee tarjottujen ruokien ja juomien tunnistamista verrattuna tunnettuun tunnistukseen, tuotetasolla ja kaikissa tuotteissa, joiden tunnistaminen määritetään: 1) ravitsemus-AI ilman korjausta (automaattinen), 2) ravitsemus-AI käyttäjän korjauksella (puoliautomaattinen) Jotta Nutrition AI:n avulla tunnistettua ruokaa pidettäisiin täsmällisesti vastaavana, tunnistetun ruoan nimen on vastattava tarjoiltua ruokaa tai vastattava sitä läheisesti. Esimerkiksi hedelmäsalaattiksi tunnistettu hedelmäcocktail on hyväksyttävä ottelu. Osuuksia käytetään arvioitaessa, eroaako Nutrition AI:n oikein tunnistamien päällystettyjen elintarvikkeiden prosenttiosuus niiden elintarvikkeiden prosenttiosuudesta, jotka on tunnistettu oikein kriteerimenetelmällä (ihmisarvioija). Kuvaavia tietoja käytetään myös kuvaamaan, kuinka usein lautaselle asetettu ruoka tunnistettiin oikein kaikkien osallistujien kaikkien elintarvikkeiden osalta. Kaikkien osallistujien kesken testattiin 255 ruokaa. |
Yksi opintokäynti ~2 tuntia
|
Annoskokoarvio (kcal) ruuan lautasesta Openfit-mobiilisovelluksella
Aikaikkuna: Yksi opintokäynti ~2 tuntia
|
Virhe pinnoitetun (kcal) ja tunnetun elintarvikelevyn (kcal) arvioiden välillä: 1) Nutrition AI ilman käyttäjän korjausta (automaattinen), 2) Nutrition AI käyttäjän korjauksella (puoliautomaattinen) Keskimääräinen virhe ja Bland-Altman-analyysi suoritetaan Nutrition AI:n perusteella levitetyn ruoan arvioinnin virheiden määrittämiseksi verrattuna kriteerimitan (punnittu ruoka) arvioihin. |
Yksi opintokäynti ~2 tuntia
|
Openfit-mobiilisovelluksen käyttäjien tyytyväisyys ruoan tallentamiseen
Aikaikkuna: Yksi opintokäynti ~2 tuntia
|
Valmistuttuaan ruokalautasen arvioinnin osallistujat täyttävät käyttäjätyytyväisyyskyselyn (USS). USS on muokattu aiemmasta versiosta, jota käytettiin arvioimaan mobiilisovelluksen käytettävyyttä ruokavalion arvioinnissa. USS sisältää viisi kvantitatiivista kysymystä ja kolme avointa vastauskysymystä. Kvantitatiiviset kysymykset pisteytetään 6-pisteen Likert-asteikolla, jossa 1 on pienin ja huonoin pistemäärä ja 6 korkein ja paras pistemäärä. Jokaisen USS:n viiden kvantitatiivisen vastauksen tiedoista lasketaan osallistujien keskiarvo ja ne esitetään erikseen keskiarvona (SD). Avoimet vastaukset arvioidaan laadullisin menetelmin yhteisten teemojen tunnistamiseksi. |
Yksi opintokäynti ~2 tuntia
|
Openfit-mobiilisovelluksen käytettävyys ruoan tallentamiseen
Aikaikkuna: Yksi opintokäynti ~2 tuntia
|
Osallistujat täyttävät Computer Usability Satisfaction Questionnaire (CSUQ) -kyselyn.
CSUQ:ta käytetään usein arvioimaan mobiilisovellusten käytettävyyttä.
CSUQ koostuu 19 kysymyksestä, joista jokainen pisteytetään 7-pisteen Likert-asteikolla (jossa 1 on pienin ja paras pistemäärä ja 7 korkein ja huonoin pistemäärä), ja osallistujat arvioivat tyytyväisyyttä, hyödyllisyyttä, tiedon laatua ja käyttöliittymän laatua. Openfit sovellus.
Näiden 19 kysymyksen keskiarvo (1 on paras keskiarvopiste ja 7 on huonoin keskiarvopiste) antaa yleisen käytettävyyspisteen.
|
Yksi opintokäynti ~2 tuntia
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Levyjätteen tunnistaminen Openfit-mobiilisovelluksella
Aikaikkuna: Yksi opintokäynti noin 2 tuntia
|
Sopimus lautasjätteen tunnistamisesta verrattuna tunnettuun tunnistukseen, nimiketasolla ja kaikissa kohteissa, joissa tunnistaminen määritetään seuraavilla tavoilla: 1) Nutrition AI ilman käyttäjän korjausta (automaattinen), 2) Nutrition AI käyttäjän korjauksella (puoliautomaattinen) Jotta Nutrition AI:n avulla tunnistettua ruokaa pidettäisiin täsmällisesti vastaavana, tunnistetun ruoan nimen on vastattava tarjoiltua ruokaa tai vastattava sitä läheisesti. Esimerkiksi hedelmäsalaattiksi tunnistettu hedelmäcocktail on hyväksyttävä ottelu. Osuuksia käytetään sen arvioimiseen, onko Nutrition AI:n oikein tunnistamien elintarvikkeiden prosenttiosuus erilainen kuin kriteerimenetelmällä oikein tunnistettujen elintarvikkeiden prosenttiosuus (ihmisarvioija). Kuvaavia tietoja käytetään myös kuvaamaan, kuinka usein levyjäte tunnistettiin oikein. |
Yksi opintokäynti noin 2 tuntia
|
Lautasjätteen annoskokoarvio (grammapaino) Openfit-mobiilisovelluksella
Aikaikkuna: Yksi opintokäynti noin 2 tuntia
|
Virhe annosten painojen (grammapaino) ja tunnettujen annosten painojen (grammapaino) välillä, jossa arviot lautasjätteen määrästä määritetään: 1) ravitsemus-AI ilman käyttäjän korjausta (automaattinen), 2) ravitsemus-AI käyttäjän korjauksella (puoli- automatisoitu) Keskimääräinen virhe ja Bland-Altman-analyysi suoritetaan Nutrition AI:n lautasjätteen arvioinnissa olevien virheiden määrittämiseksi verrattuna kriteerimitan (punnittu ruoka) arvioihin. |
Yksi opintokäynti noin 2 tuntia
|
Lautasjätteen annoskokoarvio (kcal) Openfit-mobiilisovelluksella
Aikaikkuna: Yksi opintokäynti noin 2 tuntia
|
Virhe annoksen keskimääräisten arvioiden (kcal) ja tunnetun annoskoon (kcal) välillä, jossa arviot lautasen hukkamäärästä määritetään seuraavilla tavoilla: 1) ravitsemus-AI ilman käyttäjän korjausta (automaattinen), 2) ravitsemus-AI käyttäjän korjauksella (puoliautomaattinen) Keskimääräinen virhe ja Bland-Altman-analyysi suoritetaan Nutrition AI:n lautasjätteen arvioinnissa olevien virheiden määrittämiseksi verrattuna kriteerimitan (punnittu ruoka) arvioihin. |
Yksi opintokäynti noin 2 tuntia
|
Openfit-mobiilisovelluksen käyttäjätyytyväisyys levyjätteen tallentamiseen
Aikaikkuna: Yksi opintokäynti noin 2 tuntia
|
Lautajätteen arvioinnin jälkeen osallistujat täyttävät käyttäjätyytyväisyyskyselyn. Tutkijat mukauttivat 10 kysymyksestä koostuvaa käyttäjätyytyväisyystutkimusta, jota on hallinnoitu aikaisemmissa tutkimuksissa, jotta voidaan mitata tyytyväisyyttä, helppokäyttöisyyttä ja mobiilisovellusten koulutuksen riittävyyttä. Käyttäjätyytyväisyyskyselyn vastaukset arvioidaan käyttämällä Likert-asteikon tietojen frekvenssiä ja prosentteja. Avoimet vastaukset arvioidaan laadullisin menetelmin yhteisten teemojen tunnistamiseksi. |
Yksi opintokäynti noin 2 tuntia
|
Annoskokoarvio (grammapaino) ruuan saannista Openfit-mobiilisovelluksella
Aikaikkuna: Yksi opintokäynti noin 2 tuntia
|
Virhe annosten keskimääräisten arvioiden (grammapaino) ja tunnettujen annospainojen (grammapaino) välillä, jossa arviot ruuan saannista (ruokalautanen - lautasjätteet) määritetään: 1) ravitsemus-AI ilman käyttäjän korjausta (automaattinen), 2) ravitsemus AI käyttäjän korjauksella (puoliautomaattinen) Keskimääräinen virhe ja Bland-Altman-analyysi suoritetaan Nutrition AI:n ravinnonsaannin arvioinnin virheiden määrittämiseksi verrattuna kriteerimitan (punnittu ruoka) arvioihin. |
Yksi opintokäynti noin 2 tuntia
|
Annoskokoarvio (kcal) ruuansaannista Openfit-mobiilisovelluksella
Aikaikkuna: Yksi opintokäynti noin 2 tuntia
|
Virhe ruuansaannin (kcal) ja tunnetun ruoansaannin (kcal) välillä, jossa arviot ruuan saannista (ruokalautanen - lautasjätteet) määräytyvät seuraavilla tavoilla: 1) Nutrition AI ilman käyttäjän korjausta (automaattinen), 2) Nutrition AI, jossa käyttäjän korjaus (puoliautomaattinen) Keskimääräinen virhe ja Bland-Altman-analyysi suoritetaan Nutrition AI:n ravinnonsaannin arvioinnin virheiden määrittämiseksi verrattuna kriteerimitan (punnittu ruoka) arvioihin. |
Yksi opintokäynti noin 2 tuntia
|
Yhteistyökumppanit ja tutkijat
Yhteistyökumppanit
Tutkijat
- Päätutkija: Chloe P Lozano, PhD, Pennington Biomedical Research Center
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Arvioitu)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muut tutkimustunnusnumerot
- PBRC 2022-011
- T32DK064584 (Yhdysvaltain NIH-apuraha/sopimus)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .
Kliiniset tutkimukset Ravitsemusarviointi
-
Wake Forest University Health SciencesValmisSelf Geriatric Assessment Measure (SGAM)Yhdysvallat
Kliiniset tutkimukset Osakokoinen AI
-
Shandong UniversityValmisTekoäly | Optinen parannusendoskopia | Suurentava endoskopiaKiina
-
HeartFlow, Inc.Ilmoittautuminen kutsustaSepelvaltimotautiYhdysvallat
-
Yuehui YinTuntematonEteisvärinä | RytmihäiriöKiina
-
Kıvanç AkçaHacettepe UniversityValmis
-
Tao OUYANGAktiivinen, ei rekrytointi
-
Montreal Heart InstituteEi vielä rekrytointia
-
Sun Yat-sen UniversityEi vielä rekrytointia
-
Sahlgrenska University Hospital, SwedenRekrytointiPaksusuolen polyyppi | Paksusuolen vaurioRuotsi
-
National Cancer Center, KoreaValmisPaksusuolen sairausKorean tasavalta
-
Erasmus Medical CenterHospices Civils de Lyon; Maastro Clinic, The NetherlandsRekrytointiKateenkorvan syöpä | Thymoma | Kateenkorvan epiteelin kasvain | Thymooma ja kateenkorvan syöpäAlankomaat