Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Tekoälypohjaisen ohjelman kelpoisuus elintarvikkeiden tunnistamiseksi ja ruoka-annoksen koon arvioimiseksi (PortionSizeAI)

tiistai 14. marraskuuta 2023 päivittänyt: Chloe, Pennington Biomedical Research Center

Tekoälyyn perustuvan ohjelman pätevyyden testaaminen elintarvikkeiden tunnistamiseksi ja ruoka-annoksen koon arvioimiseksi aikuisten keskuudessa, pilottitutkimus

Tämän tutkimuksen tarkoituksena on testata Nutrition Artificial Intelligencen tarkkuutta Openfit-sovelluksessa aterioiden aikana kontrolloidussa laboratorioympäristössä.

Tutkimuksen yleiskatsaus

Tila

Valmis

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Tätä pilottitutkimusta varten tutkijat rekrytoivat jopa 25 aikuista käyttämällä Nutrition AI -teknologiaa Openfitissä, jotta voidaan tunnistaa ja arvioida tarjottujen ruokien annoskoko ja simuloitu lautasjätteet sekä ruoan saanti Pennington Biomedicalin laboratorioympäristössä. Research Center (PBRC) ja/tai Louisiana State University (LSU). Nielemiskäyttäytymislaboratorion laboratorion jäsenet testaavat myös Nutrition AI:n kykyä tunnistaa elintarvikkeita ja mitata tarjottujen elintarvikkeiden, lautasjätteen ja ruoan saannin määrää laboratoriossa. Ateriat simuloidaan, eivätkä osallistujat käytä tarjottuja ruokia.

Opintotyyppi

Interventio

Ilmoittautuminen (Todellinen)

24

Vaihe

  • Ei sovellettavissa

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

  • Yhdysvallat
    • Louisiana
      • Baton Rouge, Louisiana, Yhdysvallat, 70808
        • Pennington Biomedical Research Center

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

18 vuotta - 62 vuotta (Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Joo

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

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

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
  • Harjoittelu ja Openfitin käyttö
  • Sovelluksen käyttäminen simuloiduista aterioista saadun ruoan arvioimiseen PBRC:n tai LSU:n laboratoriossa (osallistujat eivät syö ruokaa aterioiden aikana)
  • Arvio sovelluksen käytettävyydestä ja tyytyväisyydestä
Laite: Osakokoinen AI
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

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Pennington Biomedical Research Center

Yhteistyökumppanit

National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK)

Tutkijat

  • Päätutkija: Chloe P Lozano, PhD, Pennington Biomedical Research Center

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Keskiviikko 27. huhtikuuta 2022

Ensisijainen valmistuminen (Todellinen)

Perjantai 3. kesäkuuta 2022

Opintojen valmistuminen (Todellinen)

Perjantai 3. kesäkuuta 2022

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Tiistai 12. huhtikuuta 2022

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Maanantai 18. huhtikuuta 2022

Ensimmäinen Lähetetty (Todellinen)

Maanantai 25. huhtikuuta 2022

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Arvioitu)

Torstai 16. marraskuuta 2023

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 14. marraskuuta 2023

Viimeksi vahvistettu

Keskiviikko 1. marraskuuta 2023

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)?

EI

IPD-suunnitelman kuvaus

Mahdolliset tunnisteet voidaan poistaa osallistujien tunnistetiedoista, ja poistamisen jälkeen tietoja voidaan käyttää tuleviin tutkimustutkimuksiin tai antaa toiselle tutkijalle tulevaa tutkimusta varten ilman koehenkilön tai laillisesti valtuutetun edustajan tietoista lisäsuostumusta.

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

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

Kliiniset tutkimukset Osakokoinen AI

Hae vastaavia kokeiluja

Sponsorit ja yhteistyökumppanit

Sairaudet

Huumeiden interventiot

CROs by country

CROs in Taiwan

Ehdot

Harvinaiset sairaudet

Huumeiden interventiot

Ravintolisät

Sponsori / yhteistyökumppanit

Sijainnit

3
Tilaa