Aivohalvauspotilaiden kaatumisriskin ennustaminen koneoppimismallin ja usean sensorin datan avulla
perjantai 30. toukokuuta 2025 päivittänyt: Seoul National University Hospital
Koneoppimiseen perustuvan mallin kehittäminen ja validointi korkean kaatumisriskin ryhmän ennustamiseksi käyttämällä usean sensorin signaaleja aivohalvauspotilailla
Tutkimuksessa arvioidaan koneoppimismallia, joka on kehitetty ennustamaan aivohalvauspotilaiden kaatumisriskiä monisensorisignaalien avulla.
Tämän tulevan, monikeskuksen, avoimen, sponsorin aloittaman varmistustutkimuksen tavoitteena on validoida mallin turvallisuus ja tehokkuus, joka käyttää elektromyografiasignaaleja (EMG) potilaiden luokittelemiseksi korkean tai matalan riskin kaatumisluokkiin.
Innovatiivinen lähestymistapa toivoo tarjoavansa ennakoivan työkalun, joka parantaa ennaltaehkäiseviä strategioita kliinisissä olosuhteissa ja vähentää mahdollisesti kaatumiseen liittyviä vammoja aivohalvauksesta selviytyneillä.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Tavoite: Ensisijainen tavoite on kehittää ja validoida koneoppimiseen perustuva malli, joka käyttää usean sensorin (EMG) signaaleja tunnistamaan aivohalvauspotilaat, joilla on korkea kaatumisriski. Tällä mallilla pyritään parantamaan perinteisiä kaatumisriskin arviointeja, jotka perustuvat vahvasti fyysisiin arviointeihin ja potilashistoriaan.
Tutkimuksen suunnittelu: Tämä on tulevaisuuden monikeskus, avoin, vahvistava kliininen tutkimus. Siihen kuuluu EMG-tietojen kerääminen aivohalvauspotilailta ja koneoppimistekniikoiden soveltaminen kaatumisriskin ennustamiseen. Tutkimuksessa verrataan koneoppimismallin ennustetarkkuutta perinteisiin putoamisriskin arviointityökaluihin.
Menetelmät:
Osallistujat:
• Näytteen koko: 80 aivohalvauspotilasta ja 10 tervettä aikuista perustason EMG-lukemien määrittämiseksi.
Interventiot:
• Osallistujille suoritetaan EMG-signaalien kerääminen tärkeimmistä alaraajojen lihaksista samalla kun he suorittavat standardoituja liikkeitä.
Tulostoimenpiteet:
- Ensisijainen tulos: Koneoppimismallin herkkyys ja spesifisyys korkean riskin kaatumispotilaiden ennustamisessa.
- Toissijaiset tulokset: Koneoppimismallin ennakoivan suorituskyvyn vertailu perinteisiin putoamisriskin arviointityökaluihin (esim. Berg Balance Scale).
Tiedonkeruu:
- EMG-anturit kiinnitetään potilaiden alaraajojen lihaksiin. Anturit tallentavat lihasten aktiivisuutta liikkeen aikana, mikä sitten analysoidaan koneoppimismallilla.
- Ennustemallia opetetaan käyttämällä EMG-signaaleista poimittuja ominaisuuksia, ja sen suorituskyky validoidaan seurantajakson aikana raportoitujen todellisten putoamistapausten perusteella.
Tilastollinen analyysi:
- Koneoppimismallin tehokkuutta mitataan sen herkkyydellä (kyky tunnistaa oikein korkean riskin potilaat) ja spesifisyydellä (kyky tunnistaa oikein alhaisen riskin potilaat).
- Vastaanottimen toimintaominaisuuksien (ROC) käyriä ja Area Under the Curve (AUC) -tilastoja käytetään mallin suorituskyvyn arvioimiseen.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Arvioitu)
90
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: JungHyun Kim, prof
- Puhelinnumero: 82+1088632341
- Sähköposti: kiking0@naver.com
Opiskelupaikat
-
-
Jongno
-
Seoul, Jongno, Korean tasavalta, 03080
- Rekrytointi
- Seoul National University Hospital
-
Ottaa yhteyttä:
- junghyun kim, Ph. D.
- Puhelinnumero: 82+1021740890
-
-
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
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Joo
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
Tutkimukseen on tarkoitus ottaa mukaan noin 80 aivohalvauspotilasta ja 10 tervettä aikuista mahdollistamaan kattava analyysi EMG-pohjaisen koneoppimismallin tehokkuudesta.
Kuvaus
Aivohalvauksen osallistujat
Sisällyttämiskriteerit:
- 19 vuotta ja vanhemmat
- aivohalvaus on alkanut alle 3 kuukautta sitten
- Aivohalvauksen aiheuttama alaraajojen heikkous (MMT = < 4 astetta)
- Kognitiivinen kyky noudattaa käskyjä
Poissulkemiskriteerit:
- aivohalvauksen uusiutuminen
- muut neurologiset poikkeavuudet (esim. Parkinsonin tauti).
- vakavasti heikentynyt kognitio
- vakavat ja monimutkaiset sairaudet (esim. aktiivinen syöpä)
- sydämentahdistin tai muu implantoitu elektroninen järjestelmä
Terveys osallistujat
Sisällyttämiskriteerit:
- 19 vuotta ja vanhemmat
- Henkilöt, jotka ymmärtävät täysin tutkimuksen tarpeellisuuden ja ovat vapaaehtoisesti suostuneet osallistumaan tutkijoina
Poissulkemiskriteerit:
- muut neurologiset poikkeavuudet (esim. Parkinsonin tauti).
- vakavasti heikentynyt kognitio
- vakavat ja monimutkaiset sairaudet (esim. aktiivinen syöpä)
- sydämentahdistin tai muu implantoitu elektroninen järjestelmä
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Koneoppimismallin herkkyys
Aikaikkuna: Yksittäisen vierailun aikaan
|
Ensisijainen tulosmittari on koneoppimismallin herkkyys, joka viittaa sen kykyyn tunnistaa oikein potilaat, joilla on korkea kaatumisriski.
Herkkyys määritellään oikein tunnistettujen todellisten positiivisten tulosten osuutena.
|
Yksittäisen vierailun aikaan
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Koneoppimismallin erityispiirteet
Aikaikkuna: Yksittäisen vierailun aikaan
|
Spesifisyys mittaa oikein tunnistettujen todellisten negatiivisten osuutta.
|
Yksittäisen vierailun aikaan
|
Muut tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Vastaanottimen toimintakäyrän alla oleva alue
Aikaikkuna: Yksittäisen vierailun aikaan
|
Tämä on suorituskyvyn mittaus luokitusongelmille eri kynnysasetuksissa.
ROC on todennäköisyyskäyrä, ja AUC edustaa erotettavuuden astetta tai mittaa.
Se kertoo kuinka paljon malli pystyy erottamaan luokkia.
|
Yksittäisen vierailun aikaan
|
|
Matthewsin korrelaatiokerroin
Aikaikkuna: Yksittäisen vierailun aikaan
|
MCC:tä käytetään koneoppimisessa binääriluokittelujen laadun mittarina.
Se ottaa huomioon oikeat ja väärät positiiviset ja negatiiviset ja sitä pidetään yleisesti tasapainoisena mittana, jota voidaan käyttää, vaikka luokat olisivat hyvin erikokoisia.
|
Yksittäisen vierailun aikaan
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Woo Hyung Lee, prof, Seoul National University Hospital
- Opintojohtaja: Byung-Mo Oh, prof, Seoul National University Hospital
- Opintojohtaja: Han Gil Seo, prof, Seoul National University Hospital
- Opintojohtaja: Sung Eun Hyun, prof, Seoul National University Hospital
- Opintojohtaja: Hyunmi Oh, prof, National Traffic Injury Rehabilitation Hospital
- Opintojohtaja: Sumin Oh, B.S., National Traffic Injury Rehabilitation Hospital
- Opintojohtaja: SO YEON JEON, B.S., Seoul National University Hospital
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)
Maanantai 20. toukokuuta 2024
Ensisijainen valmistuminen (Todellinen)
Keskiviikko 12. maaliskuuta 2025
Opintojen valmistuminen (Arvioitu)
Tiistai 28. huhtikuuta 2026
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Maanantai 15. huhtikuuta 2024
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Keskiviikko 17. huhtikuuta 2024
Ensimmäinen Lähetetty (Todellinen)
Tiistai 23. huhtikuuta 2024
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Maanantai 2. kesäkuuta 2025
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Perjantai 30. toukokuuta 2025
Viimeksi vahvistettu
Torstai 1. toukokuuta 2025
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 0720242110
- 20240012366 (Muu tunniste: Ministry of Food and Drug Safety)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Yhdysvalloissa valmistettu ja sieltä viety tuote
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 .