- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06380049
Prédire le risque de chute chez les patients victimes d'un AVC à l'aide d'un modèle d'apprentissage automatique et de données multicapteurs
Développement et validation d'un modèle basé sur l'apprentissage automatique pour prédire un groupe à haut risque de chute à l'aide de signaux multicapteurs chez les patients victimes d'un AVC
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Objectif : L'objectif principal est de développer et de valider un modèle basé sur l'apprentissage automatique qui utilise des signaux multicapteurs (EMG) pour identifier les patients victimes d'un AVC présentant un risque élevé de chute. Ce modèle vise à améliorer les évaluations traditionnelles du risque de chute qui reposent fortement sur les évaluations physiques et les antécédents du patient.
Conception de l'étude : Il s'agit d'un essai clinique de confirmation prospectif, multicentrique, ouvert. Il s’agit de collecter des données EMG auprès de patients victimes d’un AVC et d’appliquer des techniques d’apprentissage automatique pour prédire le risque de chute. L'étude comparera la précision prédictive du modèle d'apprentissage automatique par rapport aux outils conventionnels d'évaluation des risques de chute.
Méthodes :
Participants :
• Taille de l'échantillon : 80 patients victimes d'un AVC et 10 adultes en bonne santé pour établir les lectures EMG de base.
Interventions:
• Les participants subiront une collecte de signaux EMG provenant des principaux muscles des membres inférieurs tout en effectuant des mouvements standardisés.
Mesures des résultats :
- Résultat principal : Sensibilité et spécificité du modèle d'apprentissage automatique dans la prédiction des patients à haut risque de chute.
- Résultats secondaires : Comparaison des performances prédictives du modèle d'apprentissage automatique avec les outils traditionnels d'évaluation des risques de chute (par exemple, Berg Balance Scale).
Collecte de données:
- Des capteurs EMG seront fixés aux muscles des membres inférieurs des patients. Les capteurs enregistreront l’activité musculaire pendant le mouvement, qui sera ensuite analysée à l’aide du modèle d’apprentissage automatique.
- Le modèle prédictif sera entraîné à l'aide de fonctionnalités extraites des signaux EMG, et ses performances seront validées par rapport aux incidents de chute réels signalés au cours de la période de suivi.
Analyses statistiques:
- L'efficacité du modèle d'apprentissage automatique sera mesurée à travers sa sensibilité (capacité à identifier correctement les patients à haut risque) et sa spécificité (capacité à identifier correctement les patients à faible risque).
- Les courbes des caractéristiques de fonctionnement du récepteur (ROC) et les statistiques de zone sous la courbe (AUC) seront utilisées pour évaluer les performances du modèle.
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: JungHyun Kim, prof
- Numéro de téléphone: 82+1088632341
- E-mail: kiking0@naver.com
Lieux d'étude
-
-
Jongno
-
Seoul, Jongno, Corée, République de, 03080
- Recrutement
- Seoul National University Hospital
-
Contact:
- junghyun kim, Ph. D.
- Numéro de téléphone: 82+1021740890
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Participants à un AVC
Critère d'intégration:
- 19 ans et plus
- le début de l'AVC remonte à moins de 3 mois
- Faiblesse des membres inférieurs due à un accident vasculaire cérébral (MMT = < 4 grade)
- Capacité cognitive à suivre des commandes
Critère d'exclusion:
- récidive d'accident vasculaire cérébral
- d'autres anomalies neurologiques (par ex. la maladie de Parkinson).
- cognition gravement altérée
- conditions médicales graves et complexes (par ex. cancer actif)
- stimulateur cardiaque ou autre système électronique implanté
Participants à la santé
Critère d'intégration:
- 19 ans et plus
- Les personnes qui comprennent parfaitement la nécessité de l'étude et ont volontairement consenti à participer en tant que sujets
Critère d'exclusion:
- d'autres anomalies neurologiques (par ex. la maladie de Parkinson).
- cognition gravement altérée
- conditions médicales graves et complexes (par ex. cancer actif)
- stimulateur cardiaque ou autre système électronique implanté
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Sensibilité du modèle d'apprentissage automatique
Délai: Lors de la visite unique
|
Le principal critère de jugement est la sensibilité du modèle d'apprentissage automatique, qui fait référence à sa capacité à identifier correctement les patients présentant un risque élevé de chute.
La sensibilité est définie comme la proportion de positifs réels correctement identifiés.
|
Lors de la visite unique
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Spécificité du modèle d'apprentissage automatique
Délai: Lors de la visite unique
|
La spécificité mesure la proportion de négatifs réels correctement identifiés.
|
Lors de la visite unique
|
Autres mesures de résultats
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Zone sous la courbe caractéristique de fonctionnement du récepteur
Délai: Lors de la visite unique
|
Il s'agit d'une mesure de performance pour les problèmes de classification à différents paramètres de seuil.
ROC est une courbe de probabilité et AUC représente le degré ou la mesure de séparabilité.
Il indique dans quelle mesure le modèle est capable de distinguer les classes.
|
Lors de la visite unique
|
|
Coefficient de corrélation de Matthews
Délai: Lors de la visite unique
|
Le MCC est utilisé dans l'apprentissage automatique comme mesure de la qualité des classifications binaires.
Il prend en compte les vrais et faux positifs et négatifs et est généralement considéré comme une mesure équilibrée qui peut être utilisée même si les classes sont de tailles très différentes.
|
Lors de la visite unique
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Chercheur principal: Woo Hyung Lee, prof, Seoul National University Hospital
- Directeur d'études: Byung-Mo Oh, prof, Seoul National University Hospital
- Directeur d'études: Han Gil Seo, prof, Seoul National University Hospital
- Directeur d'études: Sung Eun Hyun, prof, Seoul National University Hospital
- Directeur d'études: Hyunmi Oh, prof, National Traffic Injury Rehabilitation Hospital
- Directeur d'études: Sumin Oh, B.S., National Traffic Injury Rehabilitation Hospital
- Directeur d'études: SO YEON JEON, B.S., Seoul National University Hospital
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 0720242110
- 20240012366 (Autre identifiant: Ministry of Food and Drug Safety)
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
produit fabriqué et exporté des États-Unis.
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .