Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

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

30 mai 2025 mis à jour par: Seoul National University Hospital

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

L'étude évalue un modèle d'apprentissage automatique développé pour prédire le risque de chute chez les patients victimes d'un AVC à l'aide de signaux multicapteurs. Cet essai de confirmation prospectif, multicentrique, ouvert et initié par le sponsor vise à valider l'innocuité et l'efficacité du modèle qui utilise les signaux d'électromyographie (EMG) pour catégoriser les patients en catégories de chutes à haut risque ou à faible risque. L'approche innovante espère offrir un outil prédictif qui améliore les stratégies préventives en milieu clinique, réduisant potentiellement les blessures liées aux chutes chez les survivants d'un AVC.

Aperçu de l'étude

Statut

Recrutement

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 :

  1. Participants :

    • Taille de l'échantillon : 80 patients victimes d'un AVC et 10 adultes en bonne santé pour établir les lectures EMG de base.

  2. Interventions:

    • Les participants subiront une collecte de signaux EMG provenant des principaux muscles des membres inférieurs tout en effectuant des mouvements standardisés.

  3. 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

Observationnel

Inscription (Estimé)

90

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

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

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

Oui

Méthode d'échantillonnage

Échantillon de probabilité

Population étudiée

L'étude vise à recruter environ 80 patients victimes d'un AVC et 10 adultes en bonne santé pour faciliter une analyse complète de l'efficacité du modèle d'apprentissage automatique basé sur l'EMG.

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

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

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

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

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

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

20 mai 2024

Achèvement primaire (Réel)

12 mars 2025

Achèvement de l'étude (Estimé)

28 avril 2026

Dates d'inscription aux études

Première soumission

15 avril 2024

Première soumission répondant aux critères de contrôle qualité

17 avril 2024

Première publication (Réel)

23 avril 2024

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

2 juin 2025

Dernière mise à jour soumise répondant aux critères de contrôle qualité

30 mai 2025

Dernière vérification

1 mai 2025

Plus d'information

Termes liés à cette étude

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) ?

NON

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

produit fabriqué et exporté des États-Unis.

Non

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 .

S'abonner