Az élelmiszerek azonosítására és az ételadagok méretének becslésére szolgáló mesterséges intelligencia-alapú program érvényessége (PortionSizeAI)
Egy mesterséges intelligencia alapú program érvényességének tesztelése élelmiszerek azonosítására és az élelmiszeradagok méretének becslésére felnőttek körében, kísérleti tanulmány
A tanulmány áttekintése
Részletes leírás
Tanulmány típusa
Beiratkozás (Tényleges)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Louisiana
-
Baton Rouge, Louisiana, Egyesült Államok, 70808
- Pennington Biomedical Research Center
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Leírás
Bevételi kritériumok:
- Férfi vagy nő
- 18-62 éves korig
- Önbevallott testtömegindex (BMI) 18,5-50 kg/m2
Kizárási kritériumok:
- Bármilyen körülmény vagy körülmény, amely akadályozhatja a tanulmányok befejezését
- Nem ismeri vagy nem tudja használni az iPhone-t
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Egyéb
- Kiosztás: N/A
- Beavatkozó modell: Egyetlen csoportos hozzárendelés
- Maszkolás: Nincs (Open Label)
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: Kísérleti
|
Ehhez a kísérleti vizsgálathoz egy kényelmi minta felhasználásával a vizsgálók legfeljebb 25 felnőttet toboroznak, hogy az Openfit Nutrition AI technológiáját használják a Pennington Biomedical Research Center (PBRC) és/vagy laboratóriumi körülmények között biztosított élelmiszerek adagok méretének azonosítására és becslésére. Louisiana Állami Egyetem (LSU).
A Lenyelési Viselkedési Laboratóriumon belüli laboratóriumi tagok a Nutrition AI azon képességét is tesztelik majd, hogy képes-e azonosítani az élelmiszereket és számszerűsíteni a laboratóriumban szállított élelmiszereket.
Az étkezéseket szimulálják, és a résztvevők nem fogyasztják el a biztosított ételeket.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Azonosító élelmiszerek azonosítása az Openfit mobilalkalmazás segítségével
Időkeret: Egy ~2 órás tanulmányút
|
Megállapodás az élelmiszerek és italok ismert azonosításhoz képest biztosított azonosításáról, cikkszinten, és minden olyan cikkre vonatkozóan, ahol az azonosítást a következők határozzák meg: 1) Nutrition AI korrekció nélkül (automatikus), 2) Nutrition AI felhasználói korrekcióval (félautomata) Ahhoz, hogy a Nutrition AI által azonosított élelmiszer pontos élelmiszer-egyezésnek minősüljön, az azonosított élelmiszer nevének egyeznie kell a felszolgált étellel, vagy annak közel kell egyeznie. Például egy gyümölcssalátaként azonosított gyümölcskoktél elfogadható párosítás. Az arányok alapján értékeljük, hogy a Nutrition AI által helyesen azonosított élelmiszerek százalékos aránya eltér-e a kritériummódszerrel (emberi értékelő) megfelelően azonosított élelmiszerek százalékos arányától. Leíró adatokat is használunk annak leírására, hogy milyen gyakorisággal azonosították helyesen a tányéros élelmiszereket az összes résztvevőnél. Összesen 255 élelmiszert teszteltek minden résztvevőnél. |
Egy ~2 órás tanulmányút
|
|
Becsült adagméret (kcal) az Openfit mobilalkalmazás segítségével
Időkeret: Egy ~2 órás tanulmányút
|
Hiba a tányérra (kcal) és az ismert élelmiszerekkel bevont (kcal) becslések között, a következők alapján: 1) Nutrition AI felhasználói korrekció nélkül (automatikus), 2) Nutrition AI felhasználói korrekcióval (félautomata) Átlagos hiba és Bland-Altman analízis kerül végrehajtásra a Nutrition AI alapján tányérozott élelmiszerek becslésének hibáinak meghatározására a kritériummérés (mérlegelt élelmiszer) becsléseihez képest. |
Egy ~2 órás tanulmányút
|
|
Felhasználói elégedettség az Openfit mobilalkalmazással az élelmiszerek rögzítéséhez
Időkeret: Egy ~2 órás tanulmányút
|
A tányéros étel értékelésének befejezése után a résztvevők kitöltenek egy felhasználói elégedettségi felmérést (USS). Az USS-t egy korábbi verzióból adaptálták, amelyet egy mobilalkalmazás diétás értékeléshez való használhatóságának felmérésére használtak. Az USS öt mennyiségi kérdést és három nyitott választ tartalmazó kérdést tartalmaz. A kvantitatív kérdések mindegyikét egy 6 pontos Likert-skála segítségével értékelik, ahol az 1 a legalacsonyabb és a legrosszabb pontszám, a 6 pedig a legmagasabb és legjobb pontszám. Az USS-ben mind az öt kvantitatív válasz adatait átlagolják a résztvevők között, és külön-külön mutatják be átlagként (SD). A nyílt válaszokat kvalitatív módszerekkel értékelik a közös témák azonosítása érdekében. |
Egy ~2 órás tanulmányút
|
|
Az Openfit mobilalkalmazás használhatósága lemezes étel rögzítésére
Időkeret: Egy ~2 órás tanulmányút
|
A résztvevők kitöltik a Computer Usability Satisfaction Questionnaire (CSUQ) kérdőívet.
A CSUQ-t gyakran használják a mobilalkalmazások használhatóságának felmérésére.
A CSUQ 19 kérdésből áll, melyek mindegyikét egy 7 pontos Likert-skála alapján értékelik (az 1-es a legalacsonyabb és legjobb pontszám, a 7 pedig a legmagasabb és legrosszabb pontszám), és a résztvevők értékelni fogják az elégedettséget, a hasznosságot, az információ minőségét és a felület minőségét. Openfit alkalmazás.
A 19 kérdés átlaga (1 a legjobb átlagpontszám, 7 pedig a legrosszabb átlagpontszám) általános használhatósági pontszámot ad.
|
Egy ~2 órás tanulmányút
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Lemezhulladék azonosítása az Openfit mobilalkalmazás segítségével
Időkeret: Egy ~2 órás tanulmányút
|
Megállapodás a tányérhulladék azonosításáról az ismert azonosítással összehasonlítva, tételszinten és minden tételen, ahol az azonosítást a következők határozzák meg: 1) Nutrition AI felhasználói korrekció nélkül (automatikus), 2) Nutrition AI felhasználói korrekcióval (félautomata) Ahhoz, hogy a Nutrition AI által azonosított élelmiszer pontos élelmiszer-egyezésnek minősüljön, az azonosított élelmiszer nevének egyeznie kell a felszolgált étellel, vagy annak közel kell egyeznie. Például egy gyümölcssalátaként azonosított gyümölcskoktél elfogadható párosítás. Az arányok segítségével felmérjük, hogy a Nutrition AI által helyesen azonosított élelmiszerek százalékos aránya eltér-e a kritérium módszerrel (emberi értékelő) megfelelően azonosított élelmiszerek százalékos arányától. Leíró adatokat is használunk a lemezhulladék helyes azonosításának gyakoriságának leírására. |
Egy ~2 órás tanulmányút
|
|
A tányérhulladék adagméretének (grammtömeg) becslése az Openfit mobilalkalmazás segítségével
Időkeret: Egy ~2 órás tanulmányút
|
Hiba az adagok átlagos becsült tömege (grammtömeg) és az ismert adagsúlyok (grammtömeg) között, ahol a tányérhulladék becslését a következők határozzák meg: 1) Táplálkozási AI felhasználói korrekció nélkül (automatikus), 2) Táplálkozási AI felhasználói korrekcióval (félig automatizált) Átlagos hiba és Bland-Altman analízis kerül végrehajtásra a Nutrition AI tányérhulladék becslésének hibáinak meghatározására a kritériummérés (lemért élelmiszer) becsléseihez képest. |
Egy ~2 órás tanulmányút
|
|
A tányérhulladék adagméretének becslése (kcal) az Openfit mobilalkalmazás segítségével
Időkeret: Egy ~2 órás tanulmányút
|
Hiba az adagok átlagos becslése (kcal) és az ismert adagméret (kcal) között, ahol a tányérhulladék becslését a következők határozzák meg: 1) Táplálkozási AI felhasználói korrekció nélkül (automatikus), 2) Táplálkozási AI felhasználói korrekcióval (félautomata) Átlagos hiba és Bland-Altman analízis kerül végrehajtásra a Nutrition AI tányérhulladék becslésének hibáinak meghatározására a kritériummérés (lemért élelmiszer) becsléseihez képest. |
Egy ~2 órás tanulmányút
|
|
Felhasználói elégedettség a lemezhulladék rögzítésére szolgáló Openfit mobilalkalmazással
Időkeret: Egy ~2 órás tanulmányút
|
A lemezhulladék felmérésének befejezése után a résztvevők kitöltenek egy felhasználói elégedettségi felmérést. A kutatók egy 10 kérdésből álló felhasználói elégedettségi felmérést adaptáltak, amelyet korábbi tanulmányok során alkalmaztak, hogy számszerűsítsék az elégedettséget, a könnyű használatot és a mobilalkalmazások képzésének megfelelőségét. A felhasználói elégedettségi kérdőívre adott válaszokat a Likert-skála adatainak gyakorisága és százaléka alapján értékeljük. A nyílt válaszokat kvalitatív módszerekkel értékelik a közös témák azonosítása érdekében. |
Egy ~2 órás tanulmányút
|
|
A táplálékfelvétel adagméretének (grammtömeg) becslése az Openfit mobilalkalmazás segítségével
Időkeret: Egy ~2 órás tanulmányút
|
Hiba az adagok átlagos becsült tömege (grammtömeg) és az ismert adagok tömege (grammtömeg) között, ahol a táplálékfelvétel becsült értékeit (tányéros tányérhulladék) a következők határozzák meg: 1) Táplálkozási mesterséges intelligencia felhasználói korrekció nélkül (automatikus), 2) Táplálkozás AI felhasználói korrekcióval (félautomata) Átlagos hiba és Bland-Altman analízis kerül végrehajtásra a Nutrition AI-ból származó táplálékfelvétel becslésének hibáinak meghatározására a kritériummérés (lemért élelmiszer) becsléseihez képest. |
Egy ~2 órás tanulmányút
|
|
A táplálékfelvétel adagnagyságának becslése (kcal) az Openfit mobilalkalmazás segítségével
Időkeret: Egy ~2 órás tanulmányút
|
Hiba a táplálékfelvétel átlagos becslése (kcal) és az ismert táplálékfelvétel (kcal) között, ahol a táplálékfelvétel (tányéros - tányérhulladék) becsült értékét a következők határozzák meg: 1) Nutrition AI felhasználói korrekció nélkül (automatikus), 2) Nutrition AI felhasználói javítás (félautomata) Átlagos hiba és Bland-Altman analízis kerül végrehajtásra a Nutrition AI-ból származó táplálékfelvétel becslésének hibáinak meghatározására a kritériummérés (lemért élelmiszer) becsléseihez képest. |
Egy ~2 órás tanulmányút
|
Együttműködők és nyomozók
Nyomozók
- Kutatásvezető: Chloe P Lozano, PhD, Pennington Biomedical Research Center
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Becsült)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
Egyéb vizsgálati azonosító számok
- PBRC 2022-011
- T32DK064584 (Az Egyesült Államok NIH támogatása/szerződése)
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .