- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT05813613
A mesterséges intelligencia szerepe az izomfáradtság előrejelzésében virtuális valóság edzéssel
A mesterséges intelligencia szerepe az izomfáradtság előrejelzésében a virtuális valóság tréning segítségével egészséges és COVID19 utáni alanyoknál
Ennek a megfigyeléses előrejelzett vizsgálatnak az a célja, hogy egy speciális mesterséges intelligencia algoritmus segítségével előre jelezze az izomfáradtságot egészséges és Covid-19 után fertőzött egyéneknél. A fő kérdés, amelyre választ kíván adni:
Használható-e a mesterséges intelligencia megbízható forrás az egészséges és a Covid-19 után fertőzött egyének lokalizált izomfáradtságának előrejelzésére?
A résztvevőket két csoportra osztják: egy egészséges csoportra és egy Covid-19 utáni csoportra.
- A gyakorlatok megkezdése előtt minden csoport átesik egy ismerkedési folyamaton.
- Ezután minden csoport guggoló gyakorlatokat hajt végre a kynpasis virtuális valóság apparátusa irányításával.
- A vastus lateralis és rectus femories sEMG-je, a mellkas tágulása és a térd goniometrikus mérése a különböző bejelentett fáradtsági szintek során történik a Biopac rendszer segítségével.
- A csoportok folytatják a guggolást, miközben a Borg-skála segítségével rögzítik szubjektív fáradtságukat.
- Az adatokat ezután gépi tanulási folyamatokon keresztül futtatják, hogy létrehozzanak egy mesterséges intelligencia-algoritmust, amely képes előre jelezni az izolált izomfáradtságot.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
A résztvevőket két csoportra osztották, az egyik egészséges egyénekből, a másik pedig a Covid-19 alanyokból állt. Mindkét csoport az adatgyűjtés megkezdése előtt 15 perc pihenővel végzett gyakorlati ismerkedést kapott.
A guggoló gyakorlatot egy virtuális valóság (VR) gép (kynapsis) segítségével végezték el útmutatásként mindkét csoportban. A guggolásokat úgy végezték, hogy a kezeket a testek előtt tartották, és a térdeket 90 fokban behajlították, két másodperces emelkedési ritmust követve az ereszkedéshez, két másodperces emelkedés után a VR-gépen végzett mozgást.
További változókat is figyelembe vettek, köztük a mellkas tágulását és az elektromos goniométerrel végzett mozgási tartományt, mindezt a Biopac (BIOPAC Systems, Inc., Santa Barbara, CA) segítségével mérték és rögzítették, amely bizonyítékok szerint felüláteresztő képességgel rendelkezik. frekvenciaszűrő és bipoláris elektródarendszer.
A vizsgált izmok a QF izom 3 feje RF, VM és VL. Területüket alkohollal megtisztították és borotválták, hogy csökkentsék az elektródák ellenállását. Három eldobható sEMG felületi elektródát helyeztünk el, ebből kettőt az izomhasra 2,5 cm távolsággal, egy vezérlőelektródát pedig az agonista oldalra helyeztünk, a résztvevőt arra kértük, hogy nyújtsa ki a térdét és hajlítsa meg az ellenállással szemben, hogy megtalálja az oldalsó, ill. mediális vasti. Az edzés során sEMG elektródákat helyeztünk a QF izom részegységeire. A kinyert adatokat ezután egy mesterséges intelligencia-algoritmuson futtatják, amely elemzi és előrejelzi az izomfáradtságot.
A Borg (C-10) skálát elmagyarázták a résztvevőknek, és előttük volt a gyakorlat végrehajtása közben, mint eredménymérőt, hogy felmérje a szubjektív izomfáradtságot, amely elérése után véget vet a gyakorlatnak.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Beirut, Libanon
- Ahmad ElMelhat
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
A vizsgált populáció két csoportból állt.
- Egészséges, nem sportos egyének, akik az elmúlt 3 napban nem végeztek intenzív tevékenységet, és korábban nem léptek kapcsolatba a Covid-19-cel.
- Nem sportos, egészséges egyének, akik az elmúlt 3 napban nem végeztek intenzív tevékenységet, de 1 éven belül megerősített pozitív PCR-tesztet végeztek.
Leírás
Bevételi kritériumok:
- A vizsgálat mindkét csoportjában szereplő összes alanynak egészséges, nem sportos egyéneknek kell lenniük, akik az elmúlt 3 napban kerülték az intenzív tevékenységeket. A Covid-19 csoportba tartozó alanyoknak 1 éven belül igazolt pozitív PCR-teszttel kell rendelkezniük.
Kizárási kritériumok:
- Ki kell zárni a vizsgálatból azokat az alanyokat, akik nem felelnek meg a felvételi kritériumoknak, idős korú geriátria (50 év feletti), vagy bármilyen légzőszervi, szív-, vese-, neuromuszkuláris, ortopédiai és mozgásszervi betegségben szenvednek. Figyelembe kell venni a dohányosokat és egyes gyógyszerfogyasztókat, mert befolyásolja a teljesítményt és növeli a fáradtság szintjét.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
---|---|
Egészséges csoport
|
A guggoló gyakorlatot egy virtuális valóság (VR) gép (kynapsis) segítségével végezték el útmutatásként mindkét csoportban.
A guggolásokat úgy végezték, hogy a kezeket a testek előtt tartották, és a térdeket 90 fokban behajlították, két másodperces emelkedési ritmust követve az ereszkedéshez, két másodperces emelkedés után a VR-gépen végzett mozgást.
|
Covid-19 utáni csoport
|
A guggoló gyakorlatot egy virtuális valóság (VR) gép (kynapsis) segítségével végezték el útmutatásként mindkét csoportban.
A guggolásokat úgy végezték, hogy a kezeket a testek előtt tartották, és a térdeket 90 fokban behajlították, két másodperces emelkedési ritmust követve az ereszkedéshez, két másodperces emelkedés után a VR-gépen végzett mozgást.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Felületi elektromiográfia
Időkeret: A guggoló gyakorlat során.
|
non-invazív technika, ahol elektródákat helyeztek a quadriceps femoris izom vastus lateralis és rectus femoris fejére, értékelve annak myoelektromos teljesítményét.
Területüket alkohollal megtisztították és borotválták, hogy csökkentsék az elektródák ellenállását.
Három eldobható sEMG felületi elektródát helyeztünk el, ebből kettőt az izomhasra 2,5 cm távolsággal, egy vezérlőelektródát pedig az agonista oldalra helyeztünk, a résztvevőt arra kértük, hogy nyújtsa ki a térdét és hajlítsa meg az ellenállással szemben, hogy megtalálja az oldalsó, ill. mediális vasti.
Az edzés során sEMG elektródákat helyeztünk a QF izom részegységeire.
A kinyert adatokat ezután egy mesterséges intelligencia-algoritmuson futtatják, amely elemzi és előrejelzi az izomfáradtságot.
|
A guggoló gyakorlat során.
|
A Borg Rating of Perceived Exertion (RPE) skála
Időkeret: A guggoló gyakorlat során.
|
Eszköz az egyén erőfeszítésének és megerőltetésének, légszomjnak és fáradtságnak a mérésére a fizikai munka során, ezért rendkívül fontos a munkahelyi egészségvédelem és biztonság gyakorlatában.
A minimum 6-tól a maximum 20-ig terjed, ahol a 6 azt jelenti, hogy nincs megerőltetés, a 20 pedig extrém maximális erőkifejtést
|
A guggoló gyakorlat során.
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Mellkas kiterjesztése.
Időkeret: A guggoló gyakorlat során.
|
Az alany mellkasa köré tekert légzés-átalakító használata tépőzárral, amely továbbítja a kiterjesztési adatokat a Biopac fő vevőmoduljához, amely rögzítésre kerül a számítógépen.
|
A guggoló gyakorlat során.
|
Mozgástartomány.
Időkeret: A guggoló gyakorlat során.
|
Az alany térdére vezetékezett elektromos goniométer használata, amely a mozgási tartomány jeleit továbbítja a Biopac vevőmoduljához, amelyet a számítógép rögzít.
|
A guggoló gyakorlat során.
|
Együttműködők és nyomozók
Szponzor
Publikációk és hasznos linkek
Általános kiadványok
- Disser NP, De Micheli AJ, Schonk MM, Konnaris MA, Piacentini AN, Edon DL, Toresdahl BG, Rodeo SA, Casey EK, Mendias CL. Musculoskeletal Consequences of COVID-19. J Bone Joint Surg Am. 2020 Jul 15;102(14):1197-1204. doi: 10.2106/JBJS.20.00847.
- Paneroni M, Simonelli C, Saleri M, Bertacchini L, Venturelli M, Troosters T, Ambrosino N, Vitacca M. Muscle Strength and Physical Performance in Patients Without Previous Disabilities Recovering From COVID-19 Pneumonia. Am J Phys Med Rehabil. 2021 Feb 1;100(2):105-109. doi: 10.1097/PHM.0000000000001641.
- Qian J, McDonough DJ, Gao Z. The Effectiveness of Virtual Reality Exercise on Individual's Physiological, Psychological and Rehabilitative Outcomes: A Systematic Review. Int J Environ Res Public Health. 2020 Jun 10;17(11):4133. doi: 10.3390/ijerph17114133.
- Wan JJ, Qin Z, Wang PY, Sun Y, Liu X. Muscle fatigue: general understanding and treatment. Exp Mol Med. 2017 Oct 6;49(10):e384. doi: 10.1038/emm.2017.194.
- A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload Souchet, A.D., Lourdeaux, D., Pagani, A. et al. A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload. Virtual Reality (2022). https://doi.org/10.1007/s10055-022-00672-0
- Donatelli, R.A. (2007) Sports-specific rehabilitation. St. Louis, MO: Churchill Livingstone.
- Hall, J. E., & Hall, M. E. (2020). Guyton and Hall textbook of medical physiology e-Book. Elsevier Health Sciences.
- Schoenfeld BJ. Squatting kinematics and kinetics and their application to exercise performance. J Strength Cond Res. 2010 Dec;24(12):3497-506. doi: 10.1519/JSC.0b013e3181bac2d7.
- Kubo K, Ikebukuro T, Yata H. Effects of squat training with different depths on lower limb muscle volumes. Eur J Appl Physiol. 2019 Sep;119(9):1933-1942. doi: 10.1007/s00421-019-04181-y. Epub 2019 Jun 22.
- Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019 Jun;6(2):94-98. doi: 10.7861/futurehosp.6-2-94.
- Tack C. Artificial intelligence and machine learning | applications in musculoskeletal physiotherapy. Musculoskelet Sci Pract. 2019 Feb;39:164-169. doi: 10.1016/j.msksp.2018.11.012. Epub 2018 Nov 23.
- Luna A, Casertano L, Timmerberg J, O'Neil M, Machowsky J, Leu CS, Lin J, Fang Z, Douglas W, Agrawal S. Artificial intelligence application versus physical therapist for squat evaluation: a randomized controlled trial. Sci Rep. 2021 Sep 13;11(1):18109. doi: 10.1038/s41598-021-97343-y.
- Alsobhi M, Khan F, Chevidikunnan MF, Basuodan R, Shawli L, Neamatallah Z. Physical Therapists' Knowledge and Attitudes Regarding Artificial Intelligence Applications in Health Care and Rehabilitation: Cross-sectional Study. J Med Internet Res. 2022 Oct 20;24(10):e39565. doi: 10.2196/39565.
- Sun J, Liu G, Sun Y, Lin K, Zhou Z, Cai J. Application of Surface Electromyography in Exercise Fatigue: A Review. Front Syst Neurosci. 2022 Aug 11;16:893275. doi: 10.3389/fnsys.2022.893275. eCollection 2022.
- Al-Mulla MR, Sepulveda F, Colley M. An autonomous wearable system for predicting and detecting localised muscle fatigue. Sensors (Basel). 2011;11(2):1542-57. doi: 10.3390/s110201542. Epub 2011 Jan 27.
- Calder KM, Stashuk DW, McLean L. Physiological characteristics of motor units in the brachioradialis muscle across fatiguing low-level isometric contractions. J Electromyogr Kinesiol. 2008 Feb;18(1):2-15. doi: 10.1016/j.jelekin.2006.08.012. Epub 2006 Nov 20.
- Torvik, G. I., Triantaphyllou, E., Liao, T., & Waly, S. (1999, March). Predicting muscle fatigue via electromyography: A comparative study. In Proceedings of the 25th International Conference on Computers and Industrial Engineering (pp. 277-280)
- Caesaria, A. P., Endro Yulianto, Luthfiyah, S., Triwiyanto, T., & Rizal, A. (2023). Effect of Muscle Fatigue on EMG Signal and Maximum Heart Rate for Pre and Post Physical Activity. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 5(1), 39-45. https://doi.org/10.35882/jeeemi.v5i1.278
- Ahmad I, Kim JY. Assessment of Whole Body and Local Muscle Fatigue Using Electromyography and a Perceived Exertion Scale for Squat Lifting. Int J Environ Res Public Health. 2018 Apr 18;15(4):784. doi: 10.3390/ijerph15040784.
- Dos Santos PK, Sigoli E, Braganca LJG, Cornachione AS. The Musculoskeletal Involvement After Mild to Moderate COVID-19 Infection. Front Physiol. 2022 Mar 18;13:813924. doi: 10.3389/fphys.2022.813924. eCollection 2022.
- Diem L, Fregolente-Gomes L, Warncke JD, Hammer H, Friedli C, Kamber N, Jung S, Bigi S, Funke-Chambour M, Chan A, Bassetti CL, Salmen A, Hoepner R. Fatigue in Post-COVID-19 Syndrome: Clinical Phenomenology, Comorbidities and Association With Initial Course of COVID-19. J Cent Nerv Syst Dis. 2022 May 24;14:11795735221102727. doi: 10.1177/11795735221102727. eCollection 2022.
- Ducrocq GP, Blain GM. Relationship between neuromuscular fatigue, muscle activation and the work done above the critical power during severe-intensity exercise. Exp Physiol. 2022 Apr;107(4):312-325. doi: 10.1113/EP090043. Epub 2022 Mar 4.
- Joli J, Buck P, Zipfel S, Stengel A. Post-COVID-19 fatigue: A systematic review. Front Psychiatry. 2022 Aug 11;13:947973. doi: 10.3389/fpsyt.2022.947973. eCollection 2022.
- Faulkner JA, Larkin LM, Claflin DR, Brooks SV. Age-related changes in the structure and function of skeletal muscles. Clin Exp Pharmacol Physiol. 2007 Nov;34(11):1091-6. doi: 10.1111/j.1440-1681.2007.04752.x.
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 (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- AI in Prediciting Fatigue
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
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. .