食品を識別し、食品の部分サイズを推定するための AI ベースのプログラムの有効性 (PortionSizeAI)
人工知能ベースのプログラムの有効性をテストして、成人の食品を識別し、食品の部分サイズを推定するパイロット研究
調査の概要
詳細な説明
研究の種類
入学 (実際)
段階
- 適用できない
連絡先と場所
研究場所
-
-
Louisiana
-
Baton Rouge、Louisiana、アメリカ、70808
- Pennington Biomedical Research Center
-
-
参加基準
適格基準
就学可能な年齢
健康ボランティアの受け入れ
説明
包含基準:
- 男性か女性
- 18～62歳
- 自己申告ボディマス指数 (BMI) 18.5-50 kg/m2
除外基準:
- -研究の完了を妨げる可能性のある条件または状況
- iPhoneに慣れていない、または使用できない
研究計画
研究はどのように設計されていますか？
デザインの詳細
- 主な目的：他の
- 割り当て：なし
- 介入モデル：単一グループの割り当て
- マスキング：なし（オープンラベル）
武器と介入
参加者グループ / アーム |
介入・治療 |
|---|---|
|
実験的：実験的
|
このパイロット研究では、研究者らは、便利なサンプルを使用して、Openfit の栄養 AI テクノロジーを使用して、ペニントン生物医学研究センター (PBRC) やペニントン生物医学研究センター (PBRC) の実験室環境で提供される食品の分量を特定および推定するために、最大 25 人の成人を募集します。ルイジアナ州立大学 (LSU)。
摂取行動研究室の研究員は、栄養 AI が食品を識別し、研究室で提供される食品を定量化する能力もテストします。
食事は模擬的に行われ、参加者は提供された食品を摂取しません。
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
Openfit モバイル アプリを使用した盛り付けられた食品の識別
時間枠：1 回の研究訪問は約 2 時間
|
提供された食品および飲料の識別を既知の識別と比較することに関する合意。品目レベルおよびすべての品目にわたって、識別が次の方法で決定されます。1) 補正なしの栄養 AI (自動)、2) ユーザーによる補正のある栄養 AI (半自動) Nutrition AI によって特定された食品が完全に一致するとみなされるためには、特定された食品の名前が提供される食品と一致するか、またはほぼ一致する必要があります。 たとえば、フルーツ サラダとして識別されるフルーツ カクテルは許容可能な一致です。 割合は、Nutrition AI によって正しく識別された盛り付けられた食品の割合が、基準法 (人間の評価者) によって正しく識別された食品の割合と異なるかどうかを評価するために使用されます。 記述データは、参加者全員のすべての食品について盛り付けられた食品が正しく識別された頻度を記述するためにも使用されます。 参加者全員で合計 255 の食品がテストされました。 |
1 回の研究訪問は約 2 時間
|
|
Openfit モバイル アプリを使用して盛り付けられた食品の分量の推定 (kcal)
時間枠：1 回の研究訪問は約 2 時間
|
盛り付けられた食品の平均推定値 (kcal) と既知の盛り付けられた食品 (kcal) 間の誤差。1) ユーザー補正なしの栄養 AI (自動)、2) ユーザー補正ありの栄養 AI (半自動) 平均誤差と Bland-Altman 分析が実行され、Nutrition AI から盛り付けられた食品の推定値と、基準測定 (計量された食品) からの推定値との誤差が特定されます。 |
1 回の研究訪問は約 2 時間
|
|
盛り付けられた食品を記録するための Openfit モバイル アプリのユーザー満足度
時間枠：1 回の研究訪問は約 2 時間
|
盛り付けられた食品の評価を完了した後、参加者はユーザー満足度調査 (USS) に回答します。 USS は、食事評価のためのモバイル アプリケーションの使いやすさを評価するために使用されていた以前のバージョンを改造したものです。 USS には、5 つの定量的な質問と 3 つの自由回答の質問が含まれています。 定量的質問はそれぞれ 6 点のリッカート スケールを使用して採点され、1 が最低および最悪のスコア、6 が最高および最高のスコアとなります。 USS の 5 つの定量的応答のそれぞれのデータは、参加者間で平均され、平均 (SD) として個別に表示されます。 自由回答は定性的な方法を使用して評価され、共通のテーマが特定されます。 |
1 回の研究訪問は約 2 時間
|
|
盛り付けられた食品を記録するための Openfit モバイル アプリの使いやすさ
時間枠：1 回の研究訪問は約 2 時間
|
参加者は、コンピュータのユーザビリティ満足度アンケート (CSUQ) に回答します。
CSUQ は、モバイル アプリケーションの使いやすさを評価するためによく使用されます。
CSUQ は 19 の質問で構成され、それぞれが 7 ポイントのリッカート スケール (1 が最低および最高のスコア、7 が最高および最低のスコア) を使用して採点され、参加者は満足度、有用性、情報の品質、およびインターフェイスの品質を評価します。オープンフィットアプリ。
これら 19 の質問の平均 (1 が最高の平均スコア、7 が最低の平均スコア) により、全体的なユーザビリティ スコアが得られます。
|
1 回の研究訪問は約 2 時間
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
Openfit モバイルアプリを使用したプレート廃棄物の識別
時間枠：～2時間の1回の研究訪問
|
既知の識別と比較した、アイテム レベルでの、すべてのアイテムにわたるプレート廃棄物の識別に関する合意。ここで、識別は次の方法で決定されます。 Nutrition AI によって特定された食品が完全に一致する食品と見なされるには、特定された食品の名前が、提供される食品と一致するか、またはほぼ一致する必要があります。 たとえば、フルーツ サラダとして識別されるフルーツ カクテルは、一致として許容されます。 比率は、Nutrition AI によって正しく識別された食品の割合が、基準方法 (人間の評価者) によって正しく識別された食品の割合と異なるかどうかを評価するために使用されます。 記述データは、プレート廃棄物が正しく識別された頻度を記述するためにも使用されます。 |
～2時間の1回の研究訪問
|
|
Openfit モバイルアプリを使用したプレート廃棄物の部分サイズの推定 (グラム重量)
時間枠：～2時間の1回の研究訪問
|
1 食分重量 (グラム重量) の平均推定値と既知の 1 食分重量 (グラム重量) の間の誤差。プレート廃棄物の推定値は、1) ユーザー補正なしの栄養 AI (自動)、2) ユーザー補正ありの栄養 AI (半自動)自動) 平均誤差と Bland-Altman 分析を実行して、栄養 AI からのプレート廃棄物の推定における誤差を、基準測定 (計量された食品) からの推定と比較して決定します。 |
～2時間の1回の研究訪問
|
|
Openfit モバイルアプリを使用したプレート廃棄物の部分サイズ推定 (kcal)
時間枠：～2時間の1回の研究訪問
|
ポーション サイズ (kcal) の平均推定値と既知のポーション サイズ (kcal) の誤差。ここで、プレート廃棄物の推定値は次のように決定されます。1) ユーザー補正なしの栄養 AI (自動)、2) ユーザー補正ありの栄養 AI (半自動) 平均誤差と Bland-Altman 分析を実行して、栄養 AI からのプレート廃棄物の推定における誤差を、基準測定 (計量された食品) からの推定と比較して決定します。 |
～2時間の1回の研究訪問
|
|
プレート廃棄物を記録するための Openfit モバイル アプリのユーザー満足度
時間枠：～2時間の1回の研究訪問
|
プレート廃棄物の評価を完了した後、参加者はユーザー満足度調査を完了します。 調査員は、モバイル アプリの満足度、使いやすさ、およびトレーニングの適切性を定量化するために、以前の調査で実施された 10 の質問のユーザー満足度調査を採用しました。 ユーザー満足度アンケートへの回答は、リッカート尺度データの頻度とパーセンテージを使用して評価されます。 未回答の回答は、定性的な方法を使用して評価され、共通のテーマが特定されます。 |
～2時間の1回の研究訪問
|
|
Openfit モバイルアプリを使用した食物摂取の部分サイズ推定 (グラム重量)
時間枠：～2時間の1回の研究訪問
|
部分重量の平均推定値 (グラム重量) と既知の部分重量 (グラム重量) の間の誤差。ここで、食物摂取量の推定値 (盛り付けられた食物 - 皿の廃棄物) は次のように決定されます: 1) ユーザー補正なしの栄養 AI (自動化)、2) 栄養ユーザー修正による AI (半自動化) 平均誤差と Bland-Altman 分析を実行して、栄養 AI からの食物摂取量の推定における誤差を、基準測定 (計量された食物) からの推定と比較して決定します。 |
～2時間の1回の研究訪問
|
|
Openfit モバイルアプリを使用した食物摂取量の推定量 (kcal)
時間枠：～2時間の1回の研究訪問
|
食物摂取量の平均推定値 (kcal) と既知の食物摂取量 (kcal) の間の誤差。ここで、食物摂取量の推定値 (メッキされた食物 - 皿の廃棄物) は次のように決定されます: 1) ユーザー補正なしの栄養 AI (自動化)、2) 栄養 AI とユーザー修正（半自動） 平均誤差と Bland-Altman 分析を実行して、栄養 AI からの食物摂取量の推定における誤差を、基準測定 (計量された食物) からの推定と比較して決定します。 |
～2時間の1回の研究訪問
|
協力者と研究者
捜査官
- 主任研究者：Chloe P Lozano, PhD、Pennington Biomedical Research Center
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (実際)
研究の完了 (実際)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (推定)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
本研究に関する用語
キーワード
その他の研究ID番号
- PBRC 2022-011
- T32DK064584 (米国 NIH グラント/契約)
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
IPD プランの説明
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
米国FDA規制機器製品の研究
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。