機械学習モデルとマルチセンサーデータを使用して脳卒中患者の転倒リスクを予測
2025年5月30日 更新者：Seoul National University Hospital
脳卒中患者のマルチセンサー信号を使用して転倒の高リスクグループを予測するための機械学習ベースのモデルの開発と検証
この研究では、マルチセンサー信号を使用して脳卒中患者の転倒リスクを予測するために開発された機械学習モデルを評価しています。
この前向き、多施設、非盲検、スポンサー主導の確認試験は、患者を高リスクまたは低リスクの転倒カテゴリーに分類するために筋電図 (EMG) 信号を利用するモデルの安全性と有効性を検証することを目的としています。
この革新的なアプローチは、臨床現場での予防戦略を強化する予測ツールを提供し、脳卒中生存者の転倒による損傷を減らす可能性があることを期待しています。
調査の概要
詳細な説明
目的: 主な目的は、マルチセンサー (EMG) 信号を使用して転倒のリスクが高い脳卒中患者を特定する機械学習ベースのモデルを開発および検証することです。 このモデルは、身体的評価と患者の病歴に大きく依存する従来の転倒リスク評価を改善することを目的としています。
研究デザイン: これは前向き、多施設共同、非盲検の確認的臨床試験です。 これには、脳卒中患者から EMG データを収集し、機械学習技術を適用して転倒のリスクを予測することが含まれます。 この研究では、機械学習モデルの予測精度を従来の転倒リスク評価ツールと比較します。
方法:
参加者：
• サンプルサイズ: ベースライン EMG 測定値を確立するための 80 人の脳卒中患者と 10 人の健康な成人。
介入:
• 参加者は、標準化された動作を実行しながら、下肢の主要な筋肉から EMG 信号を収集します。
結果の尺度:
- 主な成果: 高リスク転倒患者の予測における機械学習モデルの感度と特異度。
- 副次的結果: 機械学習モデルの予測パフォーマンスと従来の転倒リスク評価ツール (例: Berg Balance Scale) の比較。
データ収集：
- EMGセンサーは患者の下肢の筋肉に取り付けられます。 センサーは動作中の筋肉の活動を記録し、機械学習モデルを使用して分析します。
- 予測モデルはEMG信号から抽出された特徴を使用してトレーニングされ、そのパフォーマンスは追跡期間中に報告された実際の転倒事故に対して検証されます。
統計分析：
- 機械学習モデルの有効性は、感度 (高リスク患者を正確に識別する能力) と特異度 (低リスク患者を正確に識別する能力) によって測定されます。
- 受信者動作特性 (ROC) 曲線と曲線下面積 (AUC) 統計は、モデルのパフォーマンスを評価するために使用されます。
研究の種類
観察的
入学 (推定)
90
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究連絡先
- 名前：JungHyun Kim, prof
- 電話番号：82+1088632341
- メール：kiking0@naver.com
研究場所
-
-
Jongno
-
Seoul、Jongno、大韓民国、03080
- 募集
- Seoul National University Hospital
-
コンタクト：
- junghyun kim, Ph. D.
- 電話番号：82+1021740890
-
-
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
就学可能な年齢
- 大人
- 高齢者
健康ボランティアの受け入れ
はい
サンプリング方法
確率サンプル
調査対象母集団
この研究は、EMG ベースの機械学習モデルの有効性の包括的な分析を促進するために、約 80 人の脳卒中患者と 10 人の健康な成人を登録することを目的としています。
説明
脳卒中参加者
包含基準:
- 19歳以上
- 脳卒中の発症が3か月以内である
- 脳卒中による下肢筋力低下 (MMT =< グレード 4)
- 命令に従う認知能力
除外基準:
- 脳卒中再発
- 他の神経学的異常（例、 パーキンソン病）。
- 重度の認知障害
- 重篤かつ複雑な病状(例: 活動性がん）
- 心臓ペースメーカーまたはその他の埋め込み型電子システム
健康参加者
包含基準:
- 19歳以上
- 研究の必要性を十分に理解し、被験者として参加することに自主的に同意した方
除外基準:
- 他の神経学的異常（例、 パーキンソン病）。
- 重度の認知障害
- 重篤かつ複雑な病状(例: 活動性がん）
- 心臓ペースメーカーまたはその他の埋め込み型電子システム
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
研究はどのように設計されていますか？
デザインの詳細
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 |
|---|---|---|
|
機械学習モデルの感度
時間枠：単独訪問時
|
主な結果の尺度は機械学習モデルの感度であり、転倒の危険性が高い患者を正確に識別する能力を指します。
感度は、正しく識別される実際の陽性者の割合として定義されます。
|
単独訪問時
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
機械学習モデルの特異性
時間枠：単独訪問時
|
特異性は、正しく特定された実際の陰性の割合を測定します。
|
単独訪問時
|
その他の成果指標
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
受信機動作特性曲線の下の領域
時間枠：単独訪問時
|
これは、さまざまなしきい値設定での分類問題のパフォーマンス測定です。
ROC は確率曲線であり、AUC は分離可能性の程度または尺度を表します。
これは、モデルがクラス間をどの程度区別できるかを示します。
|
単独訪問時
|
|
マシューズの相関係数
時間枠：単独訪問時
|
MCC は、バイナリ分類の品質の尺度として機械学習で使用されます。
これは、真の陽性と偽の陽性と陰性を考慮しており、一般に、クラスのサイズが非常に異なる場合でも使用できるバランスの取れた尺度と見なされます。
|
単独訪問時
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
捜査官
- 主任研究者：Woo Hyung Lee, prof、Seoul National University Hospital
- スタディディレクター：Byung-Mo Oh, prof、Seoul National University Hospital
- スタディディレクター：Han Gil Seo, prof、Seoul National University Hospital
- スタディディレクター：Sung Eun Hyun, prof、Seoul National University Hospital
- スタディディレクター：Hyunmi Oh, prof、National Traffic Injury Rehabilitation Hospital
- スタディディレクター：Sumin Oh, B.S.、National Traffic Injury Rehabilitation Hospital
- スタディディレクター：SO YEON JEON, B.S.、Seoul National University Hospital
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (実際)
2024年5月20日
一次修了 (実際)
2025年3月12日
研究の完了 (推定)
2026年4月28日
試験登録日
最初に提出
2024年4月15日
QC基準を満たした最初の提出物
2024年4月17日
最初の投稿 (実際)
2024年4月23日
学習記録の更新
投稿された最後の更新 (実際)
2025年6月2日
QC基準を満たした最後の更新が送信されました
2025年5月30日
最終確認日
2025年5月1日
詳しくは
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。