기계 학습 모델과 다중 센서 데이터를 사용하여 뇌졸중 환자의 낙상 위험 예측
2025년 5월 30일 업데이트: Seoul National University Hospital
뇌졸중 환자의 다중 센서 신호를 활용한 낙상 고위험군 예측을 위한 머신러닝 기반 모델 개발 및 검증
이 연구는 다중 센서 신호를 사용하여 뇌졸중 환자의 낙상 위험을 예측하기 위해 개발된 기계 학습 모델을 평가합니다.
이 전향적, 다기관, 공개 라벨, 후원자 개시 확인 시험은 근전도검사(EMG) 신호를 활용하여 환자를 고위험 또는 저위험 낙상 범주로 분류하는 모델의 안전성과 효능을 검증하는 것을 목표로 합니다.
혁신적인 접근 방식은 임상 환경에서 예방 전략을 향상시켜 잠재적으로 뇌졸중 생존자의 낙상 관련 부상을 줄이는 예측 도구를 제공하기를 희망합니다.
연구 개요
상세 설명
목표: 일차 목표는 낙상 위험이 높은 뇌졸중 환자를 식별하기 위해 다중 센서(EMG) 신호를 사용하는 기계 학습 기반 모델을 개발하고 검증하는 것입니다. 이 모델은 신체적 평가와 환자 병력에 크게 의존하는 전통적인 낙상 위험 평가를 개선하는 것을 목표로 합니다.
연구 설계: 이것은 전향적, 다기관, 공개 라벨, 확증적 임상 시험입니다. 여기에는 뇌졸중 환자로부터 EMG 데이터를 수집하고 기계 학습 기술을 적용하여 낙상 위험을 예측하는 작업이 포함됩니다. 이 연구에서는 기계 학습 모델의 예측 정확도를 기존의 낙상 위험 평가 도구와 비교할 것입니다.
행동 양식:
참가자들:
• 표본 크기: 기준선 EMG 판독값을 설정하기 위한 뇌졸중 환자 80명과 건강한 성인 10명.
개입:
• 참가자는 표준화된 동작을 수행하는 동안 주요 하지 근육에서 EMG 신호 수집을 받게 됩니다.
결과 측정:
- 1차 결과: 고위험 낙상 환자를 예측하는 데 있어서 기계 학습 모델의 민감도와 특이도.
- 2차 결과: 기존 낙상 위험 평가 도구(예: Berg Balance Scale)와 기계 학습 모델의 예측 성능 비교.
데이터 수집:
- EMG 센서는 환자의 하지 근육에 부착됩니다. 센서는 움직이는 동안 근육 활동을 기록한 다음 기계 학습 모델을 사용하여 분석합니다.
- 예측 모델은 EMG 신호에서 추출된 특징을 사용하여 훈련되며, 후속 기간 동안 보고된 실제 추락 사고에 대해 성능이 검증됩니다.
통계 분석:
- 머신러닝 모델의 유효성은 민감도(고위험 환자를 정확하게 식별하는 능력)와 특이성(저위험 환자를 정확하게 식별하는 능력)을 통해 측정됩니다.
- ROC(수신자 작동 특성) 곡선과 AUC(곡선 아래 면적) 통계를 사용하여 모델 성능을 평가합니다.
연구 유형
관찰
등록 (추정된)
90
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 연락처
- 이름: JungHyun Kim, prof
- 전화번호: 82+1088632341
- 이메일: kiking0@naver.com
연구 장소
-
-
Jongno
-
Seoul, Jongno, 대한민국, 03080
- 모병
- Seoul National University Hospital
-
연락하다:
- junghyun kim, Ph. D.
- 전화번호: 82+1021740890
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
예
샘플링 방법
확률 샘플
연구 인구
이 연구는 EMG 기반 기계 학습 모델의 효과에 대한 포괄적인 분석을 용이하게 하기 위해 약 80명의 뇌졸중 환자와 10명의 건강한 성인을 등록하는 것을 목표로 합니다.
설명
뇌졸중 참가자
포함 기준:
- 19세 이상
- 뇌졸중이 시작된 지 3개월 미만입니다.
- 뇌졸중으로 인한 하지 약화(MMT =< 4 등급)
- 명령을 따르는 인지 능력
제외 기준:
- 뇌졸중 재발
- 기타 신경학적 이상(예: 파킨슨 병).
- 심각한 인지 장애
- 심각하고 복잡한 질병(예: 활동성 암)
- 심장박동기 또는 기타 이식형 전자 시스템
건강 참가자
포함 기준:
- 19세 이상
- 연구의 필요성을 충분히 이해하고 자발적으로 피험자 참여에 동의한 자
제외 기준:
- 기타 신경학적 이상(예: 파킨슨 병).
- 심각한 인지 장애
- 심각하고 복잡한 질병(예: 활동성 암)
- 심장박동기 또는 기타 이식형 전자 시스템
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
기계 학습 모델의 민감도
기간: 단독 방문 당시
|
주요 결과 척도는 낙상의 위험이 높은 환자를 정확하게 식별하는 능력을 나타내는 기계 학습 모델의 민감도입니다.
민감도는 정확하게 식별된 실제 양성의 비율로 정의됩니다.
|
단독 방문 당시
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
기계 학습 모델의 특수성
기간: 단독 방문 당시
|
특이성은 올바르게 식별된 실제 부정의 비율을 측정합니다.
|
단독 방문 당시
|
기타 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
수신기 작동 특성 곡선 아래 영역
기간: 단독 방문 당시
|
이는 다양한 임계값 설정에서 분류 문제에 대한 성능 측정입니다.
ROC는 확률 곡선이고 AUC는 분리 가능성의 정도 또는 측정값을 나타냅니다.
모델이 클래스를 얼마나 구별할 수 있는지 알려줍니다.
|
단독 방문 당시
|
|
매튜스 상관계수
기간: 단독 방문 당시
|
MCC는 기계 학습에서 이진 분류 품질을 측정하는 데 사용됩니다.
이는 참, 거짓 긍정 및 부정을 고려하며 일반적으로 클래스의 크기가 매우 다른 경우에도 사용할 수 있는 균형 잡힌 측정으로 간주됩니다.
|
단독 방문 당시
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 수석 연구원: Woo Hyung Lee, prof, Seoul National University Hospital
- 연구 책임자: Byung-Mo Oh, prof, Seoul National University Hospital
- 연구 책임자: Han Gil Seo, prof, Seoul National University Hospital
- 연구 책임자: Sung Eun Hyun, prof, Seoul National University Hospital
- 연구 책임자: Hyunmi Oh, prof, National Traffic Injury Rehabilitation Hospital
- 연구 책임자: Sumin Oh, B.S., National Traffic Injury Rehabilitation Hospital
- 연구 책임자: SO YEON JEON, B.S., Seoul National University Hospital
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2024년 5월 20일
기본 완료 (실제)
2025년 3월 12일
연구 완료 (추정된)
2026년 4월 28일
연구 등록 날짜
최초 제출
2024년 4월 15일
QC 기준을 충족하는 최초 제출
2024년 4월 17일
처음 게시됨 (실제)
2024년 4월 23일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2025년 6월 2일
QC 기준을 충족하는 마지막 업데이트 제출
2025년 5월 30일
마지막으로 확인됨
2025년 5월 1일
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
- 0720242110
- 20240012366 (기타 식별자: Ministry of Food and Drug Safety)
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
아니요
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
아니
미국 FDA 규제 기기 제품 연구
아니
미국에서 제조되어 미국에서 수출되는 제품
아니
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .