Geldigheid van een op AI gebaseerd programma om voedingsmiddelen te identificeren en de grootte van voedselporties te schatten (PortionSizeAI)
Testen van de validiteit van een op kunstmatige intelligentie gebaseerd programma om voedingsmiddelen te identificeren en de grootte van voedselporties bij volwassenen te schatten, een pilotstudie
Studie Overzicht
Gedetailleerde beschrijving
Studietype
Inschrijving (Werkelijk)
Fase
- Niet toepasbaar
Contacten en locaties
Studie Locaties
-
-
Louisiana
-
Baton Rouge, Louisiana, Verenigde Staten, 70808
- Pennington Biomedical Research Center
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Beschrijving
Inclusiecriteria:
- Man of vrouw
- Leeftijd 18-62 jaar
- Zelfgerapporteerde body mass index (BMI) 18,5-50 kg/m2
Uitsluitingscriteria:
- Elke omstandigheid of omstandigheid die de afronding van de studie zou kunnen belemmeren
- Onbekend of niet in staat om een iPhone te gebruiken
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Ander
- Toewijzing: NVT
- Interventioneel model: Opdracht voor een enkele groep
- Masker: Geen (open label)
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Experimenteel: Experimenteel
|
Voor deze pilotstudie zullen de onderzoekers, met behulp van een gemakssteekproef, maximaal 25 volwassenen rekruteren om de Nutrition AI-technologie in Openfit te gebruiken om de portiegrootte van voedsel te identificeren en te schatten dat wordt verstrekt in een laboratoriumomgeving bij het Pennington Biomedical Research Center (PBRC) en/of Louisiana State Universiteit (LSU).
Laboratoriumleden binnen het Ingestive Behavioral Laboratory zullen ook het vermogen van Nutrition AI testen om voedingsmiddelen te identificeren en de voedingsmiddelen die in het laboratorium worden aangeboden te kwantificeren.
Maaltijden worden gesimuleerd en deelnemers consumeren het verstrekte voedsel niet.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Identificatie van geplateerd voedsel met behulp van de Openfit mobiele app
Tijdsspanne: Eén studiebezoek van ~2 uur
|
Afstemming rondom identificatie van verstrekte voedingsmiddelen en dranken in vergelijking met bekende identificatie, op artikelniveau en over alle artikelen heen waarbij identificatie wordt bepaald door: 1) Voeding AI zonder correctie (geautomatiseerd), 2) Voeding AI met gebruikerscorrectie (semi-automatisch) Om een via de Nutrition AI geïdentificeerd voedingsmiddel als een exacte match te kunnen beschouwen, moet de naam van het geïdentificeerde voedingsmiddel overeenkomen met of nauw overeenkomen met het geserveerde voedingsmiddel. Een fruitcocktail die wordt geïdentificeerd als een fruitsalade is bijvoorbeeld een acceptabele match. Verhoudingen zullen worden gebruikt om te beoordelen of het percentage voedselproducten dat correct is geïdentificeerd door Nutrition AI verschilt van het percentage voedsel dat correct is geïdentificeerd door een criteriummethode (menselijke beoordelaar). Beschrijvende gegevens zullen ook worden gebruikt om de frequentie te beschrijven waarmee voedsel op het bord correct werd geïdentificeerd voor alle voedselproducten bij alle deelnemers. In totaal werden er bij alle deelnemers 255 voedingsmiddelen getest. |
Eén studiebezoek van ~2 uur
|
|
Schatting van de portiegrootte (kcal) van voedsel dat wordt geserveerd met behulp van de Openfit mobiele app
Tijdsspanne: Eén studiebezoek van ~2 uur
|
Fout tussen gemiddelde schattingen van geplateerd voedsel (kcal) en bekend geplateerd voedsel (kcal), bepaald door: 1) Voeding AI zonder gebruikerscorrectie (geautomatiseerd), 2) Voeding AI met gebruikerscorrectie (semi-automatisch) Er zullen gemiddelde fouten en Bland-Altman-analyses worden uitgevoerd om fouten in de schatting van het op het bord geplaatste voedsel op basis van de Nutrition AI te bepalen in vergelijking met schattingen op basis van de criteriummeting (gewogen voedsel). |
Eén studiebezoek van ~2 uur
|
|
Gebruikerstevredenheid van de Openfit mobiele app voor het opnemen van geplateerd voedsel
Tijdsspanne: Eén studiebezoek van ~2 uur
|
Na het voltooien van de beoordeling van het geplateerde voedsel, zullen de deelnemers een gebruikerstevredenheidsonderzoek (USS) invullen. De USS is een aangepaste versie van een eerdere versie die werd gebruikt om de bruikbaarheid van een mobiele applicatie voor voedingsbeoordeling te beoordelen. De USS bevat vijf kwantitatieve vragen en drie open antwoordvragen. De kwantitatieve vragen worden elk gescoord op een 6-punts Likertschaal, waarbij 1 de laagste en slechtste score is en 6 de hoogste en beste score. Gegevens voor elk van de vijf kwantitatieve antwoorden in de USS worden gemiddeld over de deelnemers heen en afzonderlijk gepresenteerd als gemiddelde (SD). Open reacties zullen worden geëvalueerd met behulp van kwalitatieve methoden om gemeenschappelijke thema's te identificeren. |
Eén studiebezoek van ~2 uur
|
|
Bruikbaarheid van de Openfit mobiele app voor het opnemen van eten
Tijdsspanne: Eén studiebezoek van ~2 uur
|
Deelnemers vullen de Computer Usability Satisfaction Questionnaire (CSUQ) in.
De CSUQ wordt veelvuldig gebruikt om de bruikbaarheid van mobiele applicaties te beoordelen.
De CSUQ bestaat uit 19 vragen, elk gescoord met behulp van een 7-punts Likert-schaal (waarbij 1 de laagste en beste score is en 7 de hoogste en slechtste score). Deelnemers beoordelen de tevredenheid, bruikbaarheid, informatiekwaliteit en interfacekwaliteit van de Openfit-app.
Het gemiddelde van deze 19 vragen (waarbij 1 de beste gemiddelde score is en 7 de slechtste gemiddelde score) levert een algemene bruikbaarheidsscore op.
|
Eén studiebezoek van ~2 uur
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Identificatie van plaatafval met behulp van de Openfit mobiele app
Tijdsspanne: Een studiebezoek van ~2 uur
|
Overeenkomst rond identificatie van plaatafval vergeleken met bekende identificatie, op itemniveau en over alle items heen, waarbij identificatie wordt bepaald door: 1) Nutrition AI zonder gebruikerscorrectie (geautomatiseerd), 2) Nutrition AI met gebruikerscorrectie (semi-automatisch) Om een voedsel geïdentificeerd door de Nutrition AI als een exacte voedselovereenkomst te beschouwen, moet de naam van het geïdentificeerde voedsel overeenkomen met of een goede overeenkomst zijn met het voedsel dat wordt geserveerd. Een fruitcocktail die als fruitsalade wordt geïdentificeerd, is bijvoorbeeld een acceptabele match. Verhoudingen zullen worden gebruikt om te beoordelen of het percentage voedingsmiddelen dat correct is geïdentificeerd door Nutrition AI verschilt van het percentage voedingsmiddelen dat correct is geïdentificeerd door een criteriummethode (menselijke beoordelaar). Beschrijvende gegevens zullen ook worden gebruikt om de frequentie te beschrijven waarmee plaatafval correct werd geïdentificeerd. |
Een studiebezoek van ~2 uur
|
|
Portiegrootteschatting (gramgewicht) van bordafval met behulp van de Openfit mobiele app
Tijdsspanne: Een studiebezoek van ~2 uur
|
Fout tussen gemiddelde schattingen van portiegewichten (gramgewicht) en bekende portiegewichten (gramgewicht), waarbij schattingen van bordafval worden bepaald door: 1) Nutrition AI zonder gebruikerscorrectie (geautomatiseerd), 2) Nutrition AI met gebruikerscorrectie (semi- geautomatiseerd) Gemiddelde fout en Bland-Altman-analyse zullen worden uitgevoerd om fouten in de schatting van het bordafval van de Nutrition AI te bepalen in vergelijking met schattingen van de criteriummaat (gewogen voedsel). |
Een studiebezoek van ~2 uur
|
|
Portiegrootteschatting (kcal) van bordafval met behulp van de Openfit mobiele app
Tijdsspanne: Een studiebezoek van ~2 uur
|
Fout tussen gemiddelde schattingen van portiegrootte (kcal) en bekende portiegrootte (kcal), waarbij schattingen van bordverspilling worden bepaald door: 1) Nutrition AI zonder gebruikerscorrectie (geautomatiseerd), 2) Nutrition AI met gebruikerscorrectie (semi-automatisch) Gemiddelde fout en Bland-Altman-analyse zullen worden uitgevoerd om fouten in de schatting van het bordafval van de Nutrition AI te bepalen in vergelijking met schattingen van de criteriummaat (gewogen voedsel). |
Een studiebezoek van ~2 uur
|
|
Gebruikerstevredenheid van de Openfit mobiele app voor het registreren van plaatafval
Tijdsspanne: Een studiebezoek van ~2 uur
|
Na het voltooien van de beoordeling van het plaatafval, vullen de deelnemers een gebruikerstevredenheidsonderzoek in. De onderzoekers pasten een gebruikerstevredenheidsenquête met 10 vragen aan die in eerdere onderzoeken was uitgevoerd om de tevredenheid, het gebruiksgemak en de geschiktheid van de training voor mobiele apps te kwantificeren. Antwoorden op de vragenlijst over gebruikerstevredenheid worden beoordeeld aan de hand van frequenties en percentages voor Likert-schaalgegevens. Open reacties zullen worden geëvalueerd met behulp van kwalitatieve methoden om gemeenschappelijke thema's te identificeren. |
Een studiebezoek van ~2 uur
|
|
Portiegrootteschatting (gramgewicht) van voedselinname met behulp van de Openfit mobiele app
Tijdsspanne: Een studiebezoek van ~2 uur
|
Fout tussen gemiddelde schattingen van portiegewichten (gramgewicht) en bekende portiegewichten (gramgewicht), waarbij schattingen van voedselinname (geplateerd - bordafval) worden bepaald door: 1) Nutrition AI zonder gebruikerscorrectie (geautomatiseerd), 2) Nutrition AI met gebruikerscorrectie (semi-automatisch) Gemiddelde fout en Bland-Altman-analyse zullen worden uitgevoerd om fouten in de schatting van voedselinname van de Nutrition AI te bepalen in vergelijking met schattingen van de criteriummaat (gewogen voedsel). |
Een studiebezoek van ~2 uur
|
|
Portiegrootteschatting (kcal) van voedselinname met behulp van de Openfit mobiele app
Tijdsspanne: Een studiebezoek van ~2 uur
|
Fout tussen gemiddelde schattingen van voedselinname (kcal) en bekende voedselinname (kcal), waarbij schattingen van voedselinname (op het bord - bordafval) worden bepaald door: 1) Nutrition AI zonder gebruikerscorrectie (geautomatiseerd), 2) Nutrition AI met gebruikerscorrectie (semi-automatisch) Gemiddelde fout en Bland-Altman-analyse zullen worden uitgevoerd om fouten in de schatting van voedselinname van de Nutrition AI te bepalen in vergelijking met schattingen van de criteriummaat (gewogen voedsel). |
Een studiebezoek van ~2 uur
|
Medewerkers en onderzoekers
Onderzoekers
- Hoofdonderzoeker: Chloe P Lozano, PhD, Pennington Biomedical Research Center
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Geschat)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Andere studie-ID-nummers
- PBRC 2022-011
- T32DK064584 (Subsidie/contract van de Amerikaanse NIH)
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .