- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT05813613
De rol van kunstmatige intelligentie bij het voorspellen van spiervermoeidheid met behulp van Virtual Reality-training
De rol van kunstmatige intelligentie bij het voorspellen van spiervermoeidheid met behulp van virtual reality-training bij gezonde en post-COVID19-onderwerpen
Het doel van deze observationele voorspelde studie is om spiervermoeidheid te voorspellen met behulp van een specifiek AI-algoritme bij gezonde versus post-Covid-19-geïnfecteerde personen. De belangrijkste vraag die het wil beantwoorden is:
Kan kunstmatige intelligentie worden gebruikt als een betrouwbare bron voor het voorspellen van gelokaliseerde spiervermoeidheid bij gezonde versus post-Covid-19-geïnfecteerde personen?
De deelnemers worden verdeeld in twee groepen: een gezonde groep en een post-Covid-19-groep.
- Elke groep ondergaat voor aanvang van de oefeningen een inwerktraject.
- Vervolgens voert elke groep hurkoefeningen uit, begeleid door het kynpasis virtual reality-apparaat.
- sEMG voor de vastus lateralis en rectus femories, borstexpansie en goniometrische metingen van de knie zullen worden uitgevoerd tijdens verschillende gerapporteerde vermoeidheidsniveaus met behulp van het Biopac-systeem.
- Groepen blijven hurken terwijl ze hun subjectieve vermoeidheidsniveaus registreren met behulp van de Borg-schaal.
- Gegevens worden vervolgens door machine learning-processen geleid om een AI-algoritme te produceren dat geïsoleerde spiervermoeidheid kan voorspellen.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
De deelnemers werden verdeeld in twee groepen, een bestaande uit gezonde individuen en een andere bestaande uit Covid-19-proefpersonen. Beide groepen kregen een gewenningstraining voor de uit te voeren oefening met daarna 15 minuten rust, voor aanvang van de dataverzameling.
Hurkoefeningen werden uitgevoerd met behulp van een virtual reality (VR) -machine (kynapsis) voor begeleiding in beide groepen. Squats werden uitgevoerd terwijl de handen voor de lichamen werden gehouden en de knieën 90 graden gebogen volgens een ritme van twee seconden voor de afdaling, waarbij de stijging van twee seconden de beweging nabootste die op de VR-machine werd uitgevoerd.
Er werd rekening gehouden met aanvullende variabelen, waaronder borstuitbreiding en het bewegingsbereik met behulp van een elektrische goniometer, die allemaal werden gemeten en geregistreerd met behulp van de Biopac (BIOPAC Systems, Inc., Santa Barbara, CA) die, volgens bewijsmateriaal, een high-pass bezit frequentiefilter en bipolair elektrodesysteem.
De geteste spieren zijn de 3 koppen van de QF-spier RF, VM en VL. Hun gebieden werden schoongemaakt met alcohol en geschoren om de weerstand van de elektroden te verminderen. Er werden drie wegwerpbare sEMG-oppervlakte-elektroden geplaatst, twee op de spierbuik met een afstand van 2,5 cm ertussen, en één stuurelektrode aan de kant van de agonist. De deelnemer werd gevraagd zijn knie te strekken en te buigen tegen weerstand in om de laterale en mediale vasti. Tijdens de oefening werden sEMG-elektroden op de onderafdelingen van de QF-spier geplaatst. De geëxtraheerde gegevens worden vervolgens door een AI-algoritme geleid dat spiervermoeidheid analyseert en voorspelt.
De Borg (C-10) schaal werd aan de deelnemers uitgelegd en was voor hen aanwezig tijdens het uitvoeren van de oefening als uitkomstmaat om de subjectieve spiervermoeidheid te beoordelen die, eenmaal bereikt, de oefening zal beëindigen.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
-
Beirut, Libanon
- Ahmad ElMelhat
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
De onderzoekspopulatie bestond uit twee groepen.
- Niet-atletische gezonde personen die de afgelopen 3 dagen geen intense activiteiten hebben uitgevoerd en niet eerder contact hadden opgenomen met Covid-19.
- Niet-atletische gezonde personen die de afgelopen 3 dagen geen intense activiteiten hebben uitgevoerd, maar bij wie een bevestigde positieve PCR-test is uitgevoerd binnen een interval van 1 jaar.
Beschrijving
Inclusiecriteria:
- Alle proefpersonen die in beide groepen van het onderzoek zijn opgenomen, moeten niet-atletische, gezonde individuen zijn die de afgelopen 3 dagen intense activiteiten hebben vermeden. De proefpersonen die zijn opgenomen in de Covid-19-groep moeten binnen een interval van 1 jaar een bevestigde positieve PCR-test laten uitvoeren.
Uitsluitingscriteria:
- De proefpersonen die niet voldoen aan de inclusiecriteria, zijnde geriatrie op hoge leeftijd (meer dan 50 jaar oud), of met ademhalings-, hart-, nier-, neuromusculaire, orthopedische en musculoskeletale aandoeningen, moeten van het onderzoek worden uitgesloten. Er moet rekening worden gehouden met rokers en sommige gebruikers van medicinale drugs, omdat dit de prestaties beïnvloedt en de vermoeidheid verhoogt.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Gezonde groep
|
Hurkoefeningen werden uitgevoerd met behulp van een virtual reality (VR) -machine (kynapsis) voor begeleiding in beide groepen.
Squats werden uitgevoerd terwijl de handen voor de lichamen werden gehouden en de knieën 90 graden gebogen volgens een ritme van twee seconden voor de afdaling, waarbij de stijging van twee seconden de beweging nabootste die op de VR-machine werd uitgevoerd.
|
|
Post Covid-19-groep
|
Hurkoefeningen werden uitgevoerd met behulp van een virtual reality (VR) -machine (kynapsis) voor begeleiding in beide groepen.
Squats werden uitgevoerd terwijl de handen voor de lichamen werden gehouden en de knieën 90 graden gebogen volgens een ritme van twee seconden voor de afdaling, waarbij de stijging van twee seconden de beweging nabootste die op de VR-machine werd uitgevoerd.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Oppervlakte-elektromyografie
Tijdsspanne: Tijdens de hurkoefening.
|
niet-invasieve techniek waarbij elektroden op de hoofden vastus lateralis en rectus femoris van de m. quadriceps femoris werden geplaatst om de myo-elektrische output te beoordelen.
Hun gebieden werden schoongemaakt met alcohol en geschoren om de weerstand van de elektroden te verminderen.
Er werden drie wegwerpbare sEMG-oppervlakte-elektroden geplaatst, twee op de spierbuik met een afstand van 2,5 cm ertussen, en één stuurelektrode aan de kant van de agonist. De deelnemer werd gevraagd zijn knie te strekken en te buigen tegen weerstand in om de laterale en mediale vasti.
Tijdens de oefening werden sEMG-elektroden op de onderafdelingen van de QF-spier geplaatst.
De geëxtraheerde gegevens worden vervolgens door een AI-algoritme geleid dat spiervermoeidheid analyseert en voorspelt.
|
Tijdens de hurkoefening.
|
|
De Borg-schaal voor waargenomen inspanning (RPE).
Tijdsspanne: Tijdens de hurkoefening.
|
Een hulpmiddel voor het meten van de inspanning en inspanning, kortademigheid en vermoeidheid van een persoon tijdens fysiek werk en is daarom zeer relevant voor de praktijk van gezondheid en veiligheid op het werk.
Het varieert van minimaal 6 tot maximaal 20, waarbij 6 staat voor geen inspanning en 20 voor extreme maximale inspanning
|
Tijdens de hurkoefening.
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Uitbreiding van de borst.
Tijdsspanne: Tijdens de hurkoefening.
|
Met behulp van een ademhalingstransducer die om de borst van het onderwerp is gewikkeld met behulp van een klittenband die expansiegegevens naar de hoofdontvangermodule van de Biopac verzendt, die op de computer worden opgenomen.
|
Tijdens de hurkoefening.
|
|
Bereik van beweging.
Tijdsspanne: Tijdens de hurkoefening.
|
Met behulp van een elektrische goniometer die op de knie van het onderwerp is aangesloten en die signalen van bewegingsbereik naar de ontvangermodule van de Biopac verzendt die op de computer wordt opgenomen.
|
Tijdens de hurkoefening.
|
Medewerkers en onderzoekers
Sponsor
Publicaties en nuttige links
Algemene publicaties
- 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.
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 (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- AI in Prediciting Fatigue
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
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 .