- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05523830
Estimering av energiforbruk og fysisk aktivitetsklassifisering med wearables (EEPAC)
Regelmessig fysisk aktivitet (PA) er bevist å bidra til å forebygge og behandle flere ikke-smittsomme sykdommer som hjertesykdom, hjerneslag og diabetes. Intensitet er en nøkkelegenskap ved PA som kan vurderes ved å estimere energiforbruk (EE). Imidlertid mangler nøyaktigheten av estimeringen av EE basert på akselerometre. Det har blitt antydet at tillegg av fysiologiske signaler kan forbedre estimeringen. Hvor mye hvert signal kan legge til den forklarte variasjonen og hvordan de kan forbedre estimeringen er fortsatt uklart.
Målet med denne studien er todelt:
å utforske bidraget til hjertefrekvens (HR), pustefrekvens (BR) og hudtemperatur til estimeringen av EE utvikle og validere en statistisk modell for å estimere EE i simulerte frittlevende forhold basert på de relevante fysiologiske signalene.
Studieoversikt
Detaljert beskrivelse
Fysisk aktivitet (PA) er definert som enhver kroppslig bevegelse produsert av skjelettmuskulatur som krever energiforbruk. De vitenskapelige bevisene for de gunstige effektene er ugjendrivelige. Vanlig PA er bevist å bidra til å forebygge og behandle flere ikke-smittsomme sykdommer som hjertesykdom, hjerneslag, diabetes og ulike former for kreft.
PA er en kompleks atferd som er preget av frekvens, intensitet, tid og type (FITT). For å forstå effekten av PA på helse og vårt generelle velvære, er det viktig å overvåke alle fire kjennetegn ved PA. En PA-klassifiseringsalgoritme kan vurdere hvor mye tid som brukes i forskjellige kroppsstillinger og aktivitet. Gjør det mulig å vurdere frekvens, tid og type. For å karakterisere PA fullstendig, må intensiteten estimeres. Dette kan gjøres ved å estimere energiforbruket (EE).
Wearables spiller en avgjørende rolle i overvåkingen av PA. De er en praktisk måte å samle objektive PA-data i dagliglivet på, på en diskret måte, til en relativt lav kostnad. Videre kan de brukes som et motiverende verktøy for å øke PA. Akselerometri har blitt brukt rutinemessig for å kvantifisere PA og forutsi EE ved bruk av lineære og ikke-lineære modeller. Forholdet mellom EE og akselerasjon er imidlertid forskjellig fra en aktivitet til en annen. For eksempel kan sykling generere samme akselerasjonsamplitude som løping, men EE kan variere sterkt. Det er klart at akselerasjon alene har en begrenset nøyaktighet for å estimere EE fra ulike aktiviteter.
Forbedring av estimeringen av EE kan oppnås ved først å klassifisere aktivitetstypen. For hver type aktivitet kan forskjellige estimater brukes. Det er mange metoder for å klassifisere PA og estimere EE. Litteratur beskriver bruken av regresjonsbaserte ligninger kombinert med cut-points, lineære modeller, ikke-lineære modeller, beslutningstrær, kunstige nevrale nettverk, etc. Det er fortsatt uklart hva som vil være den beste metoden for å estimere EE, for ikke å nevne hvilke funksjoner som vil bidra til modellen.
En annen mulighet er å legge til et relevant biosignal til estimeringsmodellen. Hjertefrekvens, pustefrekvens, temperatur er alle signaler som har en respons relatert til en økning i PA. Hjertefrekvens har tidligere blitt brukt for å forbedre EE-estimeringen i kombinasjon med akselerometri. Pustehastigheten og temperaturen kan bidra til estimeringen av EE er fortsatt uklart.
Derfor er målet med den nåværende studien todelt. For det første å utforske bidraget til forskjellige variabler (fysiologiske signaler) til estimeringen av EE og klassifiseringen av PA. For det andre utvikle og validere en modell for å estimere EE og klassifisere PA i simulerte frittlevende forhold basert på de relevante variablene.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
Limburg
-
Maastricht, Limburg, Nederland, 6229ER
- Maastricht University
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Alder mellom 18 og 64 år
- Forutsatt skriftlig informert samtykke
- Kunne være fysisk aktiv med PAR-Q+
Ekskluderingskriterier:
- En kontraindikasjon for fysisk aktivitet
- En kontraindikasjon for bruk av wearables, festet med et hypoallergen plaster
- Kronisk sykdom
- En pacemaker eller en hvilken som helst brystimplantert enhet
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Annen
- Tidsperspektiver: Annen
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
---|---|
Sunne fag
56 friske emner vil bli rekruttert til det aktuelle studiet
|
Ingen inngrep
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Estimeringsmodell for energiforbruk
Tidsramme: 1,5 år
|
Hovedmålet med denne studien er å utvikle og validere en energiforbruksestimat og fysisk aktivitetsklassifiseringsalgoritme basert på bærbare sensorer.
For å gjøre dette vil de relevante signalene som bidrar til klassifiseringen av fysisk aktivitet og estimeringen av energiforbruket identifiseres.
|
1,5 år
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Algoritme for hjertefrekvens (variabilitet).
Tidsramme: 1,5 år
|
Design og valider en hjertefrekvens (variabilitet) algoritme - Undersøke muligheten for å modellere det øyeblikkelige energiforbruket |
1,5 år
|
Bidrag av ulike biosignaler til estimering av energiforbruk
Tidsramme: 1,5 år
|
Vurder bidraget fra ulike biosignaler til estimering av energiforbruk
|
1,5 år
|
Øyeblikkelig energiforbruk
Tidsramme: 1,5 år
|
Undersøk muligheten for å modellere det øyeblikkelige energiforbruket
|
1,5 år
|
Samarbeidspartnere og etterforskere
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Guy Plasqui, Maastricht University
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- NL80580.068.22
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .
Kliniske studier på Ingen inngrep
-
Case Western Reserve UniversityAmerican University; Purdue UniversityRekruttering
-
Thomas Jefferson UniversityRekrutteringProstata karsinomForente stater
-
Oregon Research InstituteFullført
-
Sarah BlaylockVA Office of Research and DevelopmentFullførtFalle | LavsynForente stater
-
Tel Aviv UniversityFullført
-
Thomas Jefferson UniversityFullførtHematopoetisk og lymfoid celle-neoplasma | Ondartet fast neoplasmaForente stater
-
University Hospital, BonnGerman Federal Ministry of Education and ResearchUkjent
-
Idaho State UniversityHar ikke rekruttert ennåEksperimentelle videospill | Atferdsvurdering
-
VA Office of Research and DevelopmentRekruttering
-
OHSU Knight Cancer InstituteNational Cancer Institute (NCI); Oregon Health and Science UniversityRekruttering