Maskinlæring og 3D-bildebasert modellering for estimering av kroppsvekt og kroppssammensetning i sanntid under akuttmedisinsk behandling. Studie 1
15. desember 2025 oppdatert av: Florida Atlantic University
Maskinlæring og 3D-bildebasert modellering for estimering av kroppsvekt og kroppssammensetning i sanntid under akuttmedisinsk behandling. Studie 1 – Etabler en modell ved å bruke et enkelt 3D-kamerabilde av en pasient på liggende plass for å estimere TBW, IBW og LBW nøyaktig.
Målet med denne observasjonsstudien er å trene og validere et AI-drevet 3D-kamerasystem for å estimere total kroppsvekt, ideell kroppsvekt og mager kroppsvekt hos mannlige og kvinnelige voksne frivillige i alle aldre. Hovedspørsmålene denne studien tar sikte på å svare på er:
- Hvilken grad av nøyaktighet av vektestimering kan vi oppnå med et AI-drevet 3D-kamera vektestimeringssystem?
- Er denne nøyaktigheten den samme hos voksne av begge kjønn, alle aldre og alle kroppstyper (undervektige, normalvektige, overvektige)? Deltakerne vil gjennomgå noen antropometriske målinger (høyde, omkrets mellom armen, vektomkrets, hofteomkrets, målt vekt), en DXA-skanning (for å måle mager kroppsvekt) og 3D-bilder ved hjelp av et 3D-kamera.
Det blir ingen inngrep.
Studieoversikt
Status
Tilbaketrukket
Detaljert beskrivelse
Denne studien er en enkeltsenterobservasjonsstudie for å trene, internt validere og teste et AI-drevet 3D-kameravektberegningssystem.
Vår hypotese er at dette systemet, når det brukes i behandling av akutt syke pasienter, vil være i stand til å estimere total kroppsvekt, ideell kroppsvekt og mager kroppsvekt mer nøyaktig enn andre nåværende behandlingssystemer.
Friske frivillige vil bli brukt til å trene og teste systemet.
I løpet av en enkelt datainnsamlingsøkt på omtrent 30 minutter, vil baseline antropometriske data, en DXA-skanning og 3D-kamerabilder av frivillige som ligger på en medisinsk båre bli fanget.
Det blir ingen intervensjoner, og ingen oppfølging av deltakere.
De innsamlede dataene vil bli brukt til å trene en AI-algoritme (basert på kunstige nevrale nettverk) for å estimere vekt ved hjelp av et enkelt dybdebilde.
Når AI-systemet er fullt utviklet, vil nøyaktigheten av vektestimeringsytelsen bli evaluert i et uavhengig testdatasett.
Studietype
Observasjonsmessig
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Ja
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Studenter, ansatte og fakultet ved Boca Raton campus ved Florida Atlantic University.
Beskrivelse
Inkluderingskriterier:
- Enhver frivillig frivillig.
Ekskluderingskriterier:
- Deltakere med en kroppsvekt som overstiger DXA-maskinkapasiteten >204 kg (450lbs);
- Gravide deltakere;
- Deltakere med medisinske tilstander som kan forvirre studien;
- Deltakere med metalliske kirurgiske implantater;
- Deltakere som har tatt røntgen med kontrast den siste uken;
- Deltakere som har tatt kalsiumtilskudd i løpet av 24 timer før studien.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
TBW estimering
Tidsramme: Grunnlinje
|
Nøyaktighet av TBW-estimering ved bruk av 3D-kamerasystem
|
Grunnlinje
|
|
IBW estimering
Tidsramme: Grunnlinje
|
Nøyaktighet av IBW-estimering ved bruk av 3D-kamerasystem
|
Grunnlinje
|
|
LBW estimering
Tidsramme: Grunnlinje
|
Nøyaktighet av LBW-estimering ved bruk av 3D-kamerasystem
|
Grunnlinje
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Sex-relatert nøyaktighet
Tidsramme: Grunnlinje
|
Forskjellen i nøyaktighet mellom hanner og kvinner
|
Grunnlinje
|
|
Aldersrelatert nøyaktighet
Tidsramme: Grunnlinje
|
Nøyaktighet av vektestimering etter aldersgruppe
|
Grunnlinje
|
|
BMI-relatert nøyaktighet
Tidsramme: Grunnlinje
|
Nøyaktighet av vektestimering etter undergruppe av vektstatus
|
Grunnlinje
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- Wells M, Goldstein L. Appropriate Statistical Analysis and Data Reporting for Weight Estimation Studies. Pediatr Emerg Care. 2023 Jan 1;39(1):62-63. doi: 10.1097/PEC.0000000000002862. Epub 2022 Oct 1. No abstract available.
- Wells M, Goldstein LN, Cattermole G. Development and Validation of a Length- and Habitus-Based Method of Ideal and Lean Body Weight Estimation for Adults Requiring Urgent Weight-Based Medical Intervention. Eur J Drug Metab Pharmacokinet. 2022 Nov;47(6):841-853. doi: 10.1007/s13318-022-00796-3. Epub 2022 Sep 19.
- Wells M, Goldstein LN. Estimating Lean Body Weight in Adults With the PAWPER XL-MAC Tape Using Actual Measured Weight as an Input Variable. Cureus. 2022 Sep 17;14(9):e29278. doi: 10.7759/cureus.29278. eCollection 2022 Sep.
- Wells M, Goldstein LN, Alter SM, Solano JJ, Engstrom G, Shih RD. The accuracy of total body weight estimation in adults - A systematic review and meta-analysis. Am J Emerg Med. 2024 Feb;76:123-135. doi: 10.1016/j.ajem.2023.11.037. Epub 2023 Nov 29.
- Wells M, Goldstein LN, Wells T, Ghazi N, Pandya A, Furht B, Engstrom G, Jan MT, Shih R. Total body weight estimation by 3D camera systems: Potential high-tech solutions for emergency medicine applications? A scoping review. J Am Coll Emerg Physicians Open. 2024 Oct 4;5(5):e13320. doi: 10.1002/emp2.13320. eCollection 2024 Oct.
- Sonar VG, Jan MT, Wells M, Pandya A, Engstrom G, Shih R, Furht B. Estimating Body Volume and Height Using 3D Data. arxiv. 2024 September; 2410.02800
- Jan MT, Kumar A, Wells M, Pandya A, Engstrom G, Shih R, Furht B. Comprehensive Survey of Body Weight Estimation: Techniques, Datasets and Applications. Multimedia Tools and Applications. 2024 October
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
1. juli 2025
Primær fullføring (Antatt)
30. juni 2026
Studiet fullført (Antatt)
30. juni 2026
Datoer for studieregistrering
Først innsendt
15. oktober 2024
Først innsendt som oppfylte QC-kriteriene
16. oktober 2024
Først lagt ut (Faktiske)
17. oktober 2024
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
19. desember 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
15. desember 2025
Sist bekreftet
1. desember 2025
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 1791994(1)
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
JA
IPD-planbeskrivelse
Skypunktdata fra 3D-bilder vil bli delt på forespørsel.
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
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. .