- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05777304
Czujniki do noszenia i uczenie maszynowe do oceny ryzyka biomechanicznego podczas podnoszenia ciężarów
21 grudnia 2023 zaktualizowane przez: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA
Czujniki do noszenia i uczenie maszynowe: podejście technologiczne do biomechanicznej oceny ryzyka w zadaniach związanych z podnoszeniem
Podnoszenie ciężarów może powodować związane z pracą zaburzenia układu mięśniowo-szkieletowego.
Narodowy Instytut Bezpieczeństwa i Higieny Pracy (NIOSH) ustanowił metodologię oceny czynności związanych z podnoszeniem za pomocą metody ilościowej opartej na intensywności, czasie trwania, częstotliwości i innych cechach geometrycznych podnoszenia.
Technologia czujników inercyjnych noszonych na ciele zapewnia szereg możliwości poprawy bezpieczeństwa i zdrowia pracowników wykonujących pracę fizyczną.
Systemy śledzenia ruchu wraz z algorytmami uczenia maszynowego (ML) są wykorzystywane w dziedzinie ergonomii do oceny ryzyka biomechanicznego za pomocą danych uzyskanych przez systemy inercyjne do noszenia.
Badacze postawili pytanie, czy możliwe jest sklasyfikowanie zadań dźwigowych należących do różnych klas ryzyka według wartości LI przy użyciu podejścia uczenia maszynowego za pomocą cech wyodrębnionych z surowych sygnałów.
Celem pracy było opracowanie i walidacja, za pomocą algorytmów ML, nieinwazyjnego systemu detekcji parametrów kinetyczno-kinematycznych z wykorzystaniem sensorów IMU i EMG, do ergonomicznej oceny ryzyka związanego z podnoszeniem ciężarów.
Przegląd badań
Status
Zakończony
Warunki
Interwencja / Leczenie
Szczegółowy opis
Badanie przewiduje dobrowolny nabór osób zdrowych, zgłaszających się do poradni leczenia schorzeń związanych z pracą (z wyłączeniem osób w wieku <18 lub > 65 lat oraz osób ze schorzeniami układu mięśniowo-szkieletowego lub innymi patologiami powodującymi niepełnosprawność), do wykonania dwóch powtórnych prób podnoszenia .
Dwa testy są skonfigurowane tak, aby odpowiadały odpowiednio dwóm klasom ryzyka NIOSH (LI<1, BEZ RYZYKA; i LI>1, RYZYKO).
Czujniki IMU dostarczają bezprzewodowo szereg danych, z których za pomocą techniki cyfrowego przetwarzania sygnałów z wykorzystaniem dedykowanego oprogramowania (tj.
Matlab, SPSS).
W drugim kroku do analizy zostaną dodane dane pozyskane z czujników EMG.
Wśród różnych algorytmów sztucznej inteligencji badacz będzie szukał tych, które najlepiej potrafią rozróżnić różne klasy ryzyka na podstawie parametrów wyodrębnionych z sygnałów wykrytych podczas zadania motorycznego.
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
41
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
18 lat do 65 lat (Dorosły, Starszy dorosły)
Akceptuje zdrowych ochotników
Tak
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
zdrowy ochotnik zgłaszający się do poradni leczenia patologii związanych z pracą
Opis
Kryteria przyjęcia:
- zdrowe przedmioty
Kryteria wyłączenia:
- pacjentów z patologiami układu mięśniowo-szkieletowego lub innymi trwającymi patologiami powodującymi niepełnosprawność
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Walidacja proponowanej strategii oceny ryzyka związanego z czynnościami dźwigowymi, zgodnie z RNLE
Ramy czasowe: pierwszy rok
|
stopień dokładności i AucRoc
|
pierwszy rok
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Śledczy
- Główny śledczy: Edda Capodaglio, PhD, ICS Maugeri IRCCS
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- Donisi L, Cesarelli G, Capodaglio E, Panigazzi M, D'Addio G, Cesarelli M, Amato F. A Logistic Regression Model for Biomechanical Risk Classification in Lifting Tasks. Diagnostics (Basel). 2022 Oct 29;12(11):2624. doi: 10.3390/diagnostics12112624.
- Donisi L, Cesarelli G, Pisani N, Ponsiglione AM, Ricciardi C, Capodaglio E. Wearable Sensors and Artificial Intelligence for Physical Ergonomics: A Systematic Review of Literature. Diagnostics (Basel). 2022 Dec 5;12(12):3048. doi: 10.3390/diagnostics12123048.
- Donisi L, Capodaglio EM, Amitrano F, Cesarelli G, Pagano G, D'Addio G. A multiple linear regression approach to extimate lifted load from features extracted from inertial data. G Ital Med Lav Ergon. 2021 Dec;43(4):373-378.
- Donisi L, Cesarelli G, Coccia A, Panigazzi M, Capodaglio EM, D'Addio G. Work-Related Risk Assessment According to the Revised NIOSH Lifting Equation: A Preliminary Study Using a Wearable Inertial Sensor and Machine Learning. Sensors (Basel). 2021 Apr 7;21(8):2593. doi: 10.3390/s21082593.
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
7 października 2010
Zakończenie podstawowe (Rzeczywisty)
24 stycznia 2022
Ukończenie studiów (Rzeczywisty)
6 maja 2022
Daty rejestracji na studia
Pierwszy przesłany
2 marca 2023
Pierwszy przesłany, który spełnia kryteria kontroli jakości
17 marca 2023
Pierwszy wysłany (Rzeczywisty)
21 marca 2023
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
28 grudnia 2023
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
21 grudnia 2023
Ostatnia weryfikacja
1 grudnia 2023
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
- 2475
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .