- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT05777304
Sensores vestíveis e aprendizado de máquina para avaliação de risco biomecânico em tarefas de levantamento
21 de dezembro de 2023 atualizado por: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA
Sensores vestíveis e aprendizado de máquina: uma abordagem tecnológica para avaliação de risco biomecânico em tarefas de levantamento
Levantar cargas pode causar distúrbios musculoesqueléticos relacionados ao trabalho.
O Instituto Nacional de Segurança e Saúde Ocupacional (NIOSH) estabeleceu uma metodologia para avaliar as ações de levantamento por meio de um método quantitativo baseado na intensidade, duração, frequência e outras características geométricas do levantamento.
A tecnologia de sensor inercial usado no corpo oferece uma série de oportunidades para melhorar a segurança e a saúde dos trabalhadores envolvidos no trabalho físico.
Sistemas de rastreamento de movimento juntamente com algoritmos de aprendizado de máquina (ML) são usados no campo ergonômico para avaliação de risco biomecânico por meio de dados adquiridos por sistemas inerciais vestíveis.
Os investigadores questionaram se é possível classificar tarefas de elevação pertencentes a diferentes classes de risco de acordo com o valor de LI usando uma abordagem de aprendizado de máquina por meio de recursos extraídos de sinais brutos.
O objetivo deste estudo foi desenvolver e validar, por meio de algoritmos de ML, um sistema não invasivo de detecção de parâmetros cinético-cinemáticos por meio de sensores IMU e EMG, para a avaliação ergonômica do risco associado a uma atividade de levantamento de carga.
Visão geral do estudo
Status
Concluído
Condições
Intervenção / Tratamento
Descrição detalhada
O estudo prevê a inscrição voluntária de indivíduos saudáveis, referenciados em clínicas de tratamento de patologias relacionadas com o trabalho (excluindo indivíduos com idade <18 ou > 65 anos, e com patologias músculo-esqueléticas ou outras patologias incapacitantes em curso), para a realização de dois testes de levantamento repetidos .
Os dois testes são configurados para corresponder respectivamente às duas classes de risco do NIOSH (LI<1, SEM RISCO; e LI>1, RISCO).
Os sensores IMU disponibilizam sem fios um conjunto de dados dos quais se pretende extrair um conjunto de características (extração de características) que tenham um elevado poder preditivo, através da técnica de processamento digital de sinais com recurso a software dedicado (i.e.
Matlab, SPSS).
Em uma segunda etapa, os dados obtidos dos sensores EMG serão adicionados à análise.
Entre os diferentes algoritmos de inteligência artificial, o investigador procurará aqueles mais capazes de discriminar as várias classes de risco com base nos parâmetros extraídos dos sinais detectados durante a tarefa motora.
Tipo de estudo
Observacional
Inscrição (Real)
41
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
18 anos a 65 anos (Adulto, Adulto mais velho)
Aceita Voluntários Saudáveis
Sim
Método de amostragem
Amostra Não Probabilística
População do estudo
voluntário saudável referindo-se a clínicas de tratamento de patologias relacionadas ao trabalho
Descrição
Critério de inclusão:
- indivíduos saudáveis
Critério de exclusão:
- sujeitos com patologias músculo-esqueléticas ou outras patologias incapacitantes em curso
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Validação da estratégia proposta para avaliar o risco das atividades de elevação, de acordo com o RNLE
Prazo: primeiro ano
|
grau de precisão e AucRoc
|
primeiro ano
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Investigador principal: Edda Capodaglio, PhD, ICS Maugeri IRCCS
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- 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.
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
7 de outubro de 2010
Conclusão Primária (Real)
24 de janeiro de 2022
Conclusão do estudo (Real)
6 de maio de 2022
Datas de inscrição no estudo
Enviado pela primeira vez
2 de março de 2023
Enviado pela primeira vez que atendeu aos critérios de CQ
17 de março de 2023
Primeira postagem (Real)
21 de março de 2023
Atualizações de registro de estudo
Última Atualização Postada (Real)
28 de dezembro de 2023
Última atualização enviada que atendeu aos critérios de controle de qualidade
21 de dezembro de 2023
Última verificação
1 de dezembro de 2023
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Outros números de identificação do estudo
- 2475
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .