- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT05858892
Comparação de um programa de reabilitação assistida por inteligência artificial para distúrbios musculoesqueléticos do ombro e a tomada de decisão clínica de terapeutas
5 de maio de 2023 atualizado por: Taipei Medical University Shuang Ho Hospital
Pessoas com distúrbios músculo-esqueléticos do ombro entre adultos de meia-idade e idosos têm a maior necessidade de serviços de reabilitação.
O crescimento populacional e o envelhecimento da sociedade aumentam consequentemente o número de pessoas com deficiência, os custos com a saúde e as necessidades de profissionais de saúde.
Existem evidências para apoiar o efeito benéfico dos exercícios na função e na qualidade de vida.
Tradicionalmente, um programa de reabilitação é desenhado por terapeutas para cada paciente dependendo de suas condições.
Nos últimos anos, a IA está sendo cada vez mais empregada no campo da medicina física e de reabilitação, no entanto, não há nenhum estudo sobre a aplicação da IA na previsão de programas de reabilitação para distúrbios musculoesqueléticos do ombro.
O principal objetivo deste estudo é explorar as possibilidades de usar a abordagem de aprendizado de máquina supervisionado para prever programas de reabilitação para distúrbios musculoesqueléticos do ombro.
Vinte e três características são identificadas com base na amplitude de movimento do ombro, dor, realização ou não de procedimento cirúrgico.
Cada exercício é considerado como um rótulo com um total de vinte e cinco exercícios.
O conjunto de dados é coletado por terapeutas clínicos para desenvolver e treinar o modelo.
Cada paciente tem que receber pelo menos dois meses de reabilitação e dois tempos de avaliação.
Regressão logística, máquina de vetores de suporte e floresta aleatória são usados para construir o modelo computacional.
Exatidão, precisão, recall, pontuação F-1 e AUC são usados para avaliar o desempenho do modelo computacional no aprendizado de máquina.
Após o treinamento, comparamos a consistência dos programas de reabilitação previstos pelo modelo de aprendizado de máquina e a tomada de decisão clínica dos terapeutas.
Visão geral do estudo
Status
Recrutamento
Intervenção / Tratamento
Tipo de estudo
Observacional
Inscrição (Antecipado)
80
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Contato de estudo
- Nome: Hanyun Hsiao, master
- Número de telefone: 1624 +88622490088
- E-mail: 10252@s.tmu.edu.tw
Locais de estudo
-
-
-
New Taipei City, Taiwan, 235
- Recrutamento
- Shuang Ho Hospital
-
Contato:
- Hanyun Hsiao, master
- Número de telefone: 1624 +88622490088
- E-mail: 10252@s.tmu.edu.tw
-
-
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
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Não
Método de amostragem
Amostra Não Probabilística
População do estudo
Distúrbios musculoesqueléticos que comumente causam dor no ombro na clínica incluem Capsulite Adesiva do ombro (AC ou ombro congelado), Rasgo ou Ruptura do Manguito Rotador (RCT) e Síndrome do Impacto do Ombro (SIS).
A incidência de CA na população geral é de aproximadamente 2-5%, ocorrendo mais comumente em mulheres de 40-60 anos; a incidência de RCT é de 20,7% e aumenta com a idade, mais comumente associada a SIS é a causa mais frequente de dor no ombro, representando cerca de 44-65% dos casos, geralmente afetando pessoas com mais de 40 anos.
Descrição
Critério de inclusão:
- Os códigos da Classificação Internacional de Doenças, 10ª revisão (CID-10) foram selecionados antes do início do estudo e incluíam os códigos CID-10 M75 (lesões no ombro), S42 (fratura do ombro e braço), S43 (luxação e entorse das articulações e ligamentos da cintura escapular) e S46 (lesão de músculo, fáscia e tendão ao nível do ombro e do braço)
- Pacientes que necessitam de reabilitação após procedimento cirúrgico e são capazes de realizar alongamento, amplitude de movimento assistida ativa (AAROM) ou amplitude de movimento ativa supervisionada (AROM)
- entre 20-80 anos
- São capazes de seguir comandos motores
Critério de exclusão:
- Pacientes com doenças do sistema nervoso central e periférico, como acidente vascular cerebral (AVC), doença de Parkinson (DP), miastenia gravis (MG), poliomielite
- Pacientes que tiveram contusão no ombro, lesão vascular, lesão grave por esmagamento e amputação
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
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
---|---|
grupo musculoesquelético do ombro
Os códigos da Classificação Internacional de Doenças, 10ª revisão (CID-10) foram selecionados antes do início do estudo e incluíam os códigos CID-10 M75 (lesões no ombro), S42 (fratura do ombro e braço), S43 (luxação e entorse das articulações e ligamentos da cintura escapular) e S46 (lesão de músculo, fáscia e tendão ao nível do ombro e do braço)
|
cuidados habituais (programa de reabilitação)
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Precisão
Prazo: Mudança da linha de base em 2 meses
|
Explorar as possibilidades de usar a abordagem de aprendizado de máquina supervisionado para prever programas de reabilitação para distúrbios musculoesqueléticos do ombro
|
Mudança da linha de base em 2 meses
|
Precisão
Prazo: Mudança da linha de base em 2 meses
|
Explorar as possibilidades de usar a abordagem de aprendizado de máquina supervisionado para prever programas de reabilitação para distúrbios musculoesqueléticos do ombro
|
Mudança da linha de base em 2 meses
|
Lembrar
Prazo: Mudança da linha de base em 2 meses
|
Explorar as possibilidades de usar a abordagem de aprendizado de máquina supervisionado para prever programas de reabilitação para distúrbios musculoesqueléticos do ombro
|
Mudança da linha de base em 2 meses
|
Pontuação F-1
Prazo: Mudança da linha de base em 2 meses
|
Explorar as possibilidades de usar a abordagem de aprendizado de máquina supervisionado para prever programas de reabilitação para distúrbios musculoesqueléticos do ombro
|
Mudança da linha de base em 2 meses
|
AUC
Prazo: Mudança da linha de base em 2 meses
|
Explorar as possibilidades de usar a abordagem de aprendizado de máquina supervisionado para prever programas de reabilitação para distúrbios musculoesqueléticos do ombro
|
Mudança da linha de base em 2 meses
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
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
- Burns DM, Leung N, Hardisty M, Whyne CM, Henry P, McLachlin S. Shoulder physiotherapy exercise recognition: machine learning the inertial signals from a smartwatch. Physiol Meas. 2018 Jul 23;39(7):075007. doi: 10.1088/1361-6579/aacfd9.
- Challoumas D, Biddle M, McLean M, Millar NL. Comparison of Treatments for Frozen Shoulder: A Systematic Review and Meta-analysis. JAMA Netw Open. 2020 Dec 1;3(12):e2029581. doi: 10.1001/jamanetworkopen.2020.29581.
- Linsell L, Dawson J, Zondervan K, Rose P, Randall T, Fitzpatrick R, Carr A. Prevalence and incidence of adults consulting for shoulder conditions in UK primary care; patterns of diagnosis and referral. Rheumatology (Oxford). 2006 Feb;45(2):215-21. doi: 10.1093/rheumatology/kei139. Epub 2005 Nov 1.
- Oude Nijeweme-d'Hollosy W, van Velsen L, Poel M, Groothuis-Oudshoorn CGM, Soer R, Hermens H. Evaluation of three machine learning models for self-referral decision support on low back pain in primary care. Int J Med Inform. 2018 Feb;110:31-41. doi: 10.1016/j.ijmedinf.2017.11.010. Epub 2017 Nov 23.
- Gupta R, Srivastava D, Sahu M, Tiwari S, Ambasta RK, Kumar P. Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Mol Divers. 2021 Aug;25(3):1315-1360. doi: 10.1007/s11030-021-10217-3. Epub 2021 Apr 12.
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)
11 de julho de 2022
Conclusão Primária (Antecipado)
30 de abril de 2024
Conclusão do estudo (Antecipado)
30 de abril de 2024
Datas de inscrição no estudo
Enviado pela primeira vez
5 de maio de 2023
Enviado pela primeira vez que atendeu aos critérios de CQ
5 de maio de 2023
Primeira postagem (Real)
15 de maio de 2023
Atualizações de registro de estudo
Última Atualização Postada (Real)
15 de maio de 2023
Última atualização enviada que atendeu aos critérios de controle de qualidade
5 de maio de 2023
Última verificação
1 de junho de 2022
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- N202206013
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 .
Ensaios clínicos em Aprendizado de máquina
-
Maastricht University Medical CenterAtivo, não recrutandoQueratoses actínicas | Dermatologia | E-learningHolanda
-
BrainswayDesconhecidoColeta de Dados para Facilitação do Algoritmo de Machine Learning para Tratamento PersonalizadoEstados Unidos
-
Centre Hospitalier Universitaire, AmiensRecrutamentoImagem de ressonância magnética | Fração de Ejeção Ventricular Esquerda | Ressonância Magnética Cardíaca | Deep LearningFrança
-
Bahria UniversityRecrutamentoCovid-19 | Estudante de medicina | E-learningPaquistão
Ensaios clínicos em Cuidados usuais
-
University of Texas at AustinDesconhecidoEsclerose múltiplaEstados Unidos
-
Arizona State UniversityMayo Clinic; National Institute of Nursing Research (NINR)ConcluídoApneia Obstrutiva do Sono em AdultosEstados Unidos
-
The University of Texas Health Science Center,...Ainda não está recrutandoNutrição na gravidez de alto riscoEstados Unidos
-
State University of New York at BuffaloUniversity of OregonAtivo, não recrutandoAbuso de ÁlcoolEstados Unidos
-
Evidence-Based Practice Institute, Seattle, WAConcluídoDepressão | Insônia | SuicídioEstados Unidos
-
University of RochesterConcluídoDepressão | Qualidade de vida | Violência domésticaEstados Unidos
-
University of Massachusetts, WorcesterCenters for Disease Control and PreventionConcluído
-
Versailles Saint-Quentin-en-Yvelines UniversityDesconhecido
-
Silke Wiegand-Grefe, Prof. Dr.Charite University, Berlin, Germany; Hannover Medical School; University Hospital... e outros colaboradoresAtivo, não recrutando
-
PfizerConcluídoExubera Large Simple Trial para avaliar a segurança pulmonar e cardiovascular a longo prazo (VOLUME)Diabetes MellitusEstados Unidos, Alemanha, Suécia, Reino Unido, Porto Rico