- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT05777304
Носимые датчики и машинное обучение для оценки биомеханического риска при подъеме тяжестей
21 декабря 2023 г. обновлено: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA
Носимые датчики и машинное обучение: технологический подход к оценке биомеханического риска при подъеме тяжестей
Поднятие тяжестей может вызвать профессиональные заболевания опорно-двигательного аппарата.
Национальный институт безопасности и гигиены труда (NIOSH) разработал методологию оценки подъемных действий с помощью количественного метода, основанного на интенсивности, продолжительности, частоте и других геометрических характеристиках подъема.
Технология нательных инерциальных датчиков предоставляет ряд возможностей для повышения безопасности и здоровья работников, занятых физическим трудом.
Системы отслеживания движения вместе с алгоритмами машинного обучения (ML) используются в области эргономики для оценки биомеханического риска с помощью данных, получаемых носимыми инерциальными системами.
Исследователи поставили вопрос, можно ли классифицировать подъемные задачи, относящиеся к разным классам риска, в соответствии со значением LI, используя подход машинного обучения с помощью признаков, извлеченных из необработанных сигналов.
Цель этого исследования заключалась в разработке и проверке с помощью алгоритмов машинного обучения неинвазивной системы обнаружения кинетических и кинематических параметров с использованием датчиков IMU и EMG для эргономической оценки риска, связанного с подъемом груза.
Обзор исследования
Подробное описание
Исследование предусматривает добровольное зачисление здоровых испытуемых, обратившихся в лечебные учреждения по поводу профессиональных патологий (исключая лиц в возрасте до 18 или > 65 лет, а также лиц с патологиями опорно-двигательного аппарата или другими инвалидизирующими патологиями в стадии развития), для проведения двух повторных подъемных испытаний. .
Два теста настроены так, чтобы соответствовать соответственно двум классам риска NIOSH (LI<1, БЕЗ РИСКА и LI>1, РИСК).
Датчики IMU передают по беспроводной сети серию данных, из которых предполагается извлечь ряд признаков (извлечение признаков), обладающих высокой предсказательной силой, с помощью метода цифровой обработки сигналов с использованием специального программного обеспечения (т.
Матлаб, SPSS).
На втором этапе к анализу будут добавлены данные, полученные от датчиков ЭМГ.
Среди различных алгоритмов искусственного интеллекта исследователь будет искать те, которые наиболее способны различать различные классы риска на основе параметров, извлеченных из сигналов, обнаруженных во время двигательной задачи.
Тип исследования
Наблюдательный
Регистрация (Действительный)
41
Критерии участия
Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.
Критерии приемлемости
Возраст, подходящий для обучения
От 18 лет до 65 лет (Взрослый, Пожилой взрослый)
Принимает здоровых добровольцев
Да
Метод выборки
Невероятностная выборка
Исследуемая популяция
здоровый доброволец, обратившийся в лечебные учреждения по поводу профессиональных патологий
Описание
Критерии включения:
- здоровые субъекты
Критерий исключения:
- субъекты с патологиями опорно-двигательного аппарата или другими инвалидизирующими патологиями в прогрессирующем состоянии
Учебный план
В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.
Как устроено исследование?
Детали дизайна
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Валидация предлагаемой стратегии для оценки риска подъемных работ согласно RNLE.
Временное ограничение: первый год
|
степень точности и AucRoc
|
первый год
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Следователи
- Главный следователь: Edda Capodaglio, PhD, ICS Maugeri IRCCS
Публикации и полезные ссылки
Лицо, ответственное за внесение сведений об исследовании, добровольно предоставляет эти публикации. Это может быть что угодно, связанное с исследованием.
Общие публикации
- 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.
Даты записи исследования
Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.
Изучение основных дат
Начало исследования (Действительный)
7 октября 2010 г.
Первичное завершение (Действительный)
24 января 2022 г.
Завершение исследования (Действительный)
6 мая 2022 г.
Даты регистрации исследования
Первый отправленный
2 марта 2023 г.
Впервые представлено, что соответствует критериям контроля качества
17 марта 2023 г.
Первый опубликованный (Действительный)
21 марта 2023 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
28 декабря 2023 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
21 декабря 2023 г.
Последняя проверка
1 декабря 2023 г.
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Другие идентификационные номера исследования
- 2475
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
НЕТ
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Нет
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Нет
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .
Клинические исследования носимое устройство
-
The Hong Kong Polytechnic UniversityЗавершенныйУстройство неэффективноГонконг
-
Ohio State UniversityMedical University of South Carolina; Northwestern UniversityПрекращеноИнсульт | ПарезСоединенные Штаты
-
Sunnybrook Health Sciences CentreTerry Fox Research InstituteЕще не набирают
-
Sunnybrook Health Sciences CentreРекрутинг
-
University GhentЗавершенныйИнфаркт миокарда с подъемом сегмента ST | Боль в грудиБельгия
-
New York Presbyterian Brooklyn Methodist HospitalЗавершенныйХроническое обструктивное заболевание легкихСоединенные Штаты
-
Sunnybrook Health Sciences CentreTerry Fox Research InstituteРекрутинг
-
Maquet Cardiopulmonary AGОтозванХроническое обструктивное заболевание легких | ХОБЛГермания
-
GE HealthcareЗавершенныйИнтервенционные сосудистые заболеванияКанада
-
Providence Little Company of Mary-TorranceViz.ai, Inc.НеизвестныйРабочий процесс инсульта и параметры клинического результатаСоединенные Штаты