Прогнозирование риска падения у пациентов с инсультом с использованием модели машинного обучения и данных нескольких датчиков
30 мая 2025 г. обновлено: Seoul National University Hospital
Разработка и проверка модели на основе машинного обучения для прогнозирования групп высокого риска падений с использованием мультисенсорных сигналов у пациентов с инсультом
В исследовании оценивается модель машинного обучения, разработанная для прогнозирования риска падения среди пациентов с инсультом с использованием сигналов мультисенсоров.
Это проспективное, многоцентровое, открытое, инициированное спонсором подтверждающее исследование направлено на проверку безопасности и эффективности модели, которая использует сигналы электромиографии (ЭМГ) для классификации пациентов на категории высокого или низкого риска падения.
Инновационный подход надеется предложить прогностический инструмент, который улучшит профилактические стратегии в клинических условиях, потенциально уменьшая травмы, связанные с падениями, у людей, переживших инсульт.
Обзор исследования
Статус
Рекрутинг
Вмешательство/лечение
Подробное описание
Цель: Основная цель — разработать и проверить модель на основе машинного обучения, которая использует сигналы мультисенсоров (ЭМГ) для выявления пациентов с инсультом с высоким риском падений. Эта модель направлена на улучшение традиционных оценок риска падений, которые в значительной степени полагаются на физические оценки и историю болезни пациента.
Дизайн исследования: Это проспективное многоцентровое открытое подтверждающее клиническое исследование. Он включает в себя сбор данных ЭМГ от пациентов, перенесших инсульт, и применение методов машинного обучения для прогнозирования риска падения. В исследовании будет сравниваться точность прогнозирования модели машинного обучения с традиционными инструментами оценки риска падения.
Методы:
Участники:
• Размер выборки: 80 пациентов с инсультом и 10 здоровых взрослых для определения исходных показателей ЭМГ.
Вмешательства:
• Участники пройдут сбор сигналов ЭМГ от ключевых мышц нижних конечностей, выполняя при этом стандартные движения.
Критерии оценки:
- Основной результат: чувствительность и специфичность модели машинного обучения в прогнозировании пациентов с высоким риском падения.
- Вторичные результаты: сравнение прогнозирующих характеристик модели машинного обучения с традиционными инструментами оценки риска падения (например, шкалой баланса Берга).
Сбор данных:
- Датчики ЭМГ будут прикреплены к мышцам нижних конечностей пациентов. Датчики будут фиксировать мышечную активность во время движения, которая затем будет проанализирована с помощью модели машинного обучения.
- Прогнозирующая модель будет обучена с использованием функций, извлеченных из сигналов ЭМГ, а ее эффективность будет проверена на основе фактических случаев падений, о которых сообщалось в течение периода наблюдения.
Статистический анализ:
- Эффективность модели машинного обучения будет измеряться ее чувствительностью (способностью правильно идентифицировать пациентов с высоким риском) и специфичностью (способностью правильно идентифицировать пациентов с низким риском).
- Кривые рабочих характеристик приемника (ROC) и статистика площади под кривой (AUC) будут использоваться для оценки производительности модели.
Тип исследования
Наблюдательный
Регистрация (Оцененный)
90
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Контакты исследования
- Имя: JungHyun Kim, prof
- Номер телефона: 82+1088632341
- Электронная почта: kiking0@naver.com
Места учебы
-
-
Jongno
-
Seoul, Jongno, Корея, Республика, 03080
- Рекрутинг
- Seoul National University Hospital
-
Контакт:
- junghyun kim, Ph. D.
- Номер телефона: 82+1021740890
-
-
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
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Да
Метод выборки
Вероятностная выборка
Исследуемая популяция
Целью исследования является участие около 80 пациентов с инсультом и 10 здоровых взрослых, чтобы облегчить всесторонний анализ эффективности модели машинного обучения на основе ЭМГ.
Описание
Участники инсульта
Критерии включения:
- 19 лет и старше
- начало инсульта менее 3 месяцев назад
- Слабость нижних конечностей вследствие инсульта (ММТ =< 4 степени)
- Когнитивная способность следовать командам
Критерий исключения:
- рецидив инсульта
- другие неврологические нарушения (например, болезнь Паркинсона).
- серьезные нарушения познания
- серьезные и сложные заболевания (например, активный рак)
- кардиостимулятор или другая имплантированная электронная система
Участники здравоохранения
Критерии включения:
- 19 лет и старше
- Лица, которые полностью понимают необходимость исследования и добровольно согласились участвовать в качестве субъектов.
Критерий исключения:
- другие неврологические нарушения (например, болезнь Паркинсона).
- серьезные нарушения познания
- серьезные и сложные заболевания (например, активный рак)
- кардиостимулятор или другая имплантированная электронная система
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 |
|---|---|---|
|
Чувствительность модели машинного обучения
Временное ограничение: Во время однократного визита
|
Первичным показателем результата является чувствительность модели машинного обучения, которая означает ее способность правильно идентифицировать пациентов с высоким риском падений.
Чувствительность определяется как доля фактических положительных результатов, которые правильно идентифицированы.
|
Во время однократного визита
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Специфика модели машинного обучения
Временное ограничение: Во время однократного визита
|
Специфичность измеряет долю фактических негативов, которые были правильно идентифицированы.
|
Во время однократного визита
|
Другие показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Площадь под кривой рабочей характеристики приемника
Временное ограничение: Во время однократного визита
|
Это измерение производительности задач классификации при различных пороговых значениях.
ROC представляет собой кривую вероятности, а AUC представляет собой степень или меру разделимости.
Он говорит о том, насколько модель способна различать классы.
|
Во время однократного визита
|
|
Коэффициент корреляции Мэтьюза
Временное ограничение: Во время однократного визита
|
MCC используется в машинном обучении как мера качества двоичной классификации.
Он учитывает истинные и ложные положительные и отрицательные результаты и обычно считается сбалансированным показателем, который можно использовать, даже если классы очень разного размера.
|
Во время однократного визита
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Следователи
- Главный следователь: Woo Hyung Lee, prof, Seoul National University Hospital
- Директор по исследованиям: Byung-Mo Oh, prof, Seoul National University Hospital
- Директор по исследованиям: Han Gil Seo, prof, Seoul National University Hospital
- Директор по исследованиям: Sung Eun Hyun, prof, Seoul National University Hospital
- Директор по исследованиям: Hyunmi Oh, prof, National Traffic Injury Rehabilitation Hospital
- Директор по исследованиям: Sumin Oh, B.S., National Traffic Injury Rehabilitation Hospital
- Директор по исследованиям: SO YEON JEON, B.S., Seoul National University Hospital
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)
20 мая 2024 г.
Первичное завершение (Действительный)
12 марта 2025 г.
Завершение исследования (Оцененный)
28 апреля 2026 г.
Даты регистрации исследования
Первый отправленный
15 апреля 2024 г.
Впервые представлено, что соответствует критериям контроля качества
17 апреля 2024 г.
Первый опубликованный (Действительный)
23 апреля 2024 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
2 июня 2025 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
30 мая 2025 г.
Последняя проверка
1 мая 2025 г.
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- 0720242110
- 20240012366 (Другой идентификатор: Ministry of Food and Drug Safety)
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
продукт, произведенный в США и экспортированный из 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. .