- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05777304
Bärbara sensorer och maskininlärning för bedömning av biomekaniska risker vid lyftuppgifter
21 december 2023 uppdaterad av: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA
Bärbara sensorer och maskininlärning: ett tekniskt tillvägagångssätt för biomekanisk riskbedömning i lyftuppgifter
Att lyfta laster kan orsaka arbetsrelaterade besvär i rörelseapparaten.
National Institute for Occupational Safety and Health (NIOSH) etablerade en metod för att bedöma lyftåtgärder med hjälp av en kvantitativ metod baserad på intensitet, varaktighet, frekvens och andra geometriska egenskaper för lyft.
Kroppsburen tröghetssensorteknik ger ett antal möjligheter att främja säkerheten och hälsan för arbetare som är engagerade i fysiskt arbete.
Rörelsespårningssystem tillsammans med algoritmer för maskininlärning (ML) används inom det ergonomiska området för biomekanisk riskbedömning med hjälp av data som samlats in av bärbara tröghetssystem.
Utredarna ställde frågan om det är möjligt att klassificera lyftuppgifter som tillhör olika riskklasser efter värdet av LI med hjälp av en maskininlärningsmetod med hjälp av funktioner extraherade från råsignaler.
Syftet med denna studie var att utveckla och validera, genom ML-algoritmer, ett icke-invasivt detektionssystem av kinetisk-kinematiska parametrar med hjälp av IMU- och EMG-sensorer, för den ergonomiska bedömningen av risken förknippad med en lastlyftningsaktivitet.
Studieöversikt
Detaljerad beskrivning
Studien avser frivillig inskrivning av friska försökspersoner, med hänvisning till behandlingskliniker för arbetsrelaterade patologier (exklusive försökspersoner i åldern <18 eller > 65 år, och de med muskuloskeletala patologier eller andra handikappande patologier på gång), för att utföra två upprepade lyfttester .
De två testerna är uppställda för att motsvara de två NIOSH-riskklasserna (LI<1, NO RISK; och LI>1, RISK).
IMU-sensorerna tillhandahåller trådlöst en serie data från vilka det är avsett att extrahera ett antal funktioner (funktionsextraktion) som har en hög prediktiv kraft, genom den digitala signalbehandlingstekniken med hjälp av dedikerad programvara (dvs.
Matlab, SPSS).
I ett andra steg kommer data som erhållits från EMG-sensorer att läggas till i analysen.
Bland de olika artificiella intelligensalgoritmerna kommer utredaren att leta efter de som bäst kan särskilja de olika riskklasserna på basis av parametrarna som extraherats från signalerna som detekteras under den motoriska uppgiften.
Studietyp
Observationell
Inskrivning (Faktisk)
41
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
18 år till 65 år (Vuxen, Äldre vuxen)
Tar emot friska volontärer
Ja
Testmetod
Icke-sannolikhetsprov
Studera befolkning
frisk volontär som hänvisar till behandlingsmottagningar för arbetsrelaterade patologier
Beskrivning
Inklusionskriterier:
- friska försökspersoner
Exklusions kriterier:
- försökspersoner med muskuloskeletala patologier eller andra pågående handikappande patologier
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Validering av den föreslagna strategin för att bedöma risken för lyftaktiviteter, enligt RNLE
Tidsram: första året
|
noggrannhetsgrad och AucRoc
|
första året
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Utredare
- Huvudutredare: Edda Capodaglio, PhD, ICS Maugeri IRCCS
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Allmänna publikationer
- 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.
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Faktisk)
7 oktober 2010
Primärt slutförande (Faktisk)
24 januari 2022
Avslutad studie (Faktisk)
6 maj 2022
Studieregistreringsdatum
Först inskickad
2 mars 2023
Först inskickad som uppfyllde QC-kriterierna
17 mars 2023
Första postat (Faktisk)
21 mars 2023
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
28 december 2023
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
21 december 2023
Senast verifierad
1 december 2023
Mer information
Termer relaterade till denna studie
Nyckelord
Andra studie-ID-nummer
- 2475
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .
Kliniska prövningar på Bärbara enheter
-
Tianjin Medical University General HospitalAvslutadDevics sjukdom | Devics syndrom | Devic's Neuromyelit Optica | Devic syndrom | EnhetssjukdomKina