- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06646120
Maskininlärning och 3D-bildbaserad modellering för uppskattning av kroppsvikt och kroppssammansättning i realtid under akut medicinsk vård. Studie 1
15 december 2025 uppdaterad av: Florida Atlantic University
Maskininlärning och 3D-bildbaserad modellering för uppskattning av kroppsvikt och kroppssammansättning i realtid under akut medicinsk vård. Studie 1 - Etablera en modell med hjälp av en enda 3D-kamerabild av en liggande patient för att noggrant uppskatta TBW, IBW och LBW.
Målet med denna observationsstudie är att träna och validera ett AI-drivet 3D-kamerasystem för att uppskatta total kroppsvikt, ideal kroppsvikt och mager kroppsvikt hos manliga och kvinnliga vuxna frivilliga i alla åldrar. Huvudfrågorna som denna studie syftar till att besvara är:
- Vilken grad av noggrannhet av viktuppskattning kan vi uppnå med ett AI-drivet 3D-kamera viktuppskattningssystem?
- Är denna noggrannhet densamma hos vuxna av båda könen, alla åldrar och alla kroppstyper (underviktiga, normalviktiga, överviktiga)? Deltagarna kommer att genomgå några antropometriska mätningar (höjd, mittarmsomkrets, viktomkrets, höftomkrets, uppmätt vikt), en DXA-skanning (för att mäta mager kroppsvikt) och 3D-bilder med en 3D-kamera.
Det blir inga ingrepp.
Studieöversikt
Status
Indragen
Detaljerad beskrivning
Denna studie är en observationsstudie med ett centrum för att träna, internt validera och testa ett AI-drivet 3D-kameraviktuppskattningssystem.
Vår hypotes är att detta system, när det används i hanteringen av akut sjuka patienter, kommer att kunna uppskatta total kroppsvikt, ideal kroppsvikt och mager kroppsvikt mer exakt än andra nuvarande point-of-care-system.
Friska volontärer kommer att användas för att träna och testa systemet.
Under en enda datainsamlingssession på cirka 30 minuter kommer antropometrisk baslinjedata, en DXA-skanning och 3D-kamerabilder av frivilliga som ligger på en medicinsk bår att fångas.
Det kommer inga ingripanden och ingen uppföljning av deltagare.
Den insamlade informationen kommer att användas för att träna en AI-algoritm (baserad på artificiella neurala nätverk) för att uppskatta vikten med hjälp av en enda djupbild.
När AI-systemet är fullt utvecklat kommer noggrannheten i dess viktuppskattningsprestanda att utvärderas i en oberoende testdatauppsättning.
Studietyp
Observationell
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
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
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Ja
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Studenter, personal och lärare vid Boca Raton campus vid Florida Atlantic University.
Beskrivning
Inklusionskriterier:
- Vilken villig volontär som helst.
Uteslutningskriterier:
- Deltagare med en kroppsvikt som överstiger DXA-maskinens kapacitet >204 kg (450 lbs);
- Gravida deltagare;
- Deltagare med medicinska tillstånd som kan förvirra studien;
- Deltagare med metalliska kirurgiska implantat;
- Deltagare som har gjort en röntgen med kontrast den senaste veckan;
- Deltagare som har tagit kalciumtillskott under 24 timmar före studien.
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 |
|---|---|---|
|
TBW-uppskattning
Tidsram: Baslinje
|
Noggrannhet av TBW-uppskattning med 3D-kamerasystem
|
Baslinje
|
|
IBW-uppskattning
Tidsram: Baslinje
|
Noggrannhet av IBW-uppskattning med 3D-kamerasystem
|
Baslinje
|
|
LBW-uppskattning
Tidsram: Baslinje
|
Noggrannhet av LBW-uppskattning med 3D-kamerasystem
|
Baslinje
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Sexrelaterad noggrannhet
Tidsram: Baslinje
|
Skillnad i noggrannhet mellan män och kvinnor
|
Baslinje
|
|
Åldersrelaterad noggrannhet
Tidsram: Baslinje
|
Noggrannhet av viktuppskattning per åldersgrupp
|
Baslinje
|
|
BMI-relaterad noggrannhet
Tidsram: Baslinje
|
Noggrannhet i viktuppskattningen efter undergrupp av viktstatus
|
Baslinje
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
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
- Wells M, Goldstein L. Appropriate Statistical Analysis and Data Reporting for Weight Estimation Studies. Pediatr Emerg Care. 2023 Jan 1;39(1):62-63. doi: 10.1097/PEC.0000000000002862. Epub 2022 Oct 1. No abstract available.
- Wells M, Goldstein LN, Cattermole G. Development and Validation of a Length- and Habitus-Based Method of Ideal and Lean Body Weight Estimation for Adults Requiring Urgent Weight-Based Medical Intervention. Eur J Drug Metab Pharmacokinet. 2022 Nov;47(6):841-853. doi: 10.1007/s13318-022-00796-3. Epub 2022 Sep 19.
- Wells M, Goldstein LN. Estimating Lean Body Weight in Adults With the PAWPER XL-MAC Tape Using Actual Measured Weight as an Input Variable. Cureus. 2022 Sep 17;14(9):e29278. doi: 10.7759/cureus.29278. eCollection 2022 Sep.
- Wells M, Goldstein LN, Alter SM, Solano JJ, Engstrom G, Shih RD. The accuracy of total body weight estimation in adults - A systematic review and meta-analysis. Am J Emerg Med. 2024 Feb;76:123-135. doi: 10.1016/j.ajem.2023.11.037. Epub 2023 Nov 29.
- Wells M, Goldstein LN, Wells T, Ghazi N, Pandya A, Furht B, Engstrom G, Jan MT, Shih R. Total body weight estimation by 3D camera systems: Potential high-tech solutions for emergency medicine applications? A scoping review. J Am Coll Emerg Physicians Open. 2024 Oct 4;5(5):e13320. doi: 10.1002/emp2.13320. eCollection 2024 Oct.
- Sonar VG, Jan MT, Wells M, Pandya A, Engstrom G, Shih R, Furht B. Estimating Body Volume and Height Using 3D Data. arxiv. 2024 September; 2410.02800
- Jan MT, Kumar A, Wells M, Pandya A, Engstrom G, Shih R, Furht B. Comprehensive Survey of Body Weight Estimation: Techniques, Datasets and Applications. Multimedia Tools and Applications. 2024 October
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)
1 juli 2025
Primärt slutförande (Beräknad)
30 juni 2026
Avslutad studie (Beräknad)
30 juni 2026
Studieregistreringsdatum
Först inskickad
15 oktober 2024
Först inskickad som uppfyllde QC-kriterierna
16 oktober 2024
Första postat (Faktisk)
17 oktober 2024
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
19 december 2025
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
15 december 2025
Senast verifierad
1 december 2025
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 1791994(1)
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
JA
IPD-planbeskrivning
Molnpunktsdata från 3D-bilder kommer att delas på begäran.
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 .