虚拟现实和建模在老年和帕金森病患者跌倒风险评估中的贡献 (PrévSim)
身临其境的虚拟现实使用头戴式显示器和建模使用机器学习算法来评估老年人和帕金森病患者跌倒的风险。
衰老过程同时影响感官、认知和驾驶功能。 此外，衰老通常伴随着增加衰老影响的病症。 一个年长的受试者在维持平衡控制方面会遇到更多困难，并且会有跌倒的风险，有时会对生活质量产生严重后果。
跌倒风险是通过与当前生活同时进行的测试来估计的，其灵敏度和特异性得分有待提高。 在一项包括 25 项研究（2 314 名受试者）的审查中，在阈值为 13.5 秒的“Timed Up and Go”(TUG) 测试中显示出 32% 的敏感性和 73% 的特异性。
此外，跌倒发生在一个多因素的背景下，当一个主体与他的环境相互作用时。 因此，尽可能接近日常生活情况来测试个人的平衡控制或跌倒风险似乎至关重要。 这项基于 TUG 的研究旨在使用虚拟现实 (VR) 和人类计量学平台评估受试者在接近日常生活的情况下的神经-心理-运动行为。
与医疗保健专业人员常用的经典 TUG 相比，该结果最终可能会提高评估 VR 中 TUG 跌倒风险的敏感性和特异性，从而允许对受试者进行更早或更适当的管理以预防跌倒的风险。 这可以让医疗保健专业人员更好地了解跌倒的风险，从而指导医疗建议和处方，特别是在适当的体育锻炼计划方面。
研究概览
研究类型
注册 (预期的)
阶段
- 不适用
联系人和位置
学习地点
-
-
-
Vandœuvre-lès-Nancy、法国、54500
- University Hospital of Nancy
-
-
参与标准
资格标准
适合学习的年龄
接受健康志愿者
有资格学习的性别
描述
纳入标准：
非跌倒老人
- 男性和女性
- 年龄介乎65至80岁
- 自主性
- 报告在过去 12 个月内没有跌倒
跌倒老人
- 男性和女性
- 年龄介乎65至80岁
- 自主性
- 报告在过去 12 个月内至少跌倒 1 次
患有帕金森病的非跌倒者
- 男性和女性
- 年龄介乎65至80岁
- 自主性
- 报告在过去 12 个月内没有跌倒
- 多巴敏感
- 帕金森病治疗ON期
排除标准：
- 听力损失妨碍理解指令和收听声音信息
- 视敏度与虚拟现实中的测试程序不兼容
- 没有帮助无法移动
- 不理解书面和口头法语、文盲、痴呆症
- 治疗包括精神药物
- 紧急情况下的人，
- 主要受法律保护措施的人（监护人、监护人、司法保障），
- 主要人物无法表示同意，
- 住院的人，
- 因司法或行政决定而被剥夺自由的人，根据法国《公共卫生法典》第 L. 3212-1 和 L. 3213-1 条，这些人是精神病治疗的对象，
- 研究者认为可能不合作或不尊重参与研究的固有义务的人
- 有癫痫倾向的人
学习计划
研究是如何设计的？
设计细节
- 主要用途：预防
- 分配：非随机化
- 介入模型：并行分配
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：老人不摔倒
|
生物力学、生理学、心理和行为分析
|
|
实验性的：老人跌倒
|
生物力学、生理学、心理和行为分析
|
|
实验性的：不会跌倒的帕金森病患者
|
生物力学、生理学、心理和行为分析
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
虚拟现实 (VR) 中的 Timed Up & Go
大体时间：基线
|
时间
|
基线
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
Timed Up & Go（非 VR 条件）
大体时间：基线
|
时间
|
基线
|
|
在 VR 条件下验证 TUG
大体时间：1年随访
|
TUG 和 TUG VR 条件的敏感性和特异性
|
1年随访
|
|
TUG 和 TUG VR 时间与跌倒随访的相关性
大体时间：1年随访
|
1年随访
|
|
|
运动学分析
大体时间：基线
|
在虚拟现实任务期间根据时间测量全身运动（x、y、z 轴上的坐标）
|
基线
|
|
动力学分析
大体时间：基线
|
在虚拟现实任务期间测量足底压力变化（牛顿力）随时间的变化
|
基线
|
|
生理分析1
大体时间：基线
|
在虚拟现实任务期间测量随时间变化的心率演变 (bpm)
|
基线
|
|
生理分析2
大体时间：基线
|
在虚拟现实任务期间测量随时间变化的呼吸演变（频率）
|
基线
|
|
生理分析3
大体时间：基线
|
在虚拟现实任务期间测量随时间变化的皮肤电反应演变 (µSiemens)
|
基线
|
|
视觉注意力分析
大体时间：基线
|
测量注视虚拟对象的参数（注视每个对象的次数和注视该对象的时间）
|
基线
|
|
心理分析1
大体时间：基线
|
跌倒恐惧的测量（来自 Tinetti 的 Fall Efficacy Scale-International，评分从 16 到 64）
|
基线
|
|
心理分析2
大体时间：基线
|
跌倒恐惧的测量（活动特定的平衡信心 - 来自 Powell & Myers 的量表，分数从 0 到 45）
|
基线
|
|
心理分析3
大体时间：基线
|
应对策略的测量（来自 Folkman 和 Lazarus 的应对方式清单，记忆压力情境主观评估得分从 1 到 5，问题项目得分从 10 到 40，情感项目得分从 9 到 36，以及鼓励项目的分数从 8 分到 32 分）。
|
基线
|
|
自动学习和跌倒风险评估
大体时间：长达 3 年
|
使用支持向量机、决策树、线性判别式进行监督学习。 使用机器学习算法不是测量，而是数据处理，将测量中的所有数据汇编起来，并将它们与后续年度的跌倒次数进行比较。 机器学习算法将从这些数据中学习，将任何新参与者分类为“低跌倒风险”、“高跌倒风险”或“无跌倒风险”的概况。 |
长达 3 年
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (预期的)
初级完成 (预期的)
研究完成 (预期的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.