人工智能辅助肩部肌肉骨骼疾病康复方案与治疗师临床决策的比较
2023年5月5日 更新者：Taipei Medical University Shuang Ho Hospital
中老年肩部肌肉骨骼疾病患者对康复服务的需求最高。
人口增长和老龄化社会随后增加了残疾人的数量、医疗保健成本和对医疗保健专业人员的需求。
现有证据支持锻炼对功能和生活质量的有益影响。
传统上，康复计划是由治疗师根据每个患者的情况为他们设计的。
近年来，人工智能越来越多地被应用于物理和康复医学领域，但目前还没有应用人工智能预测肩部肌肉骨骼疾病康复方案的研究。
本研究的主要目的是探索使用监督机器学习方法预测肩部肌肉骨骼疾病康复计划的可能性。
根据肩部运动范围、疼痛、是否进行外科手术来识别二十三个特征。
每个练习都被视为一个标签，共有 25 个练习。
临床治疗师收集数据集以开发和训练模型。
每位患者至少要接受两个月的康复治疗和两次评估。
逻辑回归、支持向量机和随机森林用于构建计算模型。
Accuracy、precision、recall、F-1 score 和 AUC 用于评估计算模型在机器学习中的性能。
训练结束后，我们比较了使用机器学习模型预测的康复方案的一致性和治疗师的临床决策。
研究概览
研究类型
观察性的
注册 (预期的)
80
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Hanyun Hsiao, master
- 电话号码：1624 +88622490088
- 邮箱：10252@s.tmu.edu.tw
学习地点
-
-
-
New Taipei City、台湾、235
- 招聘中
- Shuang Ho Hospital
-
接触：
- Hanyun Hsiao, master
- 电话号码：1624 +88622490088
- 邮箱：10252@s.tmu.edu.tw
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
临床上常引起肩痛的肌肉骨骼疾病包括肩关节囊粘连性关节囊炎（AC 或肩周炎）、肩袖撕裂或破裂 (RCT) 以及肩撞击综合征 (SIS)。
一般人群中 AC 的发病率约为 2-5%，最常见于 40-60 岁的女性； RCT 的发生率为 20.7%，并且随着年龄的增长而增加，最常见的是与 SIS 相关，SIS 是肩痛最常见的原因，约占病例的 44-65%，通常影响 40 岁以上的人群。
描述
纳入标准：
- 国际疾病分类第 10 版 (ICD-10) 代码在研究开始前被选择，包括 ICD-10 代码 M75（肩部损伤）、S42（肩部和上臂骨折）、S43（关节脱位和扭伤）和肩带韧带）和 S46（肩部和上臂水平的肌肉、筋膜和肌腱损伤）
- 接受外科手术后需要康复并且能够进行拉伸、主动辅助运动范围 (AAROM) 或受监督的主动运动范围 (AROM) 的患者
- 20-80岁之间
- 能够遵循电机命令
排除标准：
- 脑血管意外（CVA）、帕金森病（PD）、重症肌无力（MG）、脊髓灰质炎等中枢及周围神经系统疾病患者
- 肩部挫伤、血管损伤、严重挤压伤和截肢患者
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
肩部肌肉骨骼组
国际疾病分类第 10 版 (ICD-10) 代码在研究开始前被选择，包括 ICD-10 代码 M75（肩部损伤）、S42（肩部和上臂骨折）、S43（关节脱位和扭伤）和肩带韧带）和 S46（肩部和上臂水平的肌肉、筋膜和肌腱损伤）
|
日常护理（康复计划）
|
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 |
|---|---|---|
|
准确性
大体时间：2 个月时的基线变化
|
探索使用监督机器学习方法预测肩部肌肉骨骼疾病康复计划的可能性
|
2 个月时的基线变化
|
|
精确
大体时间：2 个月时的基线变化
|
探索使用监督机器学习方法预测肩部肌肉骨骼疾病康复计划的可能性
|
2 个月时的基线变化
|
|
记起
大体时间：2 个月时的基线变化
|
探索使用监督机器学习方法预测肩部肌肉骨骼疾病康复计划的可能性
|
2 个月时的基线变化
|
|
F-1分数
大体时间：2 个月时的基线变化
|
探索使用监督机器学习方法预测肩部肌肉骨骼疾病康复计划的可能性
|
2 个月时的基线变化
|
|
AUC
大体时间：2 个月时的基线变化
|
探索使用监督机器学习方法预测肩部肌肉骨骼疾病康复计划的可能性
|
2 个月时的基线变化
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Burns DM, Leung N, Hardisty M, Whyne CM, Henry P, McLachlin S. Shoulder physiotherapy exercise recognition: machine learning the inertial signals from a smartwatch. Physiol Meas. 2018 Jul 23;39(7):075007. doi: 10.1088/1361-6579/aacfd9.
- Challoumas D, Biddle M, McLean M, Millar NL. Comparison of Treatments for Frozen Shoulder: A Systematic Review and Meta-analysis. JAMA Netw Open. 2020 Dec 1;3(12):e2029581. doi: 10.1001/jamanetworkopen.2020.29581.
- Linsell L, Dawson J, Zondervan K, Rose P, Randall T, Fitzpatrick R, Carr A. Prevalence and incidence of adults consulting for shoulder conditions in UK primary care; patterns of diagnosis and referral. Rheumatology (Oxford). 2006 Feb;45(2):215-21. doi: 10.1093/rheumatology/kei139. Epub 2005 Nov 1.
- Oude Nijeweme-d'Hollosy W, van Velsen L, Poel M, Groothuis-Oudshoorn CGM, Soer R, Hermens H. Evaluation of three machine learning models for self-referral decision support on low back pain in primary care. Int J Med Inform. 2018 Feb;110:31-41. doi: 10.1016/j.ijmedinf.2017.11.010. Epub 2017 Nov 23.
- Gupta R, Srivastava D, Sahu M, Tiwari S, Ambasta RK, Kumar P. Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Mol Divers. 2021 Aug;25(3):1315-1360. doi: 10.1007/s11030-021-10217-3. Epub 2021 Apr 12.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2022年7月11日
初级完成 (预期的)
2024年4月30日
研究完成 (预期的)
2024年4月30日
研究注册日期
首次提交
2023年5月5日
首先提交符合 QC 标准的
2023年5月5日
首次发布 (实际的)
2023年5月15日
研究记录更新
最后更新发布 (实际的)
2023年5月15日
上次提交的符合 QC 标准的更新
2023年5月5日
最后验证
2022年6月1日
更多信息
与本研究相关的术语
其他相关的 MeSH 术语
其他研究编号
- N202206013
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
不
药物和器械信息、研究文件
研究美国 FDA 监管的药品
不
研究美国 FDA 监管的设备产品
不
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.