验证无线步态传感器对老年人跌倒风险的分类
2025年6月17日 更新者：Sungchul Huh、Pusan National University Yangsan Hospital
步态分析无线小型惯性传感器和诊断机器学习模型对老年人跌倒风险群体分类的验证研究
将通过无线惯性传感器和诊断机器学习模型，通过政治分析和客观跌倒风险评估来验证医院内65岁以上老年患者的步行状态，并根据结果作为调查人员，为目标提供基础未来普通病房护士发生跌倒患者的风险评估。
研究概览
详细说明
目前，在韩国的普通临床病房中，每次评估患者住院期间跌倒风险的评估员都会发生变化，并且根据评估员的主观性，对同一患者的跌倒风险评估也有所不同。
因此，评估跌倒需要根据一致的标准评估患者的行走情况。
通过使用无线小型惯性传感器进行步行分析，预计跌倒风险的发生率将会降低。
在分析步行对跌倒风险人群进行分类时，应对步长、步态速度、步宽、步频和步态周期进行定量评估，但目前尚未正确进行考虑到这一点的跌倒评估。
因此，有必要通过无线小型惯性传感器和数据机器学习的步行分析，制定并应用跌倒评估的定量标准，对老年住院患者的跌倒风险进行分类。
研究类型
介入性
注册 (实际的)
51
阶段
- 不适用
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。
学习地点
-
-
-
Yangsan、大韩民国
- Sungchul Huh, MD
-
-
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
描述
纳入标准：
- 55岁以上的人
- 能够独立行走至少一分钟的人
- 不服用影响维持平衡能力的药物的人
- 六个月内没有下肢骨折等骨科问题的人
排除标准：
- 难以理解步态分析程序或难以表达症状的人
- 由于其他情况被康复专家认为不适合这项研究的人
- 因严重心血管疾病而无法应用此步行分析程序的人
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
- 主要用途：其他
- 分配：不适用
- 介入模型：单组作业
- 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：步态组
|
使用惯性传感器进行参与者步态分析
|
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 |
|---|---|---|
|
跌倒风险评估量表
大体时间：在整个研究期间持续收集患者步态数据，从而能够持续测量跌倒风险。
|
通过使用无线惯性传感器和诊断机器学习模型分析患者步态来测量跌倒风险评估量表。
|
在整个研究期间持续收集患者步态数据，从而能够持续测量跌倒风险。
|
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。
调查人员
- 首席研究员：Sungchul Huh, PhD、Pusan National University Yangsan Hospital
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)
2023年12月1日
初级完成 (实际的)
2024年1月5日
研究完成 (实际的)
2024年4月30日
研究注册日期
首次提交
2023年12月21日
首先提交符合 QC 标准的
2024年5月2日
首次发布 (实际的)
2024年5月3日
研究记录更新
最后更新发布 (实际的)
2025年6月22日
上次提交的符合 QC 标准的更新
2025年6月17日
最后验证
2025年6月1日
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.