Het doel van deze studie is het ontwikkelen van een FOG detectie- en voorspellingsalgoritme tijdens dagelijkse leven activiteiten..
ID
Bron
Verkorte titel
Aandoening
- Bewegingsstoornissen (incl. parkinsonisme)
Synoniemen aandoening
Betreft onderzoek met
Ondersteuning
Onderzoeksproduct en/of interventie
Uitkomstmaten
Primaire uitkomstmaten
Machine learning en diepe leertechnieken zullen worden toegepast op uit
klinische beoordelingen verkregen resultaten, draagbare bewegingssensoren
(bijv. Loopgerelateerd: abnormale loopclassificatie, loopcadence, loopsnelheid,
bevriezingsindex, aantal FOG-afleveringen, percentage tijd besteed aan FOG,
hartslag variabiliteit en huidgeleiding) en video (aanwezigheid van FOG) om een
algoritme te creëren dat gericht is op het voorspellen van een aankomende
FOG-aflevering en het detecteren van een bestaande FOG-aflevering. Dezelfde
technieken zullen worden toegepast op gegevens die tijdens de follow-up worden
verzameld, om een robuust algoritme te ontwikkelen dat een komende
FOG-aflevering voorspelt en een bestaande FOG-aflevering onder vrijlevende
omstandigheden detecteert.
Secundaire uitkomstmaten
Om de invloed van verschillende sensortypen, sensornummer en sensorlocaties op
de prestaties van een FOG-detectie en voorspellingsalgoritme te onderzoeken,
zullen we verschillende voorspellingsalgoritmen maken met behulp van gegevens
uit klinische beoordelingen (zie tabel 1) en gegevens van draagbare sensoren.
Daarna worden de modelprestatiemetingen van modellen vergeleken om het beste
model te vinden.
Vervolgens zullen we het model dat is gemaakt met behulp van gegevens van
studiebezoek 1 toepassen op de gegevens die zijn verzameld in studiebezoek 2.
We zullen vervolgens de prestatiemaatstaven van elk model vergelijken en
bepalen of het model robuust is voor een populatie die in de loop van de tijd
veranderingen vertoont (dwz de test-hertest betrouwbaarheid van het algoritme
voor voorspelling FOG-afleveringen).
Ten slotte zullen we balansgerelateerde uitkomsten correleren met
maatvariabiliteitsmetingen (d.w.z. pastijd, paslengte, trapfrequentie en
loopsnelheid). De resultaten zullen worden gebruikt om een **verandering in
balans te detecteren ten opzichte van klinische metingen (verzameld in
studiebezoek 1 en 2) en zelfrapporten van patiënten verzameld tijdens de
7-daagse follow-up van de studie.
Achtergrond van het onderzoek
Freezing tijdens lopen (FOG) is de meest hinderlijke loopproblemen bij mensen
met de ziekte van Parkinson (PD). FOG wordt beoordeeld door visuele loopanalyse
tijdens klinisch overleg. Het episodische karakter van FOG maakt het echter
moeilijk om de ernst van FOG nauwkeurig te beoordelen. Daarom zou betrouwbare
detectie van FOG buiten ziekenhuisomgevingen de zorg voor dit invaliderende
symptoom verbeteren.
Doel van het onderzoek
Het doel van deze studie is het ontwikkelen van een FOG detectie- en
voorspellingsalgoritme tijdens dagelijkse leven activiteiten..
Onderzoeksopzet
Observationele longitudinale cohortstudie.
Inschatting van belasting en risico
Alle procedures zijn niet-invasief. Het studiebezoek begint met een OFF-status
omdat FOG voornamelijk voorkomt wanneer deelnemers geen medicatie gebruiken.
Het studiebezoek zal naar verwachting in totaal niet meer dan 5 uur duren, met
2,0 uur zonder medicatie. Er is een klein risico dat deelnemers zich
overweldigd voelen of bijvoorbeeld een aflevering van de herfst ervaren. Om het
risico te verkleinen, hebben we het aantal beoordelingen dat gebeurt wanneer de
person de medicatie nog niet ingeslikt heeft geminimaliseerd. Bovendien wordt
de deelnemers geadviseerd om een **pauze van 40 minuten te nemen. Ten slotte
zullen de beoordelingen worden uitgevoerd door een getrainde en ervaren
fysiotherapeut om de veiligheid en efficiëntie te waarborgen. In ieder geval,
als de deelnemer dit wenst, kan de beoordeling op elk moment worden gestopt of
geannuleerd. Van deelnemers wordt niet verwacht dat ze direct baat hebben bij
het onderzoek. Op hun verzoek kunnen klinische en technische gegevens die
tijdens het onderzoek zijn verzameld, echter aan hen beschikbaar worden
gesteld. Eenmaal in hun bezit, kunnen deelnemers de gegevens delen met elke
gezondheidswerker of familielid als ze dat willen.
Publiek
Malvert 6913
Nijmegen 3538ET
NL
Wetenschappelijk
Malvert 6913
Nijmegen 3538ET
NL
Landen waar het onderzoek wordt uitgevoerd
Leeftijd
Belangrijkste voorwaarden om deel te mogen nemen (Inclusiecriteria)
Om in aanmerking te komen voor deelname aan dit onderzoek, moet een persoon aan
alle volgende criteria voldoen:
1. Zelfgerapporteerde diagnose van de ziekte van Parkinson;
2. Gebruiken van levodopa of andere medicatie voor de ziekte van Parkinson;
3. 18 jaar of ouder;
4. Bevriezing van loopafleveringen die dagelijks worden ervaren (Nieuwe
bevriezing van loopvragenlijst antwoord op vraag 2 - "Hoe vaak ervaart u
bevriezende afleveringen?" - * Heel vaak, meer dan eens per dag);
5. Geen cognitieve of psychiatrische stoornissen zoals beoordeeld door de
onderzoeker;
6. Het bezit van een smartphone met een geschikt Android-besturingssysteem;
7. In staat om geïnformeerde toestemming te geven.
Belangrijkste redenen om niet deel te kunnen nemen (Exclusiecriteria)
Een potentiële proefpersoon die aan een van de volgende criteria voldoet, wordt
uitgesloten van deelname aan dit onderzoek:
1. Uitval van dyskinesieën of dystonie;;
2. Comorbiditeiten die ernstige loopstoornissen veroorzaken (bijv. Ernstige
artrose of neuropathie);
3. Gebruik van geavanceerde therapieën zoals Deep Brain Stimulation;
4. Bevriezing van loopafleveringen uitsluitend in de ON-periode (omdat wordt
gedacht dat dit een ander pathofysiologisch mechanisme heeft dan de meer
reguliere versie van FOG die voornamelijk tijdens OFF voorkomt).
Opzet
Deelname
Opgevolgd door onderstaande (mogelijk meer actuele) registratie
Geen registraties gevonden.
Andere (mogelijk minder actuele) registraties in dit register
Geen registraties gevonden.
In overige registers
| Register | ID |
|---|---|
| CCMO | NL71352.091.19 |