JoVE Journal > Medicine
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Türkçe

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Medicine

3 Boyutlu Optik Görüntülemeden Klinik Antropometri ve Vücut Kompozisyonu

Published: June 07, 2024
doi:
10.3791/66698
, , , , , ,
1Division of Physical Medicine and Rehabilitation, Department of Surgical Sciences,University of Turin, 2Pennington Biomedical Research Centre, 3Department of Surgical Sciences, Dentistry, Gynaecology and Paediatrics, Paediatric Unit,University of Verona, 4Department of Epidemiology,University of Hawaii Cancer Center

Summary

Üç boyutlu optik görüntüleme için ticari olarak mevcut çözümler aracılığıyla vücut boyutu, şekli ve kompozisyon değerlendirmesi prosedürleri, doğru ve tekrarlanabilir verilerin hızlı bir şekilde toplanmasını sağlar. Klinisyenler, sağlık durumlarını karakterize etmeye yardımcı olmak için hastaların rutin değerlendirmelerinde yenilikçi ve faydalı biyobelirteçlerin (“e-bant” ölçümleri) edinimini uygulayabilirler.

Abstract

Vücut büyüklüğü ve kompozisyon değerlendirmesi, antrenman veya rehabilitasyon stratejisini kişiselleştirmek için sağlıklı sporcuların yanı sıra farklı hasta türlerinin rutin yönetimine yaygın olarak dahil edilir. Aşağıdaki protokolde anlatılan dijital antropometrik analizler yeni uygulamaya konulan sistemlerle yapılabilmektedir. Bu yeni araçlar ve yaklaşımlar, çalıştırılmaları çok basit olduğu ve doğru ve tekrarlanabilir verilerin hızlı bir şekilde toplanmasını sağladığı için klinik ortamlarda yaygın olarak kullanılma potansiyeline sahiptir. Bir sistem, bir ağırlık ölçüm plakasına sahip dönen bir platform, üç kızılötesi kamera ve bir kuleye yerleştirilmiş bir tabletten oluşurken, diğer sistem bir tutucuya monte edilmiş bir tabletten oluşur. Görüntü yakalandıktan sonra, her iki sistemin yazılımı, ilişkili antropometrik ve vücut kompozisyonu değişkenleriyle tanımlanmamış üç boyutlu bir insansı avatar oluşturur. Ölçüm prosedürleri basittir: bir denek birkaç dakika içinde test edilebilir ve kapsamlı bir rapor (üç boyutlu tarama ve vücut boyutu, şekil ve kompozisyon ölçümleri dahil) otomatik olarak oluşturulur.

Introduction

Antropometri, insan vücudunun fiziksel ölçümlerinin incelenmesidir. Boy, kilo, uzunluklar, deri kıvrım kalınlıkları ve çevreleri, endokrin ve metabolik bozukluğu olan hastaları araştırmak ve sporcularda diyet ve antrenman ile ortaya çıkan büyüme, yaşlanma ve vücut büyüklüğü ve kompozisyon adaptasyonlarını izlemek için yararlı olduğu kanıtlanmış, yaygın olarak kullanılan antropometrik ölçümlerdir 1,2. Örneğin, bel ve kalça çevrelerinin değerlendirilmesinin obezitesi olan kişilerin yönetimi için yararlı olduğu kanıtlanmıştır: her iki çevre de tüm nedenlere bağlı mortalitenin bir göstergesi olarak kabul edilebilecek adipozite dağılımını değerlendirir3.

Uzuv çevreleri, apendiküler yağsız kütledeki azalmayı tespit etmek ve/veya izlemek için yararlılıkları (örneğin, baldır çevresi, düşük iskelet kası ve sarkopeni teşhisi için basit ve pratik bir iskelet kası belirteci olarak kullanılır)1,2 ve sporcularda hem fiziksel performansı hem de yaralanma riskini ve hastalarda yaşam kalitesini etkileyen uzuvlar arası asimetri (örn. Tek taraflı ekstremite şişmesi olan kanser hastaları)1,2. Ayrıca, vücut çevresi veya deri kıvrım kalınlıklarıgibi farklı antropometrik ölçümlerin bir kombinasyonundan yağ kütlesi veya yağsız kütle miktarını tahmin etmek için son birkaç on yılda çok sayıda antropometri tabanlı vücut kompozisyonu tahmin modeli önerilmiştir 1,2,4,5,6,7.

Konvansiyonel antropometrik (yani, bant tabanlı ve kumpas tabanlı) ölçümler kültürel veya sosyal olarak kabul edilemez olabileceğinden ve aynı zamandazayıf güvenilirlik sergilediğinden8, invaziv olmayan, tekrarlanabilir ve geçerli yaklaşımların geliştirilmesine ve doğrulanmasına ihtiyaç vardı. Yakın zamanda geliştirilen üç boyutlu (3D) optik görüntüleme sistemleri, non-invaziv, hassas vedoğru ölçümler 8,9,10,11 sağlamanın yanı sıra dijital tüketici kameraları ve akıllı telefonlar, hem hastaları hem de sağlıklı denekleri değerlendirmek için klinik ve klinik olmayan ortamlarda kullanılmaya uygun, kullanımı kolay ve yaygın olarak kullanılabilen araçlar sunmaktadır 8,9,10,11,12,13,14,15,16,17,18,19,20. Aşağıdaki bölümde bildirilen protokolün amacı, son yıllarda hem sağlık hizmeti ortamında (hastaları değerlendirmek için) hem de klinik olmayan ortamlarda (sporcuları değerlendirmek için) yaygınlaşan 3D optik görüntüleme için ticari olarak mevcut iki çözüm aracılığıyla vücut boyutunu, şeklini ve bileşimini değerlendirme prosedürlerini tanımlamaktır.

Protocol

Protokol, Torino21 Politeknik’in araştırma bütünlüğü yönergelerini takip eder. Optik görüntülerin elde edilmesi, yerel etik kurullar tarafından onaylanan araştırma çalışmaları kapsamında gerçekleştirilmiştir (veriler Şekil 1 ve Şekil 2’deki açıklamalarda bildirilmiştir) ve incelenen denekler yazılı onaylarını vermiştir (çalışmaya katılım ve anonimleştirilmiş görüntülerin yayınlanması için). 1. Konu hazırlama NOT: Bu bölümde açıklanan tüm ön tarama hazırlıkları, test prosedürleri #1 ve #2 arasında benzerdir. Kişiden iç çamaşırı giymesini veya minimal forma oturan giysiler (erkekse şort, kadınsa şort ve spor sutyeni) giymesini, çorapları, ayakkabıları ve aksesuarları çıkarmasını ve saçları kapatmak için bir yüzme şapkası takmasını isteyin. 2. Test prosedürü için konu kaydı #1 Standart bir stadiometre kullanarak konunun yüksekliğini ölçün. Ağırlık ölçüm plakasına sahip dönen bir platform, üç kızılötesi kamera ve bir kuleye yerleştirilmiş tabletten oluşan sistem #1’in tabletinde yüklü olan uygulamayı (Malzeme Tablosunda uygulama #1 ve tablet #1) başlatın (Şekil 1A,B). Ad, soyad, e-posta adresi, şifre, cinsiyet (erkek veya kadın seçin), ölçü birimleri (ABD veya metrik seçin), etnik köken dahil olmak üzere konu kayıt formunu (Ek Şekil S1) doldurun (aşağıdaki gruplardan birini seçin: belirtilmemiş, Hispanik/Latin, Amerikan Kızılderili veya Alaska Yerlisi, Asyalı, Siyah veya Afrikalı Amerikalı, Hawaii Yerlisi veya Diğer Pasifik Adalı, Kafkasya), doğum tarihi. Üç onay kutusunu işaretleyin (hizmet şartları sözleşmesinin kabulü, gizlilik politikası, sorumluluk feragatnamesi), ardından Gönder düğmesine dokunun. Kişinin boneyi düzgün bir şekilde taktığını doğrulayın ve ardından İleri düğmesine dokunun. Kişinin uygun kıyafet giydiğini doğrulayın ve ardından İleri düğmesine dokunun. Tarayıcı alanının temiz olduğunu doğrulayın (yani, giysileri tarama alanının dışında tutun ve tarayıcının görüş alanında güneş ışığı veya yansıtıcı malzeme olmadığından emin olun), ardından İleri düğmesine dokunun. Yükseklik ölçümü alanını doldurun ve ardından İleri düğmesine dokunun. İsteğe bağlı ek ölçümlerle (vücut yağ yüzdesi % [BF%], kalp atış hızı, sistolik ve diyastolik kan basıncı, hücre içi ve hücre dışı su) ilgili alanları doldurun ve ardından Gönder düğmesine dokunun. 3. Test prosedürü #1 Vücut ağırlığını (ve dağılımını) yakalamak için denekten tartıya çıkmasını ve ayak izlerinin üzerinde (üst uzuvlar ve eller iki tarafta, teleskopik tutamaklara dokunmadan) 10 saniye boyunca mümkün olduğunca hareketsiz durmasını isteyin. Aşağıdaki talimatlara göre vücut taramasını gerçekleştirmek için teleskopik kolları tutarken denekten standart bir A pozunda (omuz rahat ve kollar düz ve gövdeden çekilmiş durumda) dik durmasını isteyin (Şekil 1A,B).NOT: Tam vücut taraması ~ 45 s sürer ve bu sırada ışık kodlamalı derinlik sensörleri, platform bir kez dönerken 3D şekli yakalar.Kollar ve bacaklar düz olana kadar kolları kaldırın. Mümkün olduğunca hareketsiz kalın. Gözleriniz ileride olacak şekilde başınızı sabit tutun. Tarama tamamlanana kadar tutamaçların düğmelerini basılı tutun. Tarama tamamlandığında tartıdan çıkın. Konu ölçeğin dışına çıktıktan sonra Oturumu kapat düğmesine dokunun. 4. Test prosedürü için konu kaydı #2 Stadiometreli standart bir ölçek kullanarak konunun boyunu ve kilosunu ölçün. Bir masaüstü veya dizüstü bilgisayarda kurulu herhangi bir modern web tarayıcısını kullanarak, sistem #2’nin kontrol paneline gidin ( Malzeme Tablosundaki kayıt panosu). Ad, soyad, telefon numarası, e-posta adresi, yaş, cinsiyet (erkek veya kadın seçin), kilo ve boy dahil olmak üzere konu kayıt formunu (Ek Şekil S2) doldurun. Onay kutusunu işaretleyin (kullanım koşullarının ve gizlilik politikasının kabul edilmesi), ardından hesap kurulumunu tamamlamak için Kaydol düğmesine dokunun veya tıklayın. Konunun benzersiz hızlı yanıt (QR) kodunu, telefon numarasını ve e-posta adresini gösteren hesap görünümü sayfasını görselleştirin. QR kodunun bir fotoğrafını çekin (örn. bir cep telefonu ile). 5. Test prosedürü #2 Bir tutucuya monte edilmiş bir tabletten (tablet #2 ve Malzeme Tablosundaki zemin standı) oluşan sistem #2’nin tabletinde yüklü olan uygulamayı (Malzeme Tablosunda uygulama #2) başlatın. Tabletin ekranına dokunun ve QR kodunu gösterin. Başlat düğmesine dokunun. Denekten sesli talimatları dinlemesini isteyin ve ekranda verilen kılavuzu izleyin. Denekten, ayak kılavuzundaki ayaklar (halının üzerindeki siyah oval sembol) ekranda gösterilen yeşil ayak işaretçisi ile hizalanacak şekilde, tabletten standart bir mesafede bir halının üzerinde durmasını isteyin (Şekil 2A). Önden görüntüyü yakalamak için denekten bir “ön A-pozu” almasını (ve yanlış biçimlendirilmiş bir avatara neden olabilecek hareketler olmadan pozu sürdürmesini)10,22 isteyin, bacaklar ayrılmış, kollar gövdeden yaklaşık 45° açıyla çekilmiş ve eller yumruk şeklinde kapalıdır (Şekil 2B). Önden görüntü alındıktan sonra, denekten ayakları bir arada, kollar/eller düz bir şekilde yanlara yerleştirilmiş (yani, kollar/eller gövde/uyluklarla aynı hizada ve gövde/uyluklara karşı hizalı) ve yanal görüntüyü yakalamak için yüzü düz bir şekilde öne doğru bir “yan poz” almasını isteyin (Şekil 2C). Yanal görüntü yakalandıktan sonra, konuya taramanın tamamlandığını bildirin (uygulama bir Teşekkür ekranı görüntüler).

Representative Results

Görüntü yakalandıktan sonra, sistem #1’in yazılımı, tanımlanmamış bir 3D insansı avatar (Şekil 1C: nokta bulutları, yaklaşık 25.000 köşe ve 50.000 yüze sahip üçgenlerle birbirine bağlanan bir ağa dönüştürülür) ve uzunlukları, çevreleri, hacimleri, yüzey alanlarını ve vücut kompozisyonu tahminlerini içeren otomatik antropometri oluşturur. Sistem #1’in gösterge tablosu, her deneğin 3D taramayı görselleştirmesine (ve aşağıdakileri içeren bir rapor indirmesine) olanak tanır (Şekil 1C), vücut ağırlığı, boyutu ve şekli ölçümleri (yani, vücut şekli derecelendirmesi, bel çevresi, bel-kalça oranı, gövde-bacak hacim oranı), bazal metabolik hız ve vücut kompozisyonu tahminleri (yani, BF%, yağ kütlesi, yağsız kütle) ve standart çevre ölçümleri (boyun, göğüs, bel, kalça, sol ve sağ pazı, sol ve sağ önkol, sol ve sağ uyluk, sol ve sağ baldır). Ayrıca, postür ve denge değerlendirmelerinin sonuçları da görselleştirilebilir ve rapora dahil edilebilir. Duruş değerlendirme sonuçları, ilişkili kayma (vücudun eğimli bir konuma hareket eden bir parçası ve herhangi bir yönde eğim hızı olarak tanımlanır) ve eğim (“kayma” hareketi olarak tanımlanır) ile ilişkili kaydırma (ileri, geri, sola veya sağa “kayma” hareketi, merkez noktasından konumda hafif bir değişiklik veya varyasyon) ölçümleri ile 3D taramanın ön, yan ve arka görünümlerini içerir: i) ön ve arka görünümler: baş, omuz, göğüs altı, kalça, diz için sagital düzleme göre sağa veya sola doğru kaydırma ölçümleri (sağ ve sol hemizomlar arasında dikey bir çizgi olarak temsil edilir) ve enine (yatay düzlem) göre eğim yüzdeleri; ii) Yandan görünüm: Baş, omuz, kalça, diz için frontal (koronal) düzleme (ayak bileği ekleminden yukarı dikey bir çizgi olarak temsil edilir) göre ölçümleri ileri veya geri kaydırın. Denge değerlendirme sonucu, sağ ve sol ayağın ön ve arka bölgeleri için ayakta duruş sırasındaki ağırlık dağılımını içerir. Sistem #1’in kontrol paneli ayrıca her konunun indirilmesini sağlar. OBJ ve .GIF görüntü dosyaları ve bir . Tablo 1’de listelenen antropometrik ölçümleri ve vücut kompozisyonu tahminlerini içeren CSV dosyası. Tüm vücut kompozisyonu tahminleri, Mifflin-St’ye göre sırasıyla elde edilen bazal metabolik hız tahmini ve vücut şekli indeksi hesaplaması istisnaları dışında, tescilli algoritmalar kullanılarak elde edilir. Jeor denklemi23 ve Krakauer denklemi24 Tablo 2’de rapor edilmiştir. Görüntü yakalamadan sonra, sistem #2’nin yazılımı, tanımlanmamış bir 3B insansı avatar (Şekil 2D: nokta bulutları, yaklaşık 50.000 köşe ve 100.000 yüze sahip üçgenlerle birbirine bağlanan bir ağa dönüştürülür) ve uzunlukları, çevreleri, hacimleri, yüzey alanlarını ve vücut kompozisyonu tahminlerini içeren otomatik antropometri oluşturur. Sistem #2’nin kontrol paneli ( Malzeme Tablosundaki veri indirme panosu) her konunun indirilmesini sağlar. OBJ ve .PNG görüntü dosyaları ve aşağıdaki üç . CSV dosyaları: “App Measures.csv” dosyası aşağıdaki antropometrik ve vücut kompozisyonu ölçümlerini raporlar: ağırlık, vücut yüzey alanı, BF%, viseral yağ dokusu, kondisyon indeksi, kollar yağsız kütle, bacaklar yağsız kütle, yağsız vücut kütlesi, toplam kemik mineral içeriği, omuz genişliği, arka omuz genişliği (arka boyundan), boyun çevresi, kol üstü, pazı (sağ/sol), önkol (sağ/sol), bilek (sağ/sol), Göğüs, Göğüs Altı, Göğüs (Damla ile), Karın, Bel, Boya Bel, Kalça (Sırtın Altından 8 İnç Aşağı Alınır), Koltuk, Uyluk (Sağ/Sol), Baldır (Sağ/Sol), Sırt-Boyun-Bel Uzunluğu, Kol Uzunluğu (Sağ/Sol), Kasık Uzunluğu, İç Dikiş, Dış Dikiş (Sağ/Sol). “Vücut Composition.csv” dosyası aşağıdaki antropometrik ve vücut kompozisyonu ölçümlerini raporlar: vücut yağı, vücut kitle indeksi, vücut yüzey alanı, kemik mineral içeriği, yağ kütle indeksi, fitness indeksi, boy, yağsız vücut indeksi, yağsız vücut kütlesi, kollar yağsız kütle, bacaklar yağsız kütle, dinlenme metabolizma hızı, mide çevresi, viseral yağ dokusu, bel-boy oranı, bel-kalça oranı, kilo. “Core Measures.csv” dosyası, Tablo 1’de listelenen antropometrik ölçümleri rapor eder. Tüm vücut kompozisyonu tahminleri, Katch-McArdle denklemi25’e ve daha önce Harty ve ark.26 tarafından geliştirilen ve doğrulanan iki denkleme göre sırasıyla elde edilen bazal metabolik hız tahmini ve BF% tahmini istisnaları dışında, tescilli algoritmalar kullanılarak elde edilir. Bu iki denklem (Tablo 2’deki BF% Denklem 1 ve Denklem 2), alt karın çevresi <103.5 cm (<40.75 inç) ve ≥103.5 cm (≥40.75 inç) olan bireyler için sırasıyla kabul edilmiştir. Önceki çalışmalar, sağlıklı yetişkinlerde15,26 BF% tahmini için Denklem 1’in doğruluğunu göstermiş olsa da, son zamanlarda genç sporcularda (çift enerjili X-ışını absorpsiyometrisi ile ilgili olarak) BF%’yi fazla tahmin ettiğinibulduk 18. Bu nedenle, her iki cinsiyetten genç futbolcularda BF%’nin doğru bir tahminini sağlamak için Tablo 2’de bildirilen yeniden parametrelendirmeyi (Denklem 3)önerdik 18. Yukarıda listelenen vücut kompozisyonu değişkenlerine ek olarak, apendiküler yağsız kütle (ALM), McCarthy ve ark.27 tarafından hareketsiz denekler için yakın zamanda önerilen cihaza özgü denklem aracılığıyla sistem #2 ile gerçekleştirilen taramalar için de tahmin edilebilir (Tablo 2’de erkekler için ALM Denklem 1 ve kadınlar için ALM Denklem 2) genç sporcularda ALM tahmini için uyarladık (Tablo 2’de erkekler için ALM Denklem 3 ve kadınlar için ALM Denklem 4 )18. Şekil 3, bir erkek sporcuda (vücut kitle indeksi: 26.0 kg/m2: Şekil 3A,B) ve obezitesi olan bir kişide (vücut kitle indeksi: 44.0 kg/m2: Şekil 3C,D) sistem #1 (Şekil 3A,C) ve sistem #2 (Şekil 3B,D) ile elde edilen temsili avatarları göstermektedir. Her iki deneğin iki taraması için sistem #1 ve sistem #2 tarafından elde edilen antropometrik ölçümler ve vücut kompozisyonu tahminleri Tablo 3’te rapor edilmiştir. Sporcuda elde edilen çevre ölçümleri, iki sistemle elde edilen taramalar arasında farklılık göstermiştir (özellikle boyun, kollar, kalçalar ve bacaklar için: veriler Tablo 3’te rapor edilmiştir). #1 ve #2 sistemleri ile gerçekleştirilen taramalar için BF% değerleri (iki taramanın ortalamaları) sırasıyla .1 ve .1 idi ve yağsız kütle değerleri (iki taramanın ortalamaları) 69.7 kg ve 72.2 kg idi. Sistem #2 ile gerçekleştirilen taramalar için ALM ortalama değeri 38,4 kg idi. Obezitesi olan kişide elde edilen çevre ölçümleri, iki sistemle elde edilen taramalar arasında farklılık göstermiştir (özellikle bel ve bacaklar için: veriler Tablo 3’te rapor edilmiştir). #1 ve #2 sistemleri ile gerçekleştirilen taramalar için BF% değerleri (iki taramanın ortalamaları) sırasıyla .1 ve .3 idi ve yağsız kütle değerleri (iki taramanın ortalamaları) 67.9 kg ve 64.9 kg idi. Sistem #2 ile gerçekleştirilen taramalar için ALM ortalama değeri 25.1 kg idi. Şekil 1: Sistem #1 ile çekilen görüntüler. (A,B) Platformun dönüşü sırasında temsili bir erkek denek tarafından varsayılan ve sürdürülen standartlaştırılmış A-pozu ve (C) göreceli 3D avatar. Optik görüntülerin elde edilmesi, Torino Üniversitesi etik komitesi tarafından onaylanan bir araştırma çalışması kapsamında gerçekleştirilmiştir (protokol n. 0115311). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 2: Sistem #2 ile çekilen görüntüler. (A) Sistem #2’nin tabletinin ekranında gösterilen yeşil ayak işaretleyicisi ile hizalanmış ayak kılavuzu sembolü (halının üzerinde siyah oval sembol) ile bir halının üzerinde duran temsili bir erkek deneğin görüntüsü. Temsili öznede (B) önden ve (C) yanal görüntülerin ve (D) ilgili 3D avatarın elde edilmesi. Optik görüntülerin elde edilmesi, Torino Üniversitesi etik komitesi tarafından onaylanan bir araştırma çalışması kapsamında gerçekleştirilmiştir (protokol n. 0115311). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 3: Sistem #1 ve #2 ile elde edilen temsili avatarlar. (A,B) Erkek sporcu ve (C,D) obezitesi olan bir kişi (A,C) sistem #1 ve (B,D) sistem #2 ile araştırıldı. Her denek, yeniden konumlandırma ile iki taramaya tabi tutuldu: ilk taramadan elde edilen avatar her iki denek için de gösterilirken, her iki deneğin iki taraması için sistem #1 ve sistem #2 tarafından elde edilen antropometrik ve vücut kompozisyonu tahminleri Tablo 3’te rapor edilmiştir. Optik görüntülerin elde edilmesi, Torino Üniversitesi etik komitesi (protokol n. 0115311) ve Bölgesel Etik Komitesi (CET – protokol n. 0065654) tarafından onaylanan araştırma çalışmaları kapsamında gerçekleştirilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Tablo 1: #1 ve #2 sistemlerinin kontrol panelinden indirilebilen genişletilmiş ölçüm setleri. Bu Tabloyu indirmek için lütfen buraya tıklayın. Tablo 2: Bazal metabolizma hızı, vücut yağ yüzdesi ve apendiküler yağsız kütle tahmini için denklemler. Bazal metabolizma hızı tahminleri: Ölçü birimleri ağırlık ve yağsız kütle için kg, boy için cm ve yaş için yıllardır. Vücut şekli indeksi tahmini: ölçü birimleri bel çevresi için m’dir ve boy ölçülür, vücut kitle indeksi için kg/m2’dir . Vücut yağ yüzdesi tahmini: cinsiyet erkek = 1 ve kadın = 0 olarak kodlanır, vücut yüzey alanıcm2 olarak ölçülür ve circ. olarak belirtilen tüm geri kalan değişkenler cm cinsinden ölçülür. Kasın mideye indeksi şu şekilde elde edilir: (sağ pazı sirküsü + sol pazı çevresi + sağ uyluk çevresi + sol uyluk çevresi + sağ baldır çevresi + sağ baldır çevresi + sol baldır çevresi.) / maksimum mide çevresi. Ek yağsız kütle tahmini: tüm çevreler ve uzunluklar için ölçü birimleri cm’dir; yüzey alanları için cm2 ; hacimler için cm3 ; ağırlık için kg; yaş için yıl. Bu tablonun üç denklemi Minetto ve ark.18’den alınmıştır. Kısaltmalar: BMR = bazal metabolizma hızı; ABSI = bir vücut şekli indeksi; BF% = vücut yağ yüzdesi; daire = çevreler; ALM = apendiküler yağsız kütle; NHOPI = Yerli Hawaii ve diğer Pasifik Adalı. Bu Tabloyu indirmek için lütfen buraya tıklayın. Tablo 3. İki temsili deneğin her birinde (bir sporcu ve obezitesi olan bir kişi) iki sistem tarafından elde edilen çevre ölçümleri ve vücut kompozisyonu tahminleri. Bu Tabloyu indirmek için lütfen buraya tıklayın. Ek Şekil S1: Test prosedürü #1 için konu kayıt formu. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil S2: Test prosedürü #2 için konu kayıt formu. Bu dosyayı indirmek için lütfen buraya tıklayın.

Discussion

Bu makalede sunulan prosedürler, daha önce geliştirilmiş ve doğrulanmış 3D optik görüntüleme için ticari olarak mevcut iki çözüm aracılığıyla vücut boyutunu, şeklini ve bileşimini değerlendirmek için kullanılabilir 9,10,11,12,13,14,15,16,17,18,19,20 . Bu çözümlerin kullanımı kolaydır ve geçerli veriler hızlı bir şekilde toplanabilir ve otomatik olarak bir rapor halinde düzenlenebilir. Ayrıca, sunulan sistemler tekrarlanabilir verilerin toplanmasını sağlar (iki temsili vakamızda her iki sistemle gerçekleştirilen ve önceki çalışmalarla belgelenen iki taramadan elde edilen sonuçların karşılaştırılmasıyla önerildiği gibi)9,10,11,12,13,14,15,16,17,18,19,20 ve bu nedenle antrenman veya diyetle ilgili değişiklikleri izlemek için kullanılabilir.

Sistem #2 sınırlı bir ağırlığa sahip olduğundan (tablet ve tutucu için toplam ~ 4 kg), kolayca taşınabilir. Bununla birlikte, sistem # 2’nin bir sınırlaması, 2D görüntülerden bir 3D avatarın oluşturulmasının, özellikle obezitesi olan kişilerde ( Şekil 3 C, D’nin temsili örneğinde gösterildiği gibi) veya vücut şeklinin lokalize anormallikleri olan hastalarda (örn. Bariatrik cerrahi sonrası sorunlu cilt fazlalığı veya tek taraflı üst veya alt ekstremite lenfödemi olan kanser hastaları olan hastalar).

Yeterli alanın mevcudiyeti, her iki sistemde de tarama alımı için kritik öneme sahiptir: sistem #1 için 157 x 198 cm ve sistem #2 için 86 x 166 cm’lik net bir alan gereklidir. Ayrıca, sistem #2, konunun aynalar, parlak posterler veya pencereler olmadan boş bir duvara yakın yerleştirilmesini gerektirir. Her iki sistem de kameraların görüş alanında doğal güneş ışığı ve yansıtıcı yüzeylerin olmamasını gerektirir. Her iki sistem de taramaları etkili bir şekilde işlemek için sürekli ve tutarlı bir wi-fi internet bağlantısı gerektirir.

Yukarıda açıklanan prosedürlerin temel sınırlaması, araştırılan kişinin ayakta durma pozisyonunu üstlenebilmesini gerektirmesidir. Bu nedenle, bu yaklaşımlar yataktan kalkamayan ağır hastalarda (ciddi derecede bozulmuş nörolojik hastalar veya kritik hastalar gibi) kullanılamaz. Ayrıca, incelenen denekler, avatarın10,22 şeklini değiştirebilecek ve vücut çevrelerinin tahminini önyargılı hale getirebilecek hareketler olmadan ayakta durma pozisyonunu (yani A pozu ve yan poz) koruyabilmelidir.

Yukarıda açıklanan parametrelerin bir sınırlaması, bunların tescilli cihaza özgü algoritmalar kullanılarak elde edilmesidir: bu, vücut boyutu, şekli ve bileşim ölçümlerinin belirli bir tarama sistemine özgü olduğu anlamına gelir. Bu nedenle, farklı sistemlerle elde edilen verilerin karşılaştırılması veya bir havuzda toplanması, analitik (yani tarayıcılar arasında) değişkenlik tarafından engellenir. Tutarlı bir şekilde, Şekil 3’te gösterilen temsili iki deneğimizde elde edilen çevre ölçümleri iki sistem arasında farklılık göstermiştir. Bununla birlikte, bu sınırlamanın üstesinden gelmek için cihazdan bağımsız çözümler zaten geliştirilmiştir: bu çözümler 3B ağı yeniden biçimlendirir ve düzenler, ardından farklı yer işaretlerini (koltuk altı, kasık ve ayaklar gibi) otomatik olarak algılar ve ardından vücut ölçüsü ölçümlerini hesaplar 28,29,30,31,32,33,34,35. Yukarıda açıklanan vücut kompozisyonu parametrelerinin bir başka sınırlaması, geleneksel antropometri tabanlı tahmin modelleri yoluyla elde edilmeleridir. Bununla birlikte, son çalışmalar, geleneksel antropometrik ölçümlerin ötesinde vücut kompozisyonu hakkında bilgi yakalamak için vücut şekline dayalı modellerin gerekli olabileceğini göstermiştir36,37.

Bazı sınırlılıklara rağmen, dijital antropometrik yaklaşımın klinik ortamda kullanılmaya hazır olduğu düşünülmelidir. 3D görüntüleme sistemleri, gözlem ve palpasyon yoluyla anatomik işaretlerin tanımlanmasına dayanan manuel (bant tabanlı ve/veya kumpas tabanlı) ölçümlere kıyasla daha kabul edilebilir olabilen non-invaziv ölçümler sağlar. Ayrıca, 3D optik tarama, vücut büyüklüğü ve kompozisyon değerlendirmesi için araştırma ve klinik ortamlarda yaygın olarak benimsenen diğer araştırmalara (örneğin, manyetik rezonans görüntüleme ve çift enerjili X-ışını absorpsiyometrisi) kıyasla daha hızlıdır. Ek olarak, nispeten ucuz ve radyasyon içermediği için, sonraki taramalar için kullanılması güvenlidir (örneğin, deneyci vücut hareketlerini veya avatarın şeklinde değişikliklere neden olabilecek uygun olmayan bir uzuv yerleşimini fark ederse, görüntü elde etme işlemi kolay ve hızlı bir şekilde tekrarlanabilir) ve tekrarlanan araştırmalar için38 ve özel popülasyonlarda (çocuklar gibi, ergenler ve hamile kadınlar)35,39.

Bu nedenle klinisyenler, fiziksel performanslarını ve yaralanma risklerini tahmin etmeye ve karakterize etmeye yardımcı olmak için sağlıklı deneklerin (örneğin sporcular) rutin değerlendirmelerinde yenilikçi ve faydalı biyobelirteçlerin (“e-bant” ölçümleri ve türetilmiş vücut kompozisyonu tahminleri) edinilmesini uygulayabilirler 40,41,42,43 yaralanma iyileşmesini izlemenin yanı sıra. Örneğin, bacak kuvveti ve yağsız kütle simetrisi fiziksel performansı ve (yeniden) yaralanma riskini etkiler44. Bu nedenle, uyluk/baldır çevrelerinin normal bir simetrisinin geri kazanılması,45. oyuna geri dönmek için göz önünde bulundurulması gereken genel hedefler arasına dahil edilebilir. Hastaların rutin olarak değerlendirilmesi, dijital antropometrinin sağlık hizmetlerine entegrasyonu ile de geliştirilebilir. Vücut çevrelerinin ve şeklinin değerlendirilmesi (yumuşak ve yağ dokularının iç dağılımı tarafından yönlendirilir), düşük kütleli kası tespit etmek (ör., sarkopenik olduğundan şüphelenilen hastalarda), metabolik hastalık riskinitahmin etmek 46, cerrahi bir prosedürün sonucunu değerlendirmek ve bir müdahaleyi takiben hastanın ilerlemesini izlemek için yararlı olabilir38. Patofizyolojilerine önemli katkıda bulunan besin bileşenlerine sahip hastalıkları olan hastalar, semptomları ve birlikte var olan koşulları azaltmak için vücut büyüklüğünün ve bileşiminin uzunlamasına izlenmesinden özellikle yararlanabilir47. Örneğin, obezitenin diyet ve/veya ilaca dayalı yönetimi söz konusu olduğunda, sadece kiloyu izlemek uygun olmayabilir, çünkü iyi bilinen “25/75 temel kural” (yani, kilo kaybının tipik olarak %25 yağsız kütle kaybı ve %75 yağ kaybı olduğu genel varsayımı), göreceli kas ve yağ kaybı miktarının antropometriye dayalı değerlendirmesiyle çözülebilecek müdahale etkinliğini38 doğru bir şekilde tanımlayamayabilir. Ayrıca, sağlık hizmetlerine entegre edilen dijital antropometri, sağlık hizmetlerini uzak yerlere genişletme, böylece hasta yardımını ve uyumunu iyileştirme ve sağlık hizmeti maliyetlerini düşürme potansiyeline sahiptir.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Yazarlar, Dr. Federico Della Vecchia ve Dr. Alessandro Cairo’ya (Torino Üniversitesi) el yazması hazırlığındaki değerli destekleri için minnettardır. Bu çalışma, Fondazione CRT (Torino, İtalya), Torino Üniversitesi (Fondo per la Ricerca Locale – ex-%60) ve Ulusal Sağlık Enstitüleri’nden (hibe R01DK109008, Shape UP! Yetişkinler).

Materials

System #1
Proscanner Fit3D Inc., San Mateo, CA, USA Version 5 "System #1" in the manuscript
Fit3D Proscanner app Fit3D Inc., San Mateo, CA, USA Version 5 "App #1" in the manuscript
CHUWI tablet PC Chuwi Technology Co., Ltd., Shenzhen, CHINA Hi10X "Tablet #1" in the manuscript
Fit3D dashboard Fit3D Inc., San Mateo, CA, USA https://dashboard.fit3d.com
System #2
Mobile Scanner 1 (MS-1) app Size Stream LLC, Cary, NC, USA Version 2 "System #2" in the manuscript
iPad Apple Inc., Cupertino, CA, USA 9th generation "Tablet #2" in the manuscript
iPad Floor Stand Displays2go LLC, Fall River, MA, USA SKU: TABFLATBBK www.displays2go.com/P-29987/Universal-Tablet-Floor-Stand-Anti-Theft-Locking-Kit
Size Stream registration dashboard  Size Stream LLC, Cary, NC, USA https://measure.mobilefit.sizestream.com
Size Stream data download dashboard  Size Stream LLC, Cary, NC, USA https://data.mobilefit.sizestream.com
DOWNLOAD MATERIALS LIST

References

  1. Heymsfield, S. B., Lohman, T., Wang, Z. M., Going, S. Human body composition-2nd edition. Human Kinetics. , (2005).
  2. Lohman, T. G., Milliken, L. A. ACSM’s Body composition assessment. Human Kinetics. , (2020).
  3. Ross, R., et al. Waist circumference as a vital sign in clinical practice: a Consensus Statement from the IAS and ICCR Working Group on Visceral Obesity. Nat Rev Endocrinol. 16 (3), 177-189 (2020).
  4. Heymsfield, S. B., Gonzalez, M. C., Lu, J., Jia, G., Zheng, J. Skeletal muscle mass and quality: evolution of modern measurement concepts in the context of sarcopenia. Proc Nutr Soc. 74 (4), 355-366 (2015).
  5. Marin-Jimenez, N., et al. Criterion-related validity of field-based methods and equations for body composition estimation in adults: a systematic review. Curr Obes Rep. 11 (4), 336-349 (2022).
  6. Duarte, C. K., et al. Prediction equations to estimate muscle mass using anthropometric data: a systematic review. Nutr Rev. 81 (11), 1414-1440 (2023).
  7. Jagim, A. R., et al. Validation of skinfold equations and alternative methods for the determination of fat-free mass in young athletes. Front Sports Act Living. 5, 1240252 (2023).
  8. Minetto, M. A., et al. Digital anthropometry for body circumference measurements: European phenotypic variations throughout the decades. J Pers Med. 12 (6), 906 (2022).
  9. Ng, B. K., Hinton, B. J., Fan, B., Kanaya, A. M., Shepherd, J. A. Clinical anthropometrics and body composition from 3D whole-body surface scans. Eur J Clin Nutr. 70 (11), 1265-1270 (2016).
  10. Bourgeois, B., et al. Clinically applicable optical imaging technology for body size and shape analysis: comparison of systems differing in design. Eur J Clin Nutr. 71 (11), 1329-1335 (2017).
  11. Heymsfield, S. B., et al. Digital anthropometry: a critical review. Eur J Clin Nutr. 72 (5), 680-687 (2018).
  12. Tinsley, G. M., Moore, M. L., Benavides, M. L., Dellinger, J. R., Adamson, B. T. 3-Dimensional optical scanning for body composition assessment: A 4-component model comparison of four commercially available scanners. Clin Nutr. 39 (10), 3160-3167 (2020).
  13. Tinsley, G. M., Moore, M. L., Dellinger, J. R., Adamson, B. T., Benavides, M. L. Digital anthropometry via three-dimensional optical scanning: evaluation of four commercially available systems. Eur J Clin Nutr. 74 (7), 1054-1064 (2020).
  14. Smith, B., et al. Anthropometric evaluation of a 3D scanning mobile application. Obesity (Silver Spring). 30 (6), 1181-1188 (2022).
  15. Graybeal, A. J., Brandner, C. F., Tinsley, G. M. Validity and reliability of a mobile digital imaging analysis trained by a four-compartment model. J Hum Nutr Diet. 36 (3), 905-911 (2023).
  16. Graybeal, A. J., Brandner, C. F., Tinsley, G. M. Evaluation of automated anthropometrics produced by smartphone-based machine learning: a comparison with traditional anthropometric assessments. Br J Nutr. 130 (6), 1077-1087 (2023).
  17. Wong, M. C., et al. Accuracy and precision of 3-dimensional optical imaging for body composition by age, BMI, and ethnicity. Am J Clin Nutr. 118 (3), 657-671 (2023).
  18. Minetto, M. A., et al. Equations for smartphone prediction of adiposity and appendicular lean mass in youth soccer players. Sci Rep. 13 (1), 20734 (2023).
  19. Cataldi, D., et al. Accuracy and precision of multiple body composition methods and associations with muscle strength in athletes of varying hydration: The Da Kine Study. Clin Nutr. 43 (1), 284-294 (2024).
  20. Graybeal, A. J., et al. Smartphone derived anthropometrics: Agreement between a commercially available smartphone application and its parent application intended for use at point-of-care. Clinical Nutrition ESPEN. 59, 107-112 (2024).
  21. . Politecnico di Torino Available from: https://www.polito.it/sites/default/files/2023-05/Research%20Integrity%20POLITO_EN.pdf (2024)
  22. Sobhiyeh, S., et al. Hole filling in 3D scans for digital anthropometric applications. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 2752-2757 (2019).
  23. Mifflin, M. D., et al. A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. 51 (2), 241-247 (1990).
  24. Krakauer, N. Y., Krakauer, J. C. A new body shape index predicts mortality hazard independently of body mass index. PLoS One. 7 (7), e39504 (2012).
  25. Katch, F. I., McArdle, W. D. Validity of body composition prediction equations for college men and women. Am J Clin Nutr. 28 (2), 105-109 (1975).
  26. Harty, P. S., et al. Novel body fat estimation using machine learning and 3-dimensional optical imaging. Eur J Clin Nutr. 74 (5), 842-845 (2020).
  27. MCCarthy, C., et al. Smartphone prediction of skeletal muscle mass: model development and validation in adults. Am J Clin Nutr. 117 (4), 794-801 (2023).
  28. Loper, M., Mahmood, N., Romero, J., Pons-Moll, G., Black, M. J. SMPL: A skinned multi-person linear model. ACM Trans Graph. 34, 248 (2015).
  29. Sobhiyeh, S., et al. Digital anthropometry for body circumference measurements: Toward the development of universal three-dimensional optical system analysis software. Obes Sci Pract. 7 (1), 35-44 (2020).
  30. Sobhiyeh, S., et al. Digital anthropometric volumes: Toward the development and validation of a universal software. Med Phys. 48 (7), 3654-3664 (2021).
  31. Dechenaud, M. E., Kennedy, S., Sobhiyeh, S., Shepherd, J., Heymsfield, S. B. Total body and regional surface area: Quantification with low-cost three-dimensional optical imaging systems. Am J Phys Anthropol. 175 (4), 865-875 (2021).
  32. Wong, M. C., et al. A pose-independent method for accurate and precise body composition from 3D optical scans. Obesity (Silver Spring). 29 (11), 1835-1847 (2021).
  33. Tian, I. Y., et al. A device-agnostic shape model for automated body composition estimates from 3D optical scans. Med Phys. 49 (10), 6395-6409 (2022).
  34. Tian, I. Y., et al. Automated body composition estimation from device-agnostic 3D optical scans in pediatric populations. Clin Nutr. 42 (9), 1619-1630 (2023).
  35. Wells, J. C. K. Three-dimensional optical scanning for clinical body shape assessment comes of age. Am J Clin Nutr. 110 (6), 1272-1274 (2019).
  36. Ng, B. K., et al. Detailed 3-dimensional body shape features predict body composition, blood metabolites, and functional strength: the Shape Up! studies. Am J Clin Nutr. 110 (6), 1316-1326 (2019).
  37. Wong, M. C., et al. Monitoring body composition change for intervention studies with advancing 3D optical imaging technology in comparison to dual-energy X-ray absorptiometry. Am J Clin Nutr. 117 (4), 802-813 (2023).
  38. Wong, M. C., et al. Children and adolescents’ anthropometrics body composition from 3-D optical surface scans. Obesity (Silver Spring). 27 (11), 1738-1749 (2019).
  39. Morse, S., et al. Machine learning prediction of combat basic training injury from 3D body shape images. PLoS One. 15 (6), e0235017 (2020).
  40. Harty, P. S., et al. Military body composition standards and physical performance: historical perspectives and future directions. J Strength Cond Res. 36 (12), 3551-3561 (2022).
  41. Keith, D. S., et al. Anthropometric predictors of conventional deadlift kinematics and kinetics: a preliminary study. Int J Exerc Sci. 16 (1), 429-447 (2023).
  42. Smith, M., et al. Body shape and performance on the US Army Combat Fitness Test: Insights from a 3D body image scanner. PLoS One. 18 (5), e0283566 (2023).
  43. Hart, N. H., Nimphius, S., Spiteri, T., Newton, R. U. Leg strength and lean mass symmetry influences kicking performance in Australian football. J Sports Sci Med. 13 (1), 157-165 (2014).
  44. Ardern, C. L., et al. Consensus statement on return to sport from the First World Congress in Sports Physical Therapy, Bern. Br J Sports Med. 50 (14), 853-864 (2016).
  45. Bennett, J. P., et al. Three-dimensional optical body shape and features improve prediction of metabolic disease risk in a diverse sample of adults. Obesity (Silver Spring). 30 (8), 1589-1598 (2022).
  46. Heymsfield, S. B., Shapses, S. A. Guidance on energy and macronutrients across the life span. N Engl J Med. 390 (14), 1299-1310 (2024).

Tags

3D Optical ImagingAnthropometricsBody CompositionClinical AssessmentDigital AnthropometryHumanoid AvatarPersonalized TrainingRehabilitation StrategyWeight Measurement

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Minetto, M. A., Busso, C., Ferraris, A., Pietrobelli, A., Shepherd, J. A., McCarthy, C., Heymsfield, S. B. Clinical Anthropometrics and Body Composition from 3-Dimensional Optical Imaging. J. Vis. Exp. (208), e66698, doi:10.3791/66698 (2024).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image