기사 소개

  • 요약
  • 초록
  • 서문
  • 프로토콜
  • 대표적 결과
  • 토론
  • 공개
  • 감사의 말
  • 자료
  • 참고문헌
  • 재인쇄 및 허가

요약

3차원 광학 이미징을 위한 상용 솔루션을 통한 신체 크기, 모양 및 구성 평가 절차를 통해 정확하고 재현 가능한 데이터를 신속하게 수집할 수 있습니다. 임상의는 환자의 일상적인 평가에서 혁신적이고 유용한 바이오마커("e-tape" 측정)를 획득하여 환자의 건강 상태를 특성화하는 데 도움을 줄 수 있습니다.

초록

신체 크기 및 구성 평가는 일반적으로 훈련 또는 재활 전략을 개인화하기 위해 다양한 유형의 환자뿐만 아니라 건강한 운동 선수의 일상적인 관리에 포함됩니다. 다음 프로토콜에 설명된 디지털 인체 측정 분석은 최근에 도입된 시스템으로 수행할 수 있습니다. 이러한 새로운 도구와 접근 방식은 작동이 매우 간단하고 정확하고 재현 가능한 데이터를 신속하게 수집할 수 있기 때문에 임상 환경에서 널리 사용될 수 있는 잠재력을 가지고 있습니다. 한 시스템은 무게 측정 플레이트가 있는 회전 플랫폼, 3개의 적외선 카메라, 타워에 내장된 태블릿으로 구성되고, 다른 시스템은 홀더에 장착된 태블릿으로 구성됩니다. 이미지 캡처 후 두 시스템의 소프트웨어는 관련 인체 측정 및 신체 구성 변수와 함께 식별되지 않은 3차원 휴머노이드 아바타를 생성합니다. 측정 절차는 간단합니다: 몇 분 안에 피험자를 테스트할 수 있으며 포괄적인 보고서(3차원 스캔 및 신체 크기, 모양 및 구성 측정 포함)가 자동으로 생성됩니다.

서문

인체 측정은 인체의 물리적 측정에 대한 연구입니다. 키, 체중, 길이, 피부주름 두께 및 둘레는 일반적으로 사용되는 인체 측정 측정법으로, 내분비 및 대사 장애가 있는 환자를 조사하고 운동선수의 식단 및 훈련에 의해 유도된 성장, 노화, 신체 크기 및 구성 적응을 모니터링하는 데 유용한 것으로 입증되었습니다 1,2. 예를 들어, 허리 둘레와 엉덩이 둘레의 평가는 비만 환자의 관리에 유용한 것으로 입증되었다: 두 둘레 모두 모든 원인으로 인한 사망률의 예측 변수로 간주될 수 있는 비만의 분포를 평가한다3.

사지 둘레는 충수 제지방량의 감소를 감지 및/또는 모니터링하는 데 유용하기 때문에(예: 종아리 둘레는 낮은 골격근 및 근감소증을 진단하기 위한 간단하고 실용적인 골격근 마커로 사용됨)1,2 및 신체 성능과 운동선수의 부상 위험 및 환자의 삶의 질에 영향을 미치는 사지 간 비대칭(예: 편측성 사지 부종을 동반한 암 환자)1,2. 또한, 지난 수십 년 동안 신체 둘레 또는 피부 주름 두께 1,2,4,5,6,7과 같은 다양한 인체 측정 측정의 조합에서 체지방량 또는 무지방 질량의 양을 추정하기 위해 많은 수의 인체 측정 기반 체성분 예측 모델이 제안되었습니다.

기존의 인체 측정(즉, 테이프 기반 및 캘리퍼 기반) 측정은 문화적으로 또는 사회적으로 수용되지 않을 수 있고 신뢰성도 낮을 수 있기 때문에8 비침습적이고 재현 가능하며 유효한 접근법의 개발 및 검증이 필요했습니다. 비침습적이고 정밀하며정확한 측정을 제공할 수 있는 최근에 개발된 3차원(3D) 광학 이미징 시스템8,9,10,11과 디지털 소비자 카메라 및 스마트폰은 임상 및 비임상 환경에서 환자와 건강한 피험자 모두를 평가하기에 적합한 사용하기 쉽고 널리 사용 가능한 도구를 제공합니다 8,9,10,11,12,13,14,15,16,17,18,19,20입니다. 다음 섹션에 보고된 프로토콜의 목적은 지난 몇 년 동안 의료 환경(환자 평가)과 비임상 환경(운동선수 평가) 모두에서 널리 보급된 3D 광학 이미징을 위한 두 가지 상업적으로 이용 가능한 솔루션을 통해 신체 크기, 모양 및 구성을 평가하는 절차를 설명하는 것입니다.

프로토콜

이 프로토콜은 토리노 21 폴리테크닉(Polytechnic of Turin21)의 연구 무결성 지침을 따릅니다. 광학 이미지 획득은 지역 윤리 위원회가 승인한 연구 조사 내에서 수행되었으며(데이터는 그림 1 및 그림 2의 범례에 보고됨) 조사 대상자는 서면 동의(연구 참여 및 익명 이미지 게시)를 제공했습니다.

1. 과목 준비

참고: 이 섹션에 설명된 모든 사전 스캔 준비는 테스트 절차 #1과 #2 간에 유사합니다.

  1. 피험자에게 속옷을 입거나 몸에 딱 맞는 최소한의 옷(남성의 경우 반바지, 여성의 경우 반바지, 스포츠 브라)을 착용하고, 양말, 신발 및 액세서리를 벗고, 머리카락을 덮을 수 있는 수영 모자를 착용하도록 요청합니다.

2. 테스트 절차 #1에 대한 피험자 등록

  1. 표준 스타디미터를 사용하여 피사체의 키를 측정합니다.
  2. 무게 측정 플레이트가 있는 회전 플랫폼, 3개의 적외선 카메라 및 타워에 내장된 태블릿으로 구성된 시스템 #1의 태블릿( 재료 표의 앱 #1 및 태블릿 #1)에 설치된 앱을 실행합니다(그림 1A, B).
  3. 이름, 성, 이메일 주소, 비밀번호, 성별(남성 또는 여성 선택), 측정 단위(미국 또는 미터법 선택), 인종(지정되지 않음, 히스패닉/라틴계, 아메리칸 인디언 또는 알래스카 원주민, 아시아인, 흑인 또는 아프리카계 미국인, 하와이 원주민 또는 기타 태평양 섬 주민 중 하나를 선택)을 포함한 주제 등록 양식(보충 그림 S1)을 작성합니다. 백인), 생년월일.
  4. 세 개의 체크상자(서비스 약관 동의, 개인 정보 보호 정책, 책임 면제)에 플래그를 지정한 다음 제출 버튼을 누릅니다.
  5. 피사체가 수영 모자를 제대로 착용하고 있는지 확인한 후 다음 버튼을 누릅니다.
  6. 피사체가 적절한 복장을 착용하고 있는지 확인한 후 다음 버튼을 누릅니다.
  7. 스캐너 영역이 깨끗한지 확인한 후(즉, 스캔 영역 밖에 옷을 보관하고 스캐너 보기에 햇빛이나 반사 물질이 없는지 확인) 다음 버튼을 누릅니다.
  8. 높이 측정 필드를 채우고 다음 버튼을 누릅니다.
  9. 선택적 추가 지표(체지방률 [BF%], 심박수, 수축기 및 이완기 혈압, 세포 내 및 세포 외 수분)와 관련된 필드를 입력한 다음 제출 버튼을 누릅니다.

3. 테스트 절차 #1

  1. 피험자에게 체중계를 밟고 발자국 위에 가능한 한 가만히 서(팔다리와 손을 양쪽에 두고 텔레스코핑 손잡이를 건드리지 않고) 체중(및 그 분포)을 캡처하도록 요청합니다.
  2. 피험자에게 표준화된 A 자세(어깨에 힘을 빼고 팔을 곧게 펴고 몸통에서 내전)로 똑바로 서서 텔레스코핑 핸들을 잡고 다음 지침에 따라 신체 스캔을 수행하도록 요청합니다(그림 1A, B).
    참고: 전신 스캔은 ~45초가 소요되며, 그 동안 광 코딩 깊이 센서는 플랫폼이 한 번 회전할 때 3D 모양을 캡처합니다.
    1. 팔과 다리가 곧게 펴질 때까지 손잡이를 들어 올립니다.
    2. 가능한 한 가만히 있으십시오.
    3. 눈을 앞보고 머리를 움직이지 마십시오.
    4. 스캔이 완료될 때까지 핸들의 버튼을 길게 누릅니다.
    5. 스캔이 완료되면 체중계에서 내려옵니다.
  3. 피사체가 체중계에서 벗어난 후 로그아웃 버튼을 누릅니다.

4. 시험 절차 #2에 대한 피험자 등록

  1. 스타디미터가 있는 표준 체중계를 사용하여 피사체의 키와 체중을 측정합니다.
  2. 데스크톱 또는 랩톱 컴퓨터에 설치된 최신 웹 브라우저를 사용하여 시스템 #2( 자료 표의 등록 대시보드)의 대시보드로 이동합니다.
  3. 이름, 성, 전화번호, 이메일 주소, 나이, 성별(남성 또는 여성 선택), 체중 및 키를 포함하여 주제 등록 양식(보충 그림 S2)을 작성합니다.
  4. 확인란(사용 약관 및 개인 정보 보호 정책에 동의)에 플래그를 지정한 다음 Sign up 버튼을 탭하거나 클릭하여 계정 설정을 완료합니다.
  5. 주제의 고유한 빠른 응답(QR) 코드, 전화 번호 및 이메일 주소를 보여주는 계정 보기 페이지를 시각화합니다.
  6. QR 코드의 사진(예: 휴대폰)을 찍습니다.

5. 테스트 절차 #2

  1. 홀더(태블릿 #2 및 재료 테이블의 플로어 스탠드)에 장착된 태블릿으로 구성된 시스템 #2의 태블릿에 설치된 앱(재료 표의 앱 #2)을 실행합니다.
  2. 태블릿의 화면을 탭하고 QR 코드를 표시합니다.
  3. 시작 버튼을 누릅니다.
  4. 피험자에게 오디오 지침을 듣고 화면에 제공된 가이드를 시청하도록 요청하십시오.
  5. 피험자에게 태블릿에서 일정한 거리를 두고 카펫 위에 서서 발 가이드(카펫 위의 검은색 타원형 기호)의 발을 화면에 표시된 녹색 발 마커와 정렬하도록 요청합니다(그림 2A).
  6. 피험자에게 다리를 분리하고, 팔을 몸통에서 약 45° 각도로 납치하고, 정면 이미지를 캡처하기 위해 손을 주먹으로 모쥔 상태에서 "전면 A-포즈"를 취하도록 요청한다(그리고 기형적인 아바타를 유발할 수 있는 움직임 없이 포즈를 유지한다)10,22.
  7. 정면 이미지를 캡처한 후 피사체에게 발을 모으고, 팔/손을 양쪽에 똑바로 놓고(즉, 팔/손을 몸통/허벅지와 정렬하고) 얼굴을 똑바로 앞으로 하여 측면 이미지를 캡처하는 "측면 자세"를 취하도록 요청합니다(그림 2C).
  8. 측면 이미지 캡처 후 피험자에게 스캔이 완료되었음을 알립니다(앱에 감사 화면이 표시됨).

대표적 결과

이미지 캡처 후 시스템 #1의 소프트웨어는 익명화된 3D 휴머노이드 아바타(그림 1C: 포인트 클라우드는 약 25,000개의 꼭지점과 50,000개의 면이 있는 삼각형으로 연결된 메시로 변환됨)와 길이, 둘레, 부피, 표면적 및 신체 구성 추정치를 포함하는 자동화된 인체 측정을 생성합니다. 시스템 #1의 대시보드를 통해 각 피험자는 3D 스캔(그림 1C), 체중, 크기 및 체형 측정(즉, 체형 등급, 허리둘레, 허리 대 엉덩이 비율, 몸통 대 다리 부피 비율), 기초 대사율 및 체성분 추정치(즉, BF%, 체지방량, 제지방량) 및 표준 둘레 측정(목, 가슴, 허리, 엉덩이, 좌우 이두박근, 좌우 팔뚝, 좌우 허벅지, 좌우 종아리).

또한 자세 및 균형 평가의 결과도 시각화할 수 있으며 보고서에 포함될 수 있습니다. 자세 평가 결과에는 관련 시프트(경사진 위치로 이동하는 신체의 일부와 한 방향으로 기울어지는 속도로 정의됨) 및 틸트(앞, 뒤, 왼쪽 또는 오른쪽의 "슬라이딩" 움직임, 중심점에서 위치의 약간의 변경 또는 변동으로 정의됨) 측정과 함께 3D 스캔의 전면, 측면 및 후면 보기가 포함됩니다. i) 전면 및 후면 보기: 시상면(오른쪽과 왼쪽 반구체 사이의 수직선으로 표시)에 대한 측정값을 오른쪽 또는 왼쪽으로 이동하고 머리, 어깨, 가슴, 엉덩이, 무릎에 대한 가로(수평면)에 대한 기울기 백분율; ii) 측면 view: 머리, 어깨, 엉덩이, 무릎에 대한 정면(관상) 평면(발목 관절에서 위로 수직선으로 표시)을 기준으로 측정값을 앞뒤로 이동합니다.

균형 평가 결과에는 오른발과 왼발의 전방 및 후방 영역에 대한 서 있는 자세 중 체중 분포가 포함됩니다. 시스템 #1의 대시보드에서는 각 주제가 를 다운로드할 수도 있습니다. OBJ 및 .GIF 이미지 파일 및 . 표 1에 나열된 인체 측정 및 체성분 추정치가 포함된 CSV 파일.

Mifflin-St.에 따르면 모든 체성분 추정치는 기저 대사율 추정 및 체형 지수 계산을 제외하고는 독점 알고리즘을 사용하여 얻어집니다. 표 2에 보고된 Jeor 방정식23 및 Krakauer 방정식24.

이미지 캡처 후 시스템 #2의 소프트웨어는 익명화된 3D 휴머노이드 아바타(그림 2D: 포인트 클라우드는 약 50,000개의 꼭짓점과 100,000개의 면이 있는 삼각형으로 연결된 메시로 변환됨)와 길이, 둘레, 부피, 표면적 및 신체 구성 추정치를 포함하는 자동화된 인체 측정을 생성합니다. 시스템 #2의 대시보드( 재료 테이블의 데이터 다운로드 대시보드)를 사용하면 각 주제가 를 다운로드할 수 있습니다. OBJ 및 .PNG 이미지 파일 및 다음 세 가지 . CSV 파일:

"App Measures.csv" 파일은 다음과 같은 인체 측정 및 체성분 측정을 보고합니다: 체중, 신체 표면적, BF%, 내장 지방 조직, 피트니스 지수, 팔 제지방량, 다리 제지방량, 제지방량, 총 골밀도 함량, 어깨 너비, 뒷목 너비(뒷목을 통해), 목둘레, 겨드랑이, 이두박근(오른쪽/왼쪽), 팔뚝(오른쪽/왼쪽), 손목(오른쪽/왼쪽), 가슴, 언더버스트, 가슴(드롭 포함), 위, 허리, 페인트 허리, 엉덩이(등받이의 작은 부분에서 8인치 아래로 이동), 좌석, 허벅지(오른쪽/왼쪽), 종아리(오른쪽/왼쪽), 뒷목에서 허리까지의 길이, 소매 길이(오른쪽/왼쪽), 가랑이 길이, 밑아래, 밑부분(오른쪽/왼쪽).

"Body Composition.csv" 파일은 체지방, 체질량 지수, 체표면적, 뼈 미네랄 함량, 체지방량 지수, 피트니스 지수, 키, 제지방 지수, 제지방 체질량, 팔 제지방 질량, 다리 제지방 질량, 휴식 대사율, 위 둘레, 내장 지방 조직, 허리 대 높이 비율, 허리 대 엉덩이 비율, 체중.

"Core Measures.csv" 파일은 표 1에 나열된 인체 측정 측정값을 보고합니다.

모든 체성분 추정치는 Katch-McArdle 방정식25와 Harty et al.26이 이전에 개발하고 검증한 두 방정식에 따라 각각 얻어지는 기초 대사율 추정 및 BF% 추정을 제외하고 독점 알고리즘을 사용하여 얻어집니다. 이 두 방정식(표 2의 BF% 방정식 1 및 방정식 2)은 각각 복부 둘레가 <103.5cm(<40.75인치) 및 ≥103.5cm(≥40.75인치))가 낮은 개인에게 채택됩니다. 이전 연구에서 건강한 성인의 BF% 추정에 대한 방정식 1의 정확성을 입증했지만15,26, 최근에는 젊은 운동선수18에서 BF%를 과대평가한 것으로 나타났습니다(이중 에너지 X선 흡수 측정법과 관련하여). 따라서 우리는18세 남녀 모두의 젊은 축구 선수에서 BF%의 정확한 추정치를 제공하기 위해 표 2에 보고된 재매개변수화(방정식 3)를 제안했습니다.

위에 나열된 체성분 변수 외에도 충수 제지방량(ALM)은 McCarthy et al.27이 주로 앉아있는 피험자에 대해 최근에 제안한 장치별 방정식(표 2의 남성에 대한 ALM 방정식 1 및 여성에 대한 ALM 방정식 2)을 통해 시스템 #2로 수행된 스캔에 대해 추정할 수 있습니다(표 2의 남성에 대한 ALM 방정식 3 및 여성에 대한 ALM 방정식 4 )18.

그림 3은 시스템 #1(그림 3A,C) 및 시스템 #2(그림 3B,D)를 가진 남성 운동선수(체질량 지수: 26.0kg/m2: 그림 3A,B)와 비만(체질량 지수: 44.0kg/m2: 그림 3C,D)에서 얻은 대표적인 아바타를 보여줍니다. 두 피험자의 두 번의 스캔에 대해 시스템 #1 및 시스템 #2에서 얻은 인체 측정 측정 및 체성분 추정치는 표 3에 보고되어 있습니다.

운동선수에서 얻은 둘레 측정은 두 시스템으로 얻은 스캔 간에 달랐습니다(특히 목, 팔, 엉덩이 및 다리의 경우: 데이터는 표 3에 보고됨). BF% 값(두 스캔의 평균)은 시스템 #1 및 #2로 수행된 스캔에 대해 각각 19.1% 및 16.1%였으며 제지방 질량 값(두 스캔의 평균)은 69.7kg 및 72.2kg이었습니다. 시스템 #2로 수행된 스캔의 ALM 평균값은 38.4kg이었습니다.

비만 환자에서 얻은 둘레 측정은 두 시스템으로 얻은 스캔 간에 달랐습니다(특히 허리와 다리의 경우: 데이터는 표 3에 보고됨). 시스템 #1 및 #2로 수행된 스캔의 경우 BF% 값(두 스캔의 평균)은 각각 44.1%와 46.3%였으며 제지방량 값(두 스캔의 평균)은 67.9kg 및 64.9kg이었습니다. 시스템 #2로 수행된 스캔의 ALM 평균값은 25.1kg이었습니다.

figure-representative results-4517
그림 1: 시스템 #1로 촬영한 이미지. (A,B) 플랫폼이 회전하는 동안 대표적인 남성 피험자가 가정하고 유지하는 표준화된 A-포즈와 (C) 상대적인 3D 아바타. 광학 이미지 획득은 토리노 대학의 윤리 위원회(프로토콜 n. 0115311)에서 승인한 연구 내에서 수행되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-representative results-5036
그림 2: 시스템 #2로 촬영한 이미지. (A) 시스템 #2의 태블릿 화면에 표시된 녹색 발 마커와 정렬된 발 가이드 기호(카펫 위의 검은색 타원형 기호)가 있는 카펫 위에 서 있는 대표적인 남성 피험자의 이미지. 대표 피사체의 (B) 정면 및 (C) 측면 이미지 및 (D) 상대적인 3D 아바타를 획득합니다. 광학 이미지 획득은 토리노 대학의 윤리 위원회(프로토콜 n. 0115311)에서 승인한 연구 내에서 수행되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-representative results-5670
그림 3: 시스템 #1 및 #2로 얻은 대표 아바타. (A,B) 남성 운동선수 및 (C,D) (A,C) 시스템 #1 및 (B,D) 시스템 #2로 조사된 비만 환자. 각 피험자는 재배치와 함께 두 번의 스캔을 받았습니다: 첫 번째 스캔에서 얻은 아바타는 두 피험자 모두에 대해 표시되었으며, 두 피험자의 두 번의 스캔에 대해 시스템 #1 및 시스템 #2에서 얻은 인체 측정 및 체성분 추정치는 표 3에 보고되어 있습니다. 광학 이미지 획득은 토리노 대학의 윤리 위원회(의정서 n. 0115311) 및 영토 윤리 위원회(CET - 의정서 n. 0065654)가 승인한 연구 내에서 수행되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 1: 시스템 #1 및 #2의 대시보드에서 다운로드할 수 있는 확장된 측정 세트. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 2: 기초 대사율, 체지방률, 충수 제지방량 추정을 위한 방정식. 기초 대사율 추정: 측정 단위는 체중과 제지방량의 경우 kg, 키의 경우 cm, 나이의 경우 년입니다. 체형 지수 추정 : 측정 단위는 허리 둘레와 신장을 측정하는 경우 m, 체질량 지수를 측정하는 경우 kg / m2 입니다. 체지방률 추정: 성별은 남성 = 1 및 여성 = 0으로 코드화되고, 체표면적은 cm2로 측정되며, circ.로 표시된 나머지 모든 변수는 cm로 측정됩니다. 복부 근육 지수는 (오른쪽 이두박근 원형 + 왼쪽 이두근 원형 + 오른쪽 허벅지 원형 + 왼쪽 허벅지 원형) + 오른쪽 종아리 원형 + 왼쪽 종아리 원형) / 최대 복부 원형으로 구합니다. Appendicular lean mass 추정: 측정 단위는 모든 둘레와 길이에 대해 cm입니다. 표면적의 경우 cm2 ; 볼륨의 경우 cm3 ; 무게에 대한 kg; 나이를 위한 년. 이 표의 세 가지 방정식은 Minetto et al.18에서 발췌한 것입니다. 약어: BMR = 기초 대사율; ABSI = 체형 지수; BF% = 체지방률; circ. = 둘레; ALM = 충수 제지방량; NHOPI = 하와이 원주민 및 기타 태평양 섬 주민. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 3. 두 대표 피험자(운동선수 1명과 비만 환자 1명) 각각에서 두 시스템으로 얻은 둘레 측정 및 체성분 추정치. 이 표를 다운로드하려면 여기를 클릭하십시오.

추가 그림 S1: 테스트 절차 #1에 대한 피험자 등록 양식. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 S2: 테스트 절차 #2에 대한 피험자 등록 양식. 이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

이 기사에 제시된 절차는 9,10,11,12,13,14,15,16,17,18,19,20 이전에 개발되고 검증된 3D 광학 이미징을 위한 두 가지 상용 솔루션을 통해 신체 크기, 모양 및 구성을 평가하는 데 사용할 수 있습니다 . 이러한 솔루션은 작동이 간편하며 유효한 데이터를 신속하게 수집하여 자동으로 보고서로 구성할 수 있습니다. 더욱이, 제시된 시스템은 재현 가능한 데이터의 수집을 가능하게 합니다(두 가지 대표적인 사례에서 두 시스템으로 수행된 두 스캔의 결과를 비교하고 이전 연구에서 문서화된 바와 같이)9,10,11,12,13,14,15,16,17,18,19,20 따라서 훈련 또는 다이어트로 인한 변화를 모니터링하는 데 사용할 수 있습니다.

시스템 #2는 무게가 제한되어 있으므로(태블릿과 홀더의 경우 총 ~4kg) 쉽게 휴대할 수 있습니다. 그러나, 시스템 #2의 한계는 2D 이미지로부터 3D 아바타를 생성하는 것이 시스템 #1로 얻어진 것보다 덜 정확한 3D 재구성을 생성할 수 있다는 것인데, 특히 비만이 있는 사람( 그림 3 C,D의 대표적인 예에서 나타난 바와 같이) 또는 체형의 국소적인 이상을 보이는 환자(예: 비만 수술 후 피부 과잉으로 문제가 생기는 환자 또는 편측 상지 또는 하지 림프부종이 있는 암 환자).

두 시스템 모두에서 스캔을 획득하려면 적절한 공간의 가용성이 매우 중요합니다: 시스템 #1의 경우 157 x 198cm, 시스템 #2의 경우 86 x 166cm의 여유 공간이 필요합니다. 더욱이, 시스템 #2는 피사체를 거울, 광택이 나는 포스터 또는 창문이 없는 빈 벽에 가깝게 배치할 것을 요구한다. 두 시스템 모두 자연광과 반사 표면이 카메라의 시야에 들어오지 않아야 합니다. 또한 두 시스템 모두 스캔을 효과적으로 처리하기 위해 지속적이고 일관된 Wi-Fi 인터넷 연결이 필요합니다.

위에서 설명한 절차의 주요 제한 사항은 조사 대상이 서 있는 위치를 취할 수 있어야 한다는 것입니다. 따라서 이러한 접근법은 침대에서 일어날 수 없는 중증 환자(예: 중증 신경계 손상 환자 또는 중증 환자)에게는 사용할 수 없습니다. 더욱이, 조사 대상은 아바타(10,22)의 형태를 변경하고 신체 둘레의 추정을 편향시킬 수 있는 움직임 없이 서 있는 자세(즉, A-포즈 및 측면 자세)를 유지할 수 있어야 한다.

위에서 설명한 매개변수의 한계는 독점적인 장치별 알고리즘을 사용하여 얻어진다는 것입니다: 이는 본체 크기, 모양 및 구성 측정이 특정 스캐닝 시스템에 고유하다는 것을 의미합니다. 따라서 서로 다른 시스템으로 수집된 데이터를 비교하거나 풀링하는 것은 분석적(즉, 스캐너 간) 변동성에 의해 배제됩니다. 일관되게 그림 3에 표시된 대표적인 두 가지 대상에서 얻은 둘레 측정은 두 시스템 간에 달랐습니다. 그러나 이러한 한계를 극복하기 위해 장치에 구애받지 않는 솔루션이 이미 개발되었습니다: 이러한 솔루션은 3D 메시를 다시 포맷하고 편집한 다음 다른 랜드마크(예: 겨드랑이, 가랑이, 발)를 자동으로 감지한 다음 신체 크기 측정값을 계산합니다 28,29,30,31,32,33,34,35. 상술한 체성분 파라미터의 또 다른 한계는 이들이 종래의 인체 측정학 기반 예측 모델을 통해 얻어진다는 것이다. 그러나 최근 연구에 따르면 기존의 인체 측정 측정을 넘어 신체 구성에 대한 정보를 캡처하기 위해 체형 기반 모델이 필요할 수 있음을 보여주었습니다36,37.

몇 가지 제한 사항에도 불구하고 디지털 인체 측정 접근법은 임상 환경에서 사용할 준비가 된 것으로 간주되어야 합니다. 3D 이미징 시스템은 관찰 및 촉진을 통한 해부학적 랜드마크 식별을 기반으로 하는 수동(테이프 기반 및/또는 캘리퍼 기반) 측정에 비해 더 수용 가능한 비침습적 측정을 제공합니다. 또한 3D 광학 스캐닝은 신체 크기 및 구성 평가를 위해 연구 및 임상 환경에서 일반적으로 채택되는 다른 조사(예: 자기 공명 영상 및 이중 에너지 X선 흡수 측정법)에 비해 속도가 빠릅니다. 또한, 상대적으로 저렴하고 방사선이 없기 때문에, 후속 스캔에 사용하는 것이 안전하며(예를 들어, 실험자가 신체 움직임이나 아바타의 형태에 변화를 일으킬 수 있는 부적절한 팔다리 배치를 알아차리면 이미지 획득을 쉽고 빠르게 반복할 수 있음) 반복적인 조사(38)에 사용할 수 있을 뿐만 아니라 특수 집단(예: 어린이, 청소년 및 임산부)35,39.

따라서 임상의는 건강한 피험자(예: 운동선수)의 일상적인 평가에서 혁신적이고 유용한 바이오마커("e-tape" 측정 및 파생된 체성분 추정치)의 획득을 구현하여 신체 성능 및 부상 위험을 예측하고 특성화하는 데 도움을 줄 수 있습니다 40,41,42,43 뿐만 아니라 부상 회복을 모니터링합니다. 예를 들어, 다리 근력과 제지방 질량 대칭은 신체 능력과 (재)부상 위험에 영향을 미친다44. 따라서 허벅지/종아리 둘레의 정상적인 대칭을 회복하는 것은45경기 복귀를 위해 고려해야 할 일반적인 목표에 포함될 수 있습니다. 환자에 대한 일상적인 평가도 디지털 인체 측정법을 의료 서비스에 통합함으로써 개선될 수 있습니다. (즉, 연조직 및 지방 조직의 내부 분포에 의해 주도되는) 신체 둘레 및 체형의 평가는 저질량 근육(예: 근감소증이 의심되는 환자)을 감지하고, 대사성 질환 위험을 예측하고46 수술 절차의 결과를 평가하며, 중재 후 환자의 진행 상황을 모니터링하는 데 유용할 수 있다38. 영양 성분이 병태생리학의 주요 원인인 질병을 앓고 있는 환자는 증상과 공존하는 상태를 줄이기 위해 신체 크기와 구성에 대한 종단 모니터링으로부터 특히 이점을 얻을 수 있다47. 예를 들어, 식이요법 및/또는 약물 기반 비만 관리의 경우, 잘 알려진 "25/75 경험 법칙"(즉, 체중 감소가 일반적으로 25%의 무지방 질량 감소와 75%의 지방 감소라는 일반적인 가정)이 근육 및 지방 손실의 상대적 양에 대한 인체 측정 기반 평가에 의해 밝혀질 수 있는 중재 효과(intervention efficacy)38를 정확하게 설명하지 못할 수 있기 때문에 체중만 모니터링하는 것이 적절하지 않을 수 있다. 또한 의료 서비스에 통합된 디지털 인체 측정은 의료 서비스를 원격 위치로 확장하여 환자 지원 및 순응도를 개선하고 의료 비용을 절감할 수 있는 잠재력을 가지고 있습니다.

공개

A.P.와 S.B.H.는 Tanita Corporation의 의료 자문 위원회에 소속되어 있습니다. 나머지 저자는 선언할 이해 상충이 없습니다.

감사의 말

저자들은 원고 준비에 귀중한 도움을 준 Federico Della Vecchia 박사와 Alessandro Cairo 박사(토리노 대학교)에게 감사를 표합니다. 이 연구는 Fondazione CRT(이탈리아 토리노), 토리노 대학교(Fondo per la Ricerca Locale - 전 60%), 미국 국립보건원(National Institutes of Health, grant R01DK109008, Shape UP! 성인).

자료

NameCompanyCatalog NumberComments
System #1
ProscannerFit3D Inc., San Mateo, CA, USAVersion 5"System #1" in the manuscript
Fit3D Proscanner appFit3D Inc., San Mateo, CA, USAVersion 5"App #1" in the manuscript
CHUWI tablet PCChuwi Technology Co., Ltd., Shenzhen, CHINAHi10X"Tablet #1" in the manuscript
Fit3D dashboardFit3D Inc., San Mateo, CA, USAhttps://dashboard.fit3d.com
System #2
Mobile Scanner 1 (MS-1) appSize Stream LLC, Cary, NC, USAVersion 2"System #2" in the manuscript
iPadApple Inc., Cupertino, CA, USA9th generation"Tablet #2" in the manuscript
iPad Floor StandDisplays2go LLC, Fall River, MA, USASKU: TABFLATBBKwww.displays2go.com/P-29987/Universal-Tablet-Floor-Stand-Anti-Theft-Locking-Kit
Size Stream registration dashboard Size Stream LLC, Cary, NC, USAhttps://measure.mobilefit.sizestream.com
Size Stream data download dashboard Size Stream LLC, Cary, NC, USAhttps://data.mobilefit.sizestream.com

참고문헌

  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).

재인쇄 및 허가

JoVE'article의 텍스트 или 그림을 다시 사용하시려면 허가 살펴보기

허가 살펴보기

더 많은 기사 탐색

3D

This article has been published

Video Coming Soon

JoVE Logo

개인 정보 보호

이용 약관

정책

연락처

사서에게 추천하기

JoVE 뉴스레터

연구

교육

저자

사서

JoVE 소개

Copyright © 2025 MyJoVE Corporation. 판권 소유