Authors
Contact Us

Sign In

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • Representative Results
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

Процедуры оценки размера, формы и состава тела с помощью коммерчески доступных решений для трехмерной оптической визуализации позволяют быстро собирать точные и воспроизводимые данные. Клиницисты могли бы использовать инновационные и полезные биомаркеры (измерения на электронных лентах) при рутинных обследованиях пациентов, чтобы помочь охарактеризовать состояние их здоровья.

Abstract

Оценка размера и состава тела обычно включается в рутинное лечение здоровых спортсменов, а также различных типов пациентов для персонализации стратегии тренировок или реабилитации. Цифровой антропометрический анализ, описанный в следующем протоколе, может быть выполнен с помощью недавно внедренных систем. Эти новые инструменты и подходы имеют потенциал для широкого использования в клинических условиях, поскольку они очень просты в эксплуатации и позволяют быстро собирать точные и воспроизводимые данные. Одна система состоит из вращающейся платформы с пластиной для измерения веса, трех инфракрасных камер и встроенного в башню планшета, в то время как другая система состоит из планшета, установленного на держателе. После захвата изображения программное обеспечение обеих систем генерирует обезличенный трехмерный гуманоидный аватар с соответствующими антропометрическими и композиционными переменными. Процедуры измерения просты: объект может быть протестирован за несколько минут, и автоматически создается подробный отчет (включающий трехмерное сканирование и измерения размера, формы и состава тела).

Introduction

Антропометрия – это изучение физических показателей человеческого тела. Рост, вес, длина, толщина кожных складок и окружность являются широко используемыми антропометрическими измерениями, которые оказались полезными для обследования пациентов с эндокринными и метаболическими нарушениями, а также для мониторинга роста, старения, а также адаптации к размеру и составу тела, вызванной диетой и тренировками у спортсменов 1,2. Например, оценка окружностей талии и бедер оказалась полезной для ведения лиц с ожирением: обе окружности оценивают распределение ожирения, которое можно считать предиктором смертности от всехпричин.

Окружность конечностей часто оценивается в реабилитационной и спортивной медицине из-за ее полезности для выявления и/или мониторинга снижения мышечной массы аппендикуляра (например, окружность икр используется в качестве простого и практичного маркера скелетных мышц для диагностики низкого уровня скелетных мышц и саркопении)1,2, а также асимметрии между конечностями, которая влияет как на физическую работоспособность, так и на риск травм у спортсменов и на качество жизни пациентов (например, онкологические больные с односторонним отеком конечностей)1,2. Кроме того, за последние несколько десятилетий было предложено большое количество основанных на антропометрии моделей прогнозирования состава тела для оценки количества жировой массы или безжировой массы на основе комбинации различных антропометрических показателей, таких как окружность тела или толщина кожных складок 1,2,4,5,6,7.

Поскольку традиционные антропометрические (т.е. ленточные и штангенциркульные) измерения могут быть неприемлемыми в культурном или социальном плане, а также демонстрировать низкуюнадежность8, возникла необходимость в разработке и валидации неинвазивных, воспроизводимых и валидных подходов. Недавно разработанные трехмерные (3D) оптические системы визуализации, позволяющие проводить неинвазивные, точные и точные измерения 8,9,10,11, а также цифровые потребительские камеры и смартфоны предлагают простые в использовании и широко доступные инструменты, пригодные для использования в клинических и неклинических условиях для оценки как пациентов, так и здоровых субъектов 8,9,10,11 ,12,13,14,15,16,17,18,19,20. Целью протокола, представленного в следующем разделе, является описание процедур оценки размера, формы и состава тела с помощью двух коммерчески доступных решений для 3D-оптической визуализации, которые получили широкое распространение в последние годы как в медицинских учреждениях (для оценки пациентов), так и в неклинических условиях (для оценки спортсменов).

Protocol

Протокол соответствует руководящим принципам добросовестности исследований Политехнического института Турина21. Получение оптических изображений проводилось в рамках исследований, одобренных местными комитетами по этике (данные приведены в поясностях к рисункам 1 и 2), и исследуемые субъекты дали письменное согласие (на участие в исследовании и публикацию анонимизированных изображений).

1. Подготовка предмета

ПРИМЕЧАНИЕ: Все предварительные методы сканирования, описанные в этом разделе, аналогичны процедурам тестирования #1 и #2.

  1. Попросите субъекта быть одетым в нижнее белье или надеть минимально облегающую одежду (шорты для мужчин и шорты и спортивный бюстгальтер для женщин), снимите носки, обувь и аксессуары, а также наденьте шапочку для плавания для прикрытия волос.

2. Регистрация субъекта на процедуру тестирования #1

  1. Измерьте рост объекта съемки с помощью стандартного стадиометра.
  2. Запустите приложение, установленное на планшете (приложение #1 и планшет #1 в Таблице материалов) системы #1, которая состоит из вращающейся платформы с пластиной для измерения веса, трех инфракрасных камер и планшета, встроенного в башню (рис. 1A,B).
  3. Заполните регистрационную форму субъекта (Дополнительный рисунок S1), указав имя, фамилию, адрес электронной почты, пароль, пол (выберите мужчину или женщину), единицы измерения (выберите США или метрическую систему), этническую принадлежность (выберите одну из следующих групп: не указано, латиноамериканцы, американские индейцы или коренные жители Аляски, азиаты, чернокожие или афроамериканцы, коренные гавайцы или другие жители островов Тихого океана). кавказский), дата рождения.
  4. Отметьте три флажка (принятие условий соглашения, политики конфиденциальности, отказ от ответственности), затем нажмите кнопку «Отправить ».
  5. Убедитесь, что на объекте правильно надета шапочка для плавания, затем нажмите кнопку «Далее ».
  6. Убедитесь, что субъект одет в надлежащую одежду, затем нажмите кнопку «Далее ».
  7. Убедитесь, что область сканера свободна (т. е. держите одежду за пределами зоны сканирования и убедитесь, что в поле зрения сканера нет солнечного света или отражающего материала), затем нажмите кнопку «Далее ».
  8. Заполните поле измерения высоты , затем нажмите кнопку «Далее ».
  9. Заполните поля, связанные с дополнительными показателями (% жира в организме [BF%], частота сердечных сокращений, систолическое и диастолическое артериальное давление, внутриклеточная и внеклеточная вода), затем нажмите кнопку «Отправить ».

3. Процедура тестирования #1

  1. Попросите испытуемого встать на весы и встать как можно неподвижнее на следы ног (с верхними конечностями и руками с двух сторон, не касаясь телескопических ручек) в течение 10 с, чтобы зафиксировать вес тела (и его распределение).
  2. Попросите испытуемого встать прямо в стандартной позе А (с расслабленными плечами и прямыми руками, отведенными от туловища), взявшись за телескопические ручки, чтобы выполнить сканирование тела в соответствии со следующими инструкциями (рис. 1A, B).
    ПРИМЕЧАНИЕ: Сканирование всего тела занимает ~45 секунд, в течение которых датчики глубины с кодированием света фиксируют 3D-форму при одном обороте платформы.
    1. Поднимайте ручки, пока руки и ноги не станут прямыми.
    2. Оставайтесь как можно более неподвижными.
    3. Держите голову неподвижно, глядя вперед.
    4. Нажмите и удерживайте кнопки ручек до завершения сканирования.
    5. Сойдите с весов после завершения сканирования.
  3. После того как объект сойдет с весов, нажмите кнопку «Выйти ».

4. Регистрация субъекта на процедуру тестирования #2

  1. Измерьте рост и вес объекта с помощью стандартных весов со стадиометром.
  2. С помощью любого современного веб-браузера, установленного на настольном или портативном компьютере, перейдите на дашборд системы #2 (регистрационный дашборд в Таблице материалов).
  3. Заполните форму регистрации субъекта (Дополнительный рисунок S2), указав имя, фамилию, номер телефона, адрес электронной почты, возраст, пол (выберите мужчину или женщину), вес и рост.
  4. Установите флажок (принятие условий использования и политики конфиденциальности), затем нажмите кнопку «Зарегистрироваться », чтобы завершить настройку учетной записи.
  5. Визуализируйте страницу просмотра учетной записи, на которой отображается уникальный QR-код, номер телефона и адрес электронной почты субъекта.
  6. Сфотографируйте (например, с помощью мобильного телефона) QR-код.

5. Процедура тестирования #2

  1. Запустите приложение (приложение #2 в Таблице материалов), установленное на планшете системы #2, которое состоит из планшета, установленного на держателе (планшет #2 и напольная подставка в Таблице материалов).
  2. Нажмите на экран планшета и покажите QR-код.
  3. Нажмите кнопку « Пуск ».
  4. Попросите испытуемого прослушать аудиоинструкции и посмотреть указание на экране.
  5. Попросите испытуемого встать над ковром на стандартном расстоянии от планшета, расположив ноги в направляющей для ног (черный овальный символ над ковром) в соответствии с зеленым маркером ног, показанным на экране (рисунок 2A).
  6. Попросите испытуемого принять «переднюю позу А» (и сохранять эту позу без движений, которые могут привести к искажению аватара)10,22 с разведенными ногами, отведенными от туловища руками под углом примерно 45° и сжатыми в кулаки руками, чтобы запечатлеть фронтальное изображение (рис. 2B).
  7. После съемки фронтального изображения попросите субъекта принять «боковую позу» с ногами вместе, руками/кистями рук прямо по бокам (т.е. руки/кисти рук на одной линии и против туловища/бедер) и повернуться лицом прямо вперед, чтобы сделать боковой снимок (рис. 2C).
  8. После бокового снимка сообщите объекту, что сканирование завершено (в приложении отобразится экран благодарности ).

Representative Results

После получения изображения программное обеспечение системы #1 генерирует обезличенный 3D-аватар гуманоида (рисунок 1C: облака точек преобразуются в сетку, соединенную треугольниками, примерно с 25 000 вершин и 50 000 граней) и автоматизированную антропометрию, которая включает в себя длину, окружности, объемы, площади поверхности и оценку состава тела. Приборная панель системы #1 позволяет каждому испытуемому визуализировать (и загрузить отчет, включающий) 3D-сканирование (Рисунок 1C), измерения веса, размера и формы тела (т.е. оценка формы тела, окружность талии, соотношение талии и бедер, соотношение объема туловища к ногам), оценки скорости основного метаболизма и состава тела (т.е. BF%, жировая масса, мышечная масса) и стандартные измерения окружности (шея, бюст, талия, бедра, левый и правый бицепсы, левое и правое предплечье, левое и правое бедро, левая и правая икра).

Кроме того, результаты оценки осанки и равновесия также могут быть визуализированы и включены в отчет. Результаты оценки осанки включают в себя передний, боковой и задний виды 3D-сканирования с соответствующими измерениями сдвига (определяемого как часть тела, которая перемещается в наклонное положение, и скорости, с которой она наклоняется в любом направлении) и наклона (определяемого как «скользящее» движение вперед, назад, влево или вправо, небольшое изменение или вариация положения относительно центральной точки): i) вид спереди и сзади: измерения смещения вправо или влево по отношению к сагиттальной плоскости (представленной в виде вертикальной линии между правой и левой гемисомами) и проценты наклона относительно поперечной (горизонтальной плоскости) для головы, плеча, нижней части груди, бедра, колена; ii) вид сбоку: измерения смещения вперед или назад относительно фронтальной (корональной) плоскости (представленной в виде вертикальной линии вверх от голеностопного сустава) для головы, плеча, бедра, колена.

Результат оценки равновесия включает в себя распределение веса во время стояния для передней и задней областей правой и левой стопы. Панель управления системы #1 также позволяет для каждого субъекта скачивать . OBJ и .GIF файлы изображений, а также файлы . CSV-файл с антропометрическими измерениями и оценками состава тела, перечисленными в таблице 1.

Все оценки состава тела получены с использованием запатентованных алгоритмов, за исключением оценки скорости базального метаболизма и расчета индекса формы тела, которые получаются, соответственно, по методу Mifflin-St. УравнениеДжора 23 и уравнениеКракауэра 24 представлены в таблице 2.

После захвата изображения программное обеспечение системы #2 генерирует обезличенный 3D-аватар гуманоида (Рисунок 2D: облака точек преобразуются в сетку, соединенную треугольниками, содержащими примерно 50 000 вершин и 100 000 граней) и автоматизированную антропометрию, которая включает в себя длину, окружность, объемы, площади поверхности и оценку состава тела. Дашборд системы #2 (дашборд загрузки данных в Таблице материалов) позволяет выгрузку по каждому предмету. OBJ и .PNG файлы изображений, а также следующие три . CSV-файлы:

В файле "App Measures.csv" отображаются следующие антропометрические измерения и показатели состава тела: вес, площадь поверхности тела, BF%, висцеральная жировая ткань, индекс физической подготовки, мышечная масса рук, мышечная масса ног, мышечная масса тела, общее содержание минералов в костях, ширина плеч, ширина плеч спины (через заднюю часть шеи), окружности шеи, подмышки, бицепсы (справа/лево), предплечье (правое/левое), запястье (правое/левое), грудь, подгрудок, бюст (с перепадом), живот, талия, краска талии, бедра (снятые на 8 дюймов вниз от небольшой части спины), сиденье, бедро (право/влево), икра (справа/влево), длина спины-горловины до талии, длина рукава (вправо/влево), длина промежности, внутренний шов, внешний шов (правый/левый).

Файл "Body Composition.csv" содержит следующие антропометрические измерения и измерения состава тела: жир в организме, индекс массы тела, площадь поверхности тела, содержание минералов в костях, индекс массы жира, индекс физической подготовки, рост, индекс худощавого тела, мышечная масса тела, мышечная масса рук, мышечная масса ног, скорость метаболизма в состоянии покоя, окружность живота, висцеральная жировая ткань, отношение талии к росту, соотношение талии и бедер, вес.

В файле "Core Measures.csv" представлены антропометрические измерения, перечисленные в таблице 1.

Все оценки состава тела получены с использованием запатентованных алгоритмов, за исключением оценки базальной скорости метаболизма и оценки BF%, которые получаются, соответственно, в соответствии с уравнением Катча-Макардла25 и двумя уравнениями, ранее разработанными и валидированными Harty et al.26. Эти два уравнения (уравнение BF% 1 и уравнение 2 в таблице 2) приняты, соответственно, для лиц с нижней окружностью живота <103,5 см (<40,75 дюйма) и ≥103,5 см (≥40,75 дюйма). Хотя предыдущие исследования продемонстрировали точность уравнения 1 для оценки BF% у здоровых взрослых15,26, недавно мы обнаружили, что оно завышает (по отношению к двухэнергетической рентгеновской абсорбциометрии) BF% у молодых спортсменов18. Поэтому мы предложили повторную параметризацию (уравнение 3), представленную в таблице 2, чтобы обеспечить точную оценку BF% у молодых футболистов обоих полов18.

В дополнение к перечисленным выше переменным состава тела, аппендикулярная мышечная масса (ALM) также может быть оценена для сканирования, выполненного с помощью системы #2 с помощью уравнения для конкретного устройства, недавно предложенного McCarthy et al.27 для людей, ведущих сидячий образ жизни (ALM Equation 1 для мужчин и ALM Equation 2 для женщин в таблице 2), которое мы адаптировали для оценки ALM у молодых спортсменов (ALM Equation 3 для мужчин и ALM Equation 4 для женщин в таблице 2)18.

На рисунке 3 представлены репрезентативные аватары, полученные у спортсмена-мужчины (индекс массы тела: 26,0 кг/м2: рисунок 3A,B) и человека с ожирением (индекс массы тела: 44,0 кг/м2: рисунок 3C,D) с помощью системы #1 (рисунок 3A,C) и с помощью системы #2 (рисунок 3B,D). Антропометрические измерения и оценки состава тела, полученные с помощью систем #1 и #2 для двух сканирований обоих субъектов, представлены в таблице 3.

Измерения окружности, полученные у спортсмена, различались между сканированием, полученным с помощью двух систем (особенно для шеи, рук, бедер и ног: данные приведены в таблице 3). Значения BF% (средние значения двух сканирований) составили 19,1% и 16,1% для сканирования, выполненного с помощью систем #1 и #2, соответственно, а значения мышечной массы (средние значения двух сканирований) составили 69,7 кг и 72,2 кг. Среднее значение ALM для сканирования, выполненного с помощью системы #2, составило 38,4 кг.

Измерения окружности, полученные у человека с ожирением, различались между сканированием, полученным с помощью двух систем (особенно для талии и ног: данные приведены в таблице 3). Значения BF% (средние значения двух сканирований) составили 44,1% и 46,3% для сканирования, выполненного с помощью систем #1 и #2, соответственно, а значения мышечной массы (средние значения двух сканирований) составили 67,9 кг и 64,9 кг. Среднее значение ALM для сканирования, выполненного с помощью системы #2, составило 25,1 кг.

figure-representative results-8639
Рисунок 1: Изображения, сделанные с помощью системы #1. (A,B) стандартизированная поза A, принятая и поддерживаемая репрезентативным субъектом мужского пола во время вращения платформы, и (C) относительным 3D-аватаром. Получение оптических изображений проводилось в рамках научного исследования, одобренного комитетом по этике Туринского университета (протокол No 0115311). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-representative results-9420
Рисунок 2: Изображения, сделанные с помощью системы #2. (A) Изображение типичного субъекта мужского пола, стоящего над ковром с символом направления ног (черный овальный символ над ковром), выровненным по зеленому маркеру ног, показанному на экране планшета системы #2. Получение (В) фронтальных и (В) боковых изображений у репрезентативного объекта и (Г) соответствующего 3D-аватара. Получение оптических изображений проводилось в рамках научного исследования, одобренного комитетом по этике Туринского университета (протокол No 0115311). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-representative results-10401
Рисунок 3: Репрезентативные аватары, полученные с помощью систем #1 и #2. (A,B) Мужчина-спортсмен и (C,D) человек с ожирением, исследованные с помощью системы (A,C) #1 и (B,D) системы #2. Каждый субъект прошел два сканирования с изменением положения: аватар, полученный в результате первого сканирования, был показан для обоих субъектов, в то время как антропометрические оценки и оценки состава тела, полученные системой #1 и системой #2 для двух сканирований обоих субъектов, представлены в таблице 3. Получение оптических изображений проводилось в рамках научных исследований, одобренных комитетом по этике Университета Турина (протокол No 0115311) и Территориальным комитетом по этике (CET - протокол No 0065654). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Таблица 1: Расширенные наборы измерений, загружаемые с приборной панели систем #1 и #2. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 2: Уравнения для оценки скорости основного метаболизма, процента жира в организме и аппендикулярной мышечной массы. Оценка скорости базального метаболизма: единицами измерения являются кг для веса и мышечной массы, см для роста и лет для возраста. Оценка индекса формы тела: единицами измерения являются м для окружности талии и измеряется рост, кг/м2 для индекса массы тела. Оценка процента жира в организме: пол кодируется как мужской = 1 и женский = 0, площадь поверхности тела измеряется всм2, а все остальные переменные, обозначенные как окружность, измеряются в см. Индекс мышц к животу получается как (окружность правого бицепса + окружность левого бицепса + окружность правого бедра + окружность левого бедра + окружность правой икры + окружность левой икры) / максимальная окружность живота. Аппендикулярная оценка мышечной массы: единицами измерения являются см для всех окружностей и длин; см2 для площадей поверхности; см3 для объемов; кг на вес; лет по возрасту. Три уравнения в этой таблице взяты из Minetto et al.18. Сокращения: BMR = скорость основного метаболизма; ABSI = индекс формы тела; BF% = процент жира в организме; circ. = длины окружностей; ALM = аппендикулярная мышечная масса; NHOPI = коренной гавайец и житель других островов Тихого океана. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 3. Измерения окружности и оценки состава тела, полученные с помощью двух систем у каждого из двух репрезентативных субъектов (один спортсмен и один человек с ожирением). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Дополнительный рисунок S1: Форма регистрации субъекта для процедуры тестирования #1. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок S2: Форма регистрации субъекта для процедуры тестирования #2. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Discussion

Процедуры, представленные в этой статье, могут быть использованы для оценки размера, формы и состава тела с помощью двух коммерчески доступных решений для 3D-оптической визуализации, которые были ранее разработаны и проверены 9,10,11,12,13,14,15,16,17,18,19,20 . Эти решения просты в эксплуатации, а достоверные данные могут быть быстро собраны и автоматически организованы в отчет. Кроме того, представленные системы позволяют собирать воспроизводимые данные (как следует из сравнения результатов двух сканирований, выполненных с помощью обеих систем в наших двух репрезентативных случаях и задокументированных предыдущими исследованиями)9,10,11,12,13,14,15,16,17,18,19,20 и, следовательно, может быть использован для мониторинга изменений, вызванных тренировками или диетой.

Поскольку система #2 имеет ограниченный вес (всего ~4 кг для планшета и держателя), она легко переносится. Тем не менее, ограничением системы #2 является то, что создание 3D-аватара на основе 2D-изображений может привести к 3D-реконструкциям, которые будут менее точными, чем те, которые получены с помощью системы #1, особенно у людей с ожирением (как показано на репрезентативном примере на рисунке 3C,D) или у пациентов с локализованными аномалиями формы тела (например, пациенты после бариатрической хирургии с проблемным избытком кожи или онкологические больные с односторонней лимфедемой верхних или нижних конечностей).

Наличие достаточного пространства имеет решающее значение для получения данных сканирования с помощью обеих систем: требуется свободная область 157 x 198 см для системы #1 и 86 x 166 см для системы #2. Кроме того, система #2 требует, чтобы объект был размещен рядом с пустой стеной без зеркал, глянцевых постеров или окон. Обе системы требуют, чтобы в поле зрения камер не было естественного солнечного света и отражающих поверхностей. Обе системы также требуют постоянного и стабильного подключения к Интернету Wi-Fi для эффективного сканирования.

Основным ограничением описанных выше процедур является то, что они требуют, чтобы исследуемый был в состоянии принять стоячее положение. Таким образом, эти подходы не могут быть использованы у тяжелобольных пациентов (таких как пациенты с серьезными нарушениями неврологических расстройств или пациенты в критическом состоянии), которые не могут встать с постели. Кроме того, испытуемые должны быть в состоянии сохранять положение стоя (т.е. позу А и позу бока) без движений, которые могут изменить форму аватара10,22 и исказить оценку окружности тела.

Ограничением описанных выше параметров является то, что они получены с помощью запатентованных алгоритмов, специфичных для конкретного устройства: это означает, что измерения размера, формы и состава тела уникальны для конкретной системы сканирования. Таким образом, сравнение или объединение данных, полученных с помощью различных систем, исключается аналитической (т.е. между сканерами) вариативностью. Соответственно, измерения окружности, полученные у двух наших репрезентативных субъектов, показанных на рисунке 3, различались между двумя системами. Тем не менее, для преодоления этого ограничения уже разработаны решения, не зависящие от устройства: эти решения переформатируют и редактируют 3D-сетку, затем автоматически определяют различные ориентиры (такие как подмышки, промежность и ступни), а затем вычисляют размеры тела 28,29,30,31,32,33,34,35. Еще одним ограничением описанных выше параметров состава тела является то, что они получены с помощью обычных моделей прогнозирования, основанных на антропометрии. Тем не менее, недавние исследования показали, что модели, основанные на форме тела, могут потребоваться для сбора информации о составе тела, выходящей за рамки обычных антропометрическихизмерений.

Несмотря на некоторые ограничения, цифровой антропометрический подход следует считать готовым к использованию в клинических условиях. Системы 3D-визуализации обеспечивают неинвазивные измерения, которые могут быть более приемлемыми по сравнению с ручными измерениями (на основе ленты и/или штангенциркуля) измерениями, основанными на идентификации анатомических ориентиров путем наблюдения и пальпации. Кроме того, 3D-оптическое сканирование также быстрее по сравнению с другими исследованиями (например, магнитно-резонансной томографией и двухэнергетической рентгеновской абсорбциометрией), обычно используемыми в научных и клинических условиях для оценки размера и состава тела. Кроме того, поскольку он относительно недорог и не требует облучения, он безопасен для использования для последующих сканирований (например, получение изображения может быть легко и быстро повторено, если экспериментатор заметит движения тела или неправильное расположение конечностей, которые могут привести к изменению формы аватара) и для повторныхисследований, а также безопасен для использования в особых группах населения (таких как дети, подростки и беременные женщины)35,39.

Таким образом, клиницисты могли бы внедрить приобретение инновационных и полезных биомаркеров (измерения на электронных лентах и производные оценки состава тела) в рутинных оценках здоровых субъектов (например, спортсменов), чтобы помочь в прогнозировании и характеристике их физической работоспособности и риска травм 40,41,42,43 а также для контроля за восстановлением после травм. Например, сила ног и симметрия мышечной массы влияют на физическую работоспособность и риск (повторной) травмы44. Таким образом, восстановление нормальной симметрии окружностей бедра/икры может быть включено в число общих целей, которые следует учитывать при возвращении к игре45. Рутинная оценка пациентов также может быть улучшена за счет интеграции цифровой антропометрии в здравоохранение. Оценка окружности и формы тела (которая определяется внутренним распределением мягких и жировых тканей) может быть полезной для выявления мышц с низкой массой (например, у пациентов с подозрением на саркопению), для прогнозирования риска метаболических заболеваний, для оценки исхода хирургической процедуры, а также для мониторинга прогресса пациента после вмешательства. Пациенты с заболеваниями, для которых пищевые компоненты являются ключевыми факторами патофизиологии, могут извлечь особую пользу из лонгитюдного мониторинга размера и состава тела для уменьшения симптомов и сопутствующих состояний47. Например, в случае лечения ожирения с помощью диеты и/или лекарств, может быть нецелесообразно контролировать только вес, потому что хорошо известное «эмпирическое правило 25/75» (т.е. общее предположение, что потеря веса обычно составляет 25% потери массы без жира и 75% потери жира) может не точно описывать эффективность вмешательства, которая может быть раскрыта с помощью оценки относительного объема потери мышц и жира на основе антропометрии. Кроме того, цифровая антропометрия, интегрированная в здравоохранение, может расширить спектр медицинских услуг в отдаленных районах, тем самым улучшая помощь пациентам и приверженность лечению, а также снижая затраты на здравоохранение.

Disclosures

А.. и С.Б.Х. входят в состав медицинского консультативного совета корпорации Tanita. Остальные авторы не имеют конфликта интересов, о котором можно было бы заявить.

Acknowledgements

Авторы выражают благодарность д-ру Федерико Делла Веккья и д-ру Алессандро Каиро (Университет Турина) за их ценную поддержку в подготовке рукописи. Эта работа была поддержана грантами от Fondazione CRT (Турин, Италия), Университета Турина (Fondo per la Ricerca Locale - ex-60%) и Национальных институтов здравоохранения (грант R01DK109008, Shape UP! Взрослые).

Materials

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

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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

3D

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved