Personalized Exercise Recommendations for Chronic Pelvic Pain Using Reinforcement Learning

MI-összefoglaló

A vizsgálat saját részvételi feltételeiből. Gép olvasta ki az oldalon álló regiszterszövegből, ezért tévedhet. Hogy ki vehet részt, azt a lenti regiszterszöveg és a vizsgálat csapata dönti el.

A vizsgálat 18-55 éves, krónikus kismedencei fájdalommal élő nőket keres, például endometriózissal, akik legalább időnként mozognak. Okostelefonos alkalmazást és aktivitásmérőt használnak.

Életkor

18-55 év

Nem

Csak nők

A betegség stádiuma

Orvos által diagnosztizált krónikus kismedencei fájdalom (például endometriózis, adenomiózis, miómák), a résztvevő saját bejelentése alapján.

A részvétel fő kizáró okai

• Olyan állapot, amely miatt a testmozgás nem biztonságos, például friss szívinfarktus vagy nem beállított súlyos magas vérnyomás
• Kettőnél több "Igen" válasz a PAR-Q kérdőíven orvosi engedély nélkül
• Jelenlegi vagy a következő 6 hónapban tervezett terhesség, szülés az elmúlt 6 hónapban, vagy szoptatás
• Nagy életesemény a következő 10 hétben, például tervezett műtét vagy hosszú utazás
• Teljes mozgáshiány (heti 60 percnél kevesebb közepes intenzitású mozgás)

A regiszter feltételei, szó szerint

Nézd meg, megfelelhetsz-e

Magadról válaszolj. Ez nem döntés: hogy részt vehetsz-e, azt csak a vizsgálat csapata mondhatja meg.

• 18 és 55 év között vagy?IgenNem

Mit akar kideríteni a vizsgálat

WorkoutCPP is a pilot study evaluating the feasibility of a personalized exercise recommendation system for individuals with chronic pelvic pain disorders (CPPDs). The study uses reinforcement learning (RL), a type of artificial intelligence that adapts recommendations over time based on each participant's reported pain levels, symptom burden, and exercise compliance. Participants receive daily exercise recommendations that alternate between standard, non-personalized guidance and personalized, RL-generated recommendations across four 2-week phases, allowing within-person comparison of outcomes under each condition. The primary hypothesis is that an RL-based adaptive recommendation system is feasible to deliver in a CPPD population.

A vizsgálat 2 csoportja

• RL-based personalized phaseA vizsgált kezelés

  Participants will receive RL-generated personalized exercise recommendations, which are generated using the list from the initial participant intake form indicating their capacity and resources for carrying out various modalities and intensities of physical activity. The RL agent learns from the participant feedback to update the update the subsequent recommendations.

  Kezelés: Reinforcement Learning (RL)-Based Personalized Exercise Recommendations

• Standard (Generic) Exercise ArmMár használt kezelés, összehasonlításként

  Participants will receive standardized, non-personalized exercise recommendations based on the U.S. Physical Activity Guidelines, in 2-week blocks. This comparison will serve as the "active control" arm to which the experimental RL arm will be compared. This type of control condition was selected to provide a more rigorous test of the experimental condition.

  Kezelés: Generic Exercise Recommendation