Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Deep Learning for Early Scoliosis Detection Using mmWave Radar Gait Data (ScoliRadar-AI)

12. května 2026 aktualizováno: Zehra Bilici, Gebze Technical University

A Deep Learning-Based Approach for Early Scoliosis Detection Using mmWave Radar-Based Gait Data

Scoliosis is a sideways curvature of the spine that often develops during childhood and adolescence. When detected early, scoliosis can be managed effectively with non-invasive approaches such as bracing and physiotherapy, while late detection frequently leads to surgical intervention. Current screening methods rely on physical examination and X-ray imaging, which exposes children to ionizing radiation and may miss early-stage cases.

This observational study investigates whether millimeter-wave (mmWave) radar, combined with deep learning (a type of artificial intelligence), can detect early signs of scoliosis by analyzing how a child walks. The radar sensor records subtle movement patterns during walking without using cameras and without producing any identifiable images, fully preserving the participant's privacy. No ionizing radiation is involved.

Pediatric participants attending the orthopedic clinic for routine scoliosis evaluation are invited to walk a short distance in front of a mmWave radar sensor. The collected gait recordings are then analyzed using deep learning models, and the results are compared with the participant's standard clinical scoliosis assessment performed by a pediatric orthopedic specialist. The diagnostic performance of the deep learning model is evaluated using sensitivity, specificity, and overall accuracy.

If the approach proves accurate, it could offer a radiation-free, privacy-preserving, and low-cost alternative for early scoliosis screening in schools, primary healthcare centers, and pediatric orthopedic clinics, ultimately supporting earlier diagnosis and reducing the long-term clinical burden of untreated scoliosis.

Přehled studie

Postavení

Postavení

Označuje aktuální stav náboru nebo stav rozšířeného přístupu.
Zatím nenabíráme

Podmínky

Podmínky

Nemoc, porucha, syndrom, nemoc nebo zranění, které je studováno. Na webu ClinicalTrials.gov mohou podmínky zahrnovat i další problémy související se zdravím, jako je délka života, kvalita života a zdravotní rizika.

Intervence / Léčba

Intervence / Léčba

Proces nebo akce, na které se klinická studie zaměřuje. Intervence zahrnují léky, zdravotnická zařízení, postupy, vakcíny a další produkty, které jsou buď zkoušené nebo již dostupné. Intervence mohou také zahrnovat neinvazivní přístupy, jako je edukace nebo úprava stravy a cvičení.

Detailní popis

Background:

Adolescent Idiopathic Scoliosis (AIS) is the most common form of spinal deformity in children, affecting approximately 2-4% of adolescents worldwide. Early detection is critical because mild curves can often be managed conservatively (bracing, targeted physiotherapy), whereas advanced curves frequently require surgical correction. Current screening primarily relies on physical examination (forward bend test, scoliometer) supplemented by radiographic confirmation. These methods have known limitations: physical examination has variable sensitivity and inter-observer reliability, while repeated radiographic follow-up exposes pediatric patients to cumulative ionizing radiation. Camera-based motion analysis systems have been proposed as alternatives but raise significant privacy concerns in pediatric populations.

Rationale:

Millimeter-wave (mmWave) radar is a non-ionizing, contactless sensing technology that captures fine-grained motion signatures without producing identifiable visual images. Recent advances in deep learning have demonstrated promising results in interpreting radar-derived gait signals for biomechanical analysis. The investigators hypothesize that subtle biomechanical asymmetries associated with early scoliosis can be detected from mmWave radar gait recordings using appropriately trained deep learning models, providing a privacy-preserving and radiation-free screening modality.

Primary Objective:

To develop and evaluate the diagnostic accuracy of a deep learning model that classifies pediatric participants as having scoliosis or not based on mmWave radar gait data, measured by sensitivity, specificity, and area under the receiver operating characteristic curve (AUC-ROC).

Secondary Objectives:

  1. To compare diagnostic performance across multiple deep learning architectures (including convolutional neural networks, recurrent neural networks, and transformer-based models).
  2. To evaluate model performance stratified by age, sex, and curve severity (Cobb angle category).
  3. To assess test-retest reliability of radar-derived gait features.

Study Design:

This is a single-center, prospective, observational diagnostic accuracy study. Pediatric participants undergoing routine scoliosis evaluation at the participating center are invited to take part. Each participant performs a standardized walking task along a defined path in front of a mmWave radar sensor. Radar recordings are processed and analyzed using deep learning models. Model outputs are compared against the reference standard.

Reference Standard:

Scoliosis status is established by a pediatric orthopedic specialist based on clinical examination supplemented by Cobb angle measurement from existing standard-of-care radiographic data. No additional radiographic imaging is performed for the purpose of this study.

Data Handling and Privacy:

All radar recordings and clinical data are de-identified at the point of collection and stored on institutional servers in compliance with the Turkish Personal Data Protection Law (Law No. 6698, KVKK) and the Regulation on Personal Health Data. Data access is restricted to authorized study personnel. No identifiable visual images are recorded by the mmWave radar sensor.

Typ studie

Typ studie

Popisuje povahu klinické studie. Typy studií zahrnují intervenční studie (také nazývané klinické studie), observační studie (včetně registrů pacientů) a rozšířený přístup.
Pozorovací

Zápis (Odhadovaný)

Zápis

Počet účastníků klinické studie. „Očekávaný“ zápis je cílový počet účastníků, které výzkumníci pro studii potřebují.
200

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní kontakt

Studijní kontakt

Jméno a kontaktní údaje osoby, která může odpovědět na otázky týkající se registrace do klinické studie. Každé místo, kde se studie provádí, může mít také konkrétní kontakt, který může lépe odpovědět na tyto otázky.

Studijní záloha kontaktů

  • Jméno: Ercan Ayaz, Doç Dr.

Studijní místa

  • Turecko (Türkiye)
    • Istanbul
      • Istanbul, Istanbul, Turecko (Türkiye), 34480
        • Başakşehir Çam and Sakura City Hospital
        • Kontakt:
        • Kontakt:
          • Ercan Ayaz, Doç. Dr.

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Kritéria způsobilosti

Klíčové požadavky, které musí lidé, kteří se chtějí zúčastnit klinické studie, splňovat nebo vlastnosti, které musí mít. Kritéria způsobilosti se skládají jak z kritérií pro zařazení (která jsou vyžadována pro účast osoby ve studii), tak z kritérií vyloučení (která brání osobě v účasti). Typy kritérií způsobilosti zahrnují, zda studie přijímá zdravé dobrovolníky, má požadavky na věk nebo věkovou skupinu nebo je omezena pohlavím.

Věk způsobilý ke studiu

  • Dítě
  • Dospělý
  • Starší dospělý

Přijímá zdravé dobrovolníky

Ano

Metoda odběru vzorků

Vzorek nepravděpodobnosti

Studijní populace

Pediatric and adolescent participants attending the pediatric orthopedic outpatient clinic at Başakşehir Çam and Sakura City Hospital for routine scoliosis evaluation. Consecutive eligible patients are invited to participate, including both those with confirmed scoliosis and those in whom scoliosis is ruled out following clinical and radiographic assessment.

Popis

Participation Criteria:

  • Being between 2 and 75 years of age at the time of registration
  • Having applied to the pediatric orthopedics outpatient clinic for an assessment of suspected or known scoliosis
  • Being able to walk independently for at least 7 meters without assistive devices
  • Written informed consent from a parent or legal guardian
  • Written informed consent from the participant

Exclusion Criteria:

  • Severe scoliosis requiring urgent surgical intervention that prevents participation in walking tasks
  • Refusal to give informed consent or consent

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

Kohorty a intervence

Skupina / kohorta

Skupina / kohorta

Skupina nebo podskupina účastníků pozorovací studie, která je hodnocena z hlediska biomedicínských nebo zdravotních výsledků.
Intervence / Léčba

Intervence / Léčba

Proces nebo akce, na které se klinická studie zaměřuje. Intervence zahrnují léky, zdravotnická zařízení, postupy, vakcíny a další produkty, které jsou buď zkoušené nebo již dostupné. Intervence mohou také zahrnovat neinvazivní přístupy, jako je edukace nebo úprava stravy a cvičení.
Pediatric Participants Undergoing Scoliosis Evaluation
Consecutive pediatric participants attending the orthopedic outpatient clinic for routine scoliosis evaluation. The cohort includes participants across the full spectrum of clinical assessment outcomes (both scoliosis confirmed and scoliosis ruled out) to enable evaluation of the diagnostic accuracy of the mmWave radar-based deep learning model against the standard-of-care clinical and radiographic reference assessment.
Diagnostický test: mmWave Radar Gait Assessment
Each participant performs a standardized walking task along a defined path in front of a millimeter-wave (mmWave) radar sensor. The radar continuously records the participant's gait micro-Doppler signatures during the walk. The mmWave radar device is contactless, non-ionizing, and does not capture identifiable visual images, fully preserving participant privacy. The recorded gait signals are subsequently processed and analyzed using deep learning models (including convolutional and transformer-based architectures) trained to classify scoliosis status. The full radar-based assessment takes approximately 5 to 10 minutes per participant. The standard clinical and radiographic scoliosis evaluation performed as part of routine care serves as the reference standard.

Co je měření studie?

Primární výstupní opatření

Primární výstupní opatření

V protokolu klinické studie je plánovaná výsledná míra, která je nejdůležitější pro hodnocení účinku intervence/léčby. Většina klinických studií má jedno primární měřítko výsledku, ale některé mají více než jedno.
Měření výsledku
Popis opatření
Časové okno
Diagnostic Accuracy of the mmWave Radar-Based Deep Learning Model for Scoliosis Detection (AUC-ROC)
Časové okno: Assessed at the end of the data collection period, approximately 18 months after study start
The diagnostic performance of the mmWave radar-based deep learning classification model is assessed by the area under the receiver operating characteristic curve (AUC-ROC). The AUC-ROC is computed by comparing the model's predicted probability of scoliosis for each participant against the reference standard (clinical examination combined with Cobb angle measurement from standard-of-care radiographic imaging) on a held-out test set. The AUC-ROC is reported as a single numeric value between 0 and 1, with 95% confidence intervals.
Assessed at the end of the data collection period, approximately 18 months after study start

Sekundární výstupní opatření

Sekundární výstupní opatření

V protokolu klinické studie jde o plánované měřítko výsledku, které není tak důležité jako primární měřítko výsledku pro hodnocení účinku intervence, ale je stále zajímavé. Většina klinických studií má více než jedno sekundární měřítko výsledku.
Měření výsledku
Popis opatření
Časové okno
Sensitivity and Specificity of the Deep Learning Model at the Optimal Operating Point
Časové okno: Assessed at the end of the data collection period, approximately 18 months after study start
At the operating point that maximizes the Youden index on the validation set, the sensitivity (true positive rate) and specificity (true negative rate) of the deep learning model for classifying scoliosis status are calculated on the held-out test set. Both metrics are reported as percentages with 95% confidence intervals.
Assessed at the end of the data collection period, approximately 18 months after study start
Comparative Diagnostic Performance Across Deep Learning Architectures
Časové okno: Assessed at the end of the data collection period, approximately 18 months after study start
The diagnostic accuracy (AUC-ROC) of multiple deep learning architectures, including convolutional neural networks (CNN), recurrent neural networks (RNN/LSTM), and transformer-based models, is compared on the same dataset using cross-validation. The architecture yielding the highest AUC-ROC is identified as the best-performing model.
Assessed at the end of the data collection period, approximately 18 months after study start
Stratified Diagnostic Performance by Scoliosis Severity (Cobb Angle Category)
Časové okno: Assessed at the end of the data collection period, approximately 18 months after study start
The diagnostic accuracy of the deep learning model is evaluated separately for participants with mild scoliosis (Cobb angle 10 to 24 degrees), moderate scoliosis (Cobb angle 25 to 39 degrees), and severe scoliosis (Cobb angle 40 degrees or greater). Sensitivity is reported for each severity category to assess whether the model detects clinically significant curves of different magnitudes.
Assessed at the end of the data collection period, approximately 18 months after study start

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Sponzor

Organizace nebo osoba, která iniciuje studii a která má autoritu a kontrolu nad studií.
Gebze Technical University

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Odhadovaný)

Začátek studia

Skutečné datum, kdy byl první účastník zařazen do klinické studie. „Očekávané“ datum zahájení studie je datum, o kterém si vědci myslí, že bude datem zahájení studie.
1. června 2026

Primární dokončení (Odhadovaný)

Primární dokončení

Datum, kdy byl poslední účastník klinické studie vyšetřen nebo obdržel intervenci ke sběru konečných dat pro primární měření výsledku. Zda byla klinická studie ukončena podle protokolu nebo byla ukončena, toto datum neovlivňuje. U klinických studií s více než jedním primárním výstupním měřením s různými daty dokončení se tento termín vztahuje k datu, kdy je dokončen sběr dat pro všechna primární výsledná měření. „Očekávané“ datum primárního dokončení je datum, o kterém si vědci myslí, že bude primárním datem dokončení studie.
1. prosince 2027

Dokončení studie (Odhadovaný)

Dokončení studie

Datum, kdy byl poslední účastník klinické studie vyšetřen nebo dostal intervenci/léčbu za účelem shromáždění konečných dat pro měření primárního výsledku, sekundárního měření výsledku a nežádoucí příhody (tj. poslední návštěva posledního účastníka). „Očekávané“ datum dokončení studie je datum, o kterém si vědci myslí, že bude datem dokončení studie.
1. června 2028

Termíny zápisu do studia

První předloženo

První předloženo

Datum, kdy zadavatel studie nebo zkoušející poprvé předložil záznam studie na ClinicalTrials.gov. Mezi prvním odeslaným datem a dostupností záznamu na ClinicalTrials.gov (první zveřejněné datum) je obvykle několik dní.
12. května 2026

První předloženo, které splnilo kritéria kontroly kvality

První předloženo, které splnilo kritéria kontroly kvality

Datum, kdy zadavatel studie nebo zkoušející poprvé předloží záznam studie, který je v souladu s kritérii kontroly kvality (QC) Národní lékařské knihovny (NLM). Sponzor nebo zkoušející může potřebovat revidovat a předložit záznam studie jednou nebo vícekrát, než budou splněna kritéria kontroly kontroly kvality NLM. Je odpovědností sponzora nebo zkoušejícího zajistit, aby byl záznam studie v souladu s kritérii kontroly kontroly kvality NLM.
12. května 2026

První zveřejněno (Aktuální)

První zveřejněno

Datum, kdy byl záznam studie poprvé k dispozici na webu ClinicalTrials.gov poté, co byla dokončena kontrola kontroly kvality (QC) National Library of Medicine (NLM). Mezi datem, kdy zadavatel studie nebo zkoušející předložil záznam studie, a prvním zveřejněným datem je typicky několik dní zpoždění.
18. května 2026

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

Poslední zveřejněná aktualizace

Nejnovější datum, kdy byly změny záznamu studie zpřístupněny na ClinicalTrials.gov. Mezi okamžikem, kdy byly změny odeslány na ClinicalTrials.gov sponzorem nebo zkoušejícím studie (datum poslední předložení aktualizace), a datem zveřejnění poslední aktualizace může nastat zpoždění.
18. května 2026

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

Nejnovější datum, kdy zadavatel studie nebo zkoušející předložil změny záznamu studie, které jsou v souladu s kritérii kontroly kvality (QC) National Library of Medicine (NLM). Je odpovědností sponzora nebo zkoušejícího zajistit, aby byl záznam studie v souladu s kritérii kontroly kontroly kvality NLM.
12. května 2026

Naposledy ověřeno

Naposledy ověřeno

Nejnovější datum, kdy zadavatel studie nebo zkoušející potvrdil informace o klinické studii na webu ClinicalTrials.gov jako přesné a aktuální. Pokud jde o studii s náborovým statusem náboru; ještě nenabírá nábor; nebo aktivní, nebyl nábor potvrzen během posledních 2 let, status náboru studie je uveden jako neznámý.
1. května 2026

Více informací

Termíny související s touto studií

Klíčová slova

Další relevantní podmínky MeSH

Další identifikační čísla studie

Další identifikační čísla studie

Identifikátory nebo ID čísla jiná než číslo NCT, které klinické studii přiděluje zadavatel studie, financující subjekty nebo jiní. Tato čísla mohou zahrnovat jedinečné identifikátory z jiných registrů studií a čísla grantů National Institutes of Health.
  • GTU-Scoliosis-mmWave-2026

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

NE

Popis plánu IPD

Individual participant data will not be shared. The dataset consists of biometric gait signatures from minors, classified as personal health data under the Turkish Personal Data Protection Law (Law No. 6698, KVKK) and the Regulation on Personal Health Data. Sharing is restricted by national legislation and institutional policy. De-identified aggregated results will be published in peer-reviewed scientific journals.

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .

Nastavení souborů cookie

Používáme cookies, abychom zajistili, že vám poskytneme nejlepší zážitek z našich webových stránek. Pro více informací si pečlivě přečtěte naše Zásady ochrany osobních údajů a cookies. ...>>>Svou preference můžete kdykoli změnit nebo svůj souhlas odvolat odstraněním cookies z vašeho webu nebo počítače, jak je popsáno v zásadách. Přijměte to a vyberte své předvolby zaškrtnutím příslušných polí v části „Správa nastavení“ níže. Než budete pokračovat v používání jakékoli části tohoto webu, pozorně si prosím přečtěte naše Podmínky služby.
«Spravovat nastavení