- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05366114
Vision-based Assessment of Joint Dehnbarkeit bei Ehlers-Danlos-Syndrom
Bewertung der Machbarkeit einer Smartphone-basierten visuellen Bildgebungsanwendung für maschinelles Lernen zur Bewertung der Überstreckbarkeit peripherer Gelenke beim Ehlers-Danlos-Syndrom
Das Ehlers-Danlos-Syndrom (EDS) ist eine heterogene Gruppe genetischer Erkrankungen mit 13 identifizierten Subtypen. Hypermobiles EDS (hEDS), obwohl der häufigste Subtyp von EDS, hat noch keine identifizierte genetische Mutation zur diagnostischen Bestätigung. Generalisierte Gelenkhypermobilität (GJH) ist eines der charakteristischen Merkmale von hEDS. Das zur Messung von GJH verwendete Bewertungssystem wurde von Beighton beschrieben. Der Beighton-Score wird unter Verwendung eines dichotomen Bewertungssystems berechnet, um die Dehnbarkeit von neun Gelenken zu bewerten. Jedes Gelenk wird entweder als hypermobil (Score = 1) oder nicht hypermobil (Score = 0) bewertet. Der Gesamtscore (Beighton-Score) kann zwischen einem Minimum von 0 und einem Maximum von 9 variieren, wobei höhere Scores eine größere Gelenklaxität anzeigen.
Während bei der Verwendung des Beighton-Scores eine moderate Validität und Variabilität zwischen den Bewertern besteht, gibt es weiterhin mehrere Herausforderungen bei seiner weit verbreiteten und konsistenten Anwendung durch Kliniker. Einige der in der Literatur beschriebenen Barrieren sind:
i) In offenen, nicht standardisierten Systemen kann es erhebliche Abweichungen in der Methode zur Durchführung dieser gemeinsamen Erweiterbarkeitstests geben, einschließlich der Bewertung von Basismessungen, ii) Bestimmung konsistenter und standardisierter Messwerkzeuge/Methodik, z. Die Verwendung des Goniometers kann sehr unterschiedlich sein. iii) Bewertung der Zuverlässigkeit der Grenzwerte und iv) Durchführung einer vollständigen Bewertung, bevor die Patienten über eine mögliche Klassifizierung von GJH-Positivität informiert werden (geringe Spezifität und niedrige positive Vorhersage).
Eine unangemessene Durchführung von Tests zur Beurteilung von GJH führt zu einer ungenauen Identifizierung von GJH und möglicherweise zu unbeabsichtigten negativen Folgen einer falschen Diagnose von EDS. Das Ziel dieser Studie ist es, eine robustere und validere Methode zur Messung der Gelenkmobilität zu schaffen und Fehler beim Screening von EDS durch die Verwendung eines Smartphone-basierten Anwendungssystems für maschinelles Lernen zur Messung der Gelenkdehnbarkeit zu reduzieren.
Das Projekt wird:
i) Erstellen einer Smartphone-fähigen visuellen Bildgebungs-App zur Bewertung der Messung der Gelenkdehnbarkeit, ii) Bewertung der Machbarkeit der Verwendung der Smartphone-App in einer klinischen Umgebung zum Screening potenzieller EDS-Patienten, iii) Bestimmung der Gültigkeit der Anwendung in Vergleich mit einer persönlichen klinischen Beurteilung in einem akademischen EDS-Programm der Tertiärversorgung. Im Erfolgsfall könnte die Smartphone-Anwendung dazu beitragen, die Versorgung potenzieller EDS-Patienten auf effiziente und kostengünstige Weise zu standardisieren.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienorte
-
-
Ontario
-
Toronto, Ontario, Kanada, M5G 2C4
- GoodHope EDS - Toronto General Hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Alle Patienten, die in der GoodHope EDS-Klinik in Toronto General behandelt werden, kommen für die Aufnahme in Frage, unabhängig von ihrer vorliegenden Diagnose oder den Ergebnissen ihrer Beurteilungen
Ausschlusskriterien:
- Patienten, die der Teilnahme nicht zustimmen, werden nicht eingeschlossen (Teilnehmer können ihre Einwilligung jederzeit widerrufen)
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Nur Fall
- Zeitperspektiven: Querschnitt
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Neue Patienten in der GoodHope EDS-Klinik des Toronto General Hospital
Alle Patienten, die in der EDS-Klinik behandelt werden, kommen für die Aufnahme in Frage, unabhängig von ihrer vorliegenden Diagnose oder den Ergebnissen ihrer Beurteilungen.
|
Es wird keine Intervention verwendet.
Zustimmende Teilnehmer werden während ihrer Untersuchung der Gelenkhypermobilität Videoaufnahmen machen lassen, die zu einem späteren Zeitpunkt analysiert werden
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vergleich der Übereinstimmung im vorhergesagten Winkel durch die Posenschätzungsbibliothek
Zeitfenster: 4 Monate
|
Die Leistungsfähigkeit der entwickelten maschinellen Lernmodelle zur Vorhersage des Bewegungsbereichs wird durch die verwendete Posenschätzungsbibliothek analysiert.
Diese Analyse wird an der Teilmenge der Daten durchgeführt, die während der ersten 2 Monate der Datenerhebung gesammelt wurden.
Diese Informationen werden verwendet, um die Posenschätzungsbibliotheken auszuwählen, mit denen fortgefahren werden soll, wenn die Modelle für maschinelles Lernen verfeinert werden.
|
4 Monate
|
|
Vergleich der Übereinstimmung im vorhergesagten Winkel pro Gelenk
Zeitfenster: 1 Jahr
|
Die Leistung der entwickelten maschinellen Lernmodelle zur Vorhersage des Bewegungsbereichs an jedem Gelenk (Wirbelsäule, Knie, Sprunggelenk, Ellbogen, Schulter, Daumen, fünfter Finger) wird für jedes Gelenk unabhängig analysiert.
Dies gibt Aufschluss darüber, welche Gelenke das System anhand des Videos genauer vorhersagen kann.
|
1 Jahr
|
|
Bewerten Sie die Genauigkeit der Bewegungsbereichsvorhersage mithilfe von sichtbasierten Daten
Zeitfenster: 1 Jahr
|
Es werden maschinelle Lernmodelle entwickelt, die mit Videos von Personen trainiert wurden, die die gemeinsamen Hypermobilitätsmanöver durchführen.
Ihre Leistung wird mit dem Bewegungsumfang verglichen, der von einem erfahrenen Kliniker mit einem Goniometer gemessen wird.
|
1 Jahr
|
Mitarbeiter und Ermittler
Ermittler
- Hauptermittler: Nimish Mittal, MD, GoodHope Ehlers Danlos Syndrome Clinic, Toronto General Hospital
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Critical Care Services Ontario, Ehlers-Danlos Syndrome Expert Panel Report, 2016. https://www.health.gov.on.ca/en/common/ministry/publications/reports/eds/Default.aspx.
- Cahill SV, Sharkey MS, Carter CW. Clinical assessment of generalized ligamentous laxity using a single test: is thumb-to-forearm apposition enough? J Pediatr Orthop B. 2021 May 1;30(3):296-300. doi: 10.1097/BPB.0000000000000732.
- He K, Gkioxari G, Dollár P, Girshick R. Mask R-CNN. In: Proceedings of the IEEE international conference on computer vision. 2017. p. 2961-9.
- Cao Z, Hidalgo G, Simon T, Wei SE, Sheikh Y. OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. IEEE Trans Pattern Anal Mach Intell. 2021 Jan;43(1):172-186. doi: 10.1109/TPAMI.2019.2929257. Epub 2020 Dec 4.
- Fang H-S, Xie S, Tai Y-W, Lu C. RMPE: Regional Multi-person Pose Estimation. 2016 Nov 30; Available from: http://arxiv.org/abs/1612.00137
- Lin T-Y, Maire M, Belongie S, Bourdev L, Girshick R, Hays J, et al. Microsoft COCO: Common Objects in Context. 2014 May 1; Available from: http://arxiv.org/abs/1405.0312
- Andriluka M, Pishchulin L, Gehler P, Schiele B. 2D Human Pose Estimation: New Benchmark and State of the Art Analysis. In: 2014 IEEE Conference on Computer Vision and Pattern Recognition. 2014. p. 3686-93
- Lugaresi C, Tang J, Nash H, McClanahan C, Uboweja E, Hays M, et al. MediaPipe: A Framework for Building Perception Pipelines. 2019 Jun 14; Available from: https://arxiv.org/abs/1906.08172
- Zhang F, Bazarevsky V, Vakunov A, Tkachenka A, Sung G, Chang C-L, et al. MediaPipe Hands: On-device Real-time Hand Tracking. 2020 Jun 17; Available from: http://arxiv.org/abs/2006.10214
- Mehdizadeh S, Nabavi H, Sabo A, Arora T, Iaboni A, Taati B. Concurrent validity of human pose tracking in video for measuring gait parameters in older adults: a preliminary analysis with multiple trackers, viewing angles, and walking directions. J Neuroeng Rehabil. 2021 Sep 15;18(1):139. doi: 10.1186/s12984-021-00933-0.
- Sabo A, Mehdizadeh S, Ng KD, Iaboni A, Taati B. Assessment of Parkinsonian gait in older adults with dementia via human pose tracking in video data. J Neuroeng Rehabil. 2020 Jul 14;17(1):97. doi: 10.1186/s12984-020-00728-9.
- Lu M, Zhao Q, Poston KL, Sullivan EV, Pfefferbaum A, Shahid M, Katz M, Kouhsari LM, Schulman K, Milstein A, Niebles JC, Henderson VW, Fei-Fei L, Pohl KM, Adeli E. Quantifying Parkinson's disease motor severity under uncertainty using MDS-UPDRS videos. Med Image Anal. 2021 Oct;73:102179. doi: 10.1016/j.media.2021.102179. Epub 2021 Jul 21.
- Williams S, Zhao Z, Hafeez A, Wong DC, Relton SD, Fang H, Alty JE. The discerning eye of computer vision: Can it measure Parkinson's finger tap bradykinesia? J Neurol Sci. 2020 Sep 15;416:117003. doi: 10.1016/j.jns.2020.117003. Epub 2020 Jun 30.
- Ota M, Tateuchi H, Hashiguchi T, Kato T, Ogino Y, Yamagata M, Ichihashi N. Verification of reliability and validity of motion analysis systems during bilateral squat using human pose tracking algorithm. Gait Posture. 2020 Jul;80:62-67. doi: 10.1016/j.gaitpost.2020.05.027. Epub 2020 May 25.
- Slembrouck M, Luong H, Gerlo J, Schütte K, Van Cauwelaert D, De Clercq D, et al. Multiview 3d Markerless Human Pose Estimation from Openpose Skeletons. In: International Conference on Advanced Concepts for Intelligent Vision Systems. Springer; 2020. p. 166-78.
- Wang H, Xie Z, Lu L, Li L, Xu X. A computer-vision method to estimate joint angles and L5/S1 moments during lifting tasks through a single camera. J Biomech. 2021 Dec 2;129:110860. doi: 10.1016/j.jbiomech.2021.110860. Epub 2021 Nov 8.
- Yahya M, Shah JA, Warsi A, Kadir K, Khan S, Izani M. Real time elbow angle estimation using single RGB camera. 2018 Aug 21; Available from: https://arxiv.org/abs/1808.07017
- Shi B, Brentari D, Shakhnarovich G, Livescu K. Fingerspelling Detection in American Sign Language. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. p. 4166-75
- Kim I-H, Jung I-H. A Study on Korea Sign Language Motion Recognition Using OpenPose Based on Deep Learning. 디지털콘텐츠학회논문지 (Journal of Digital Contents Society). 2021;22(4):681-7.
- Levy HP. Hypermobile Ehlers-Danlos Syndrome. 2004 Oct 22 [updated 2018 Jun 21]. In: Adam MP, Feldman J, Mirzaa GM, Pagon RA, Wallace SE, Bean LJH, Gripp KW, Amemiya A, editors. GeneReviews(R) [Internet]. Seattle (WA): University of Washington, Seattle; 1993-2023. Available from http://www.ncbi.nlm.nih.gov/books/NBK1279/
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
- Pathologische Prozesse
- Herz-Kreislauf-Erkrankungen
- Gefäßerkrankungen
- Hautkrankheiten
- Erkrankung
- Angeborene Anomalien
- Hämatologische Erkrankungen
- Hämorrhagische Störungen
- Genetische Krankheiten, angeboren
- Bindegewebserkrankungen
- Hämostasestörungen
- Hautkrankheiten, genetisch
- Hautanomalien
- Kollagenerkrankungen
- Syndrom
- Ehlers-Danlos-Syndrom
Andere Studien-ID-Nummern
- 22-5073
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .
Klinische Studien zur Ehlers-Danlos-Syndrom
-
Assistance Publique - Hôpitaux de ParisMinistry of Health, FranceAbgeschlossenEhlers-Danlos-Syndrom, vaskulärer TypFrankreich
-
University of CalgaryNoch keine RekrutierungHypermobiles Ehlers-Danlos-Syndrom | Hypermobiles EDS (hEDS) | Ehlers-Danlos-Syndrom vom Typ Hypermobilität | Hypermobile SpektrumstörungKanada
-
Baylor College of MedicineBeendetHypermobiles Ehlers-Danlos-Syndrom | SchmerzbeurteilungVereinigte Staaten
-
ELewisUniversity of Massachusetts, LowellRekrutierungEhlers-Danlos-Syndrom-Hypermobilitätstyp (hEDS)Vereinigte Staaten
-
Institut National de la Santé Et de la Recherche...Aktiv, nicht rekrutierend
-
University Health Network, TorontoAnmeldung auf EinladungHypermobiles Ehlers-Danlos-Syndrom | Ehlers-Danlos-Syndrom | Vaskuläres Ehlers-Danlos-Syndrom | Hypermobiles EDS (hEDS) | EDS | Klassisches Ehlers-Danlos-Syndrom | Klassisches EDS (cEDS) | Vaskuläres EDS (vEDS)Kanada
-
Cambridge University Hospitals NHS Foundation TrustUniversity of CambridgeRekrutierungVaskuläres Ehlers-Danlos-Syndrom | Vaskuläres EDS (vEDS) | Vaskuläres Ehlers-Danlos-SyndromVereinigtes Königreich
-
Baylor College of MedicineSouthern Star Research Pty Ltd.RekrutierungVaskuläres Ehlers-Danlos-SyndromVereinigte Staaten
-
Aytu BioPharma, Inc.ParexelSuspendiertVaskuläres Ehlers-Danlos-SyndromVereinigte Staaten
-
Brigham and Women's HospitalNational Institutes of Health (NIH); Bernard Osher FoundationNoch keine RekrutierungHypermobiles EDS (hEDS) | Ehlers-Danlos-Syndrom (EDS) | Hypermobile SpektrumstörungVereinigte Staaten