Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Künstliche Intelligenz für die Analyse von Videodaten der Gesichtsbewegung mit Schwerpunkt auf Myasthenia gravis

4. März 2025 aktualisiert von: Martijn R. Tannemaat, MD PhD, Leiden University Medical Center

Das Gesicht der neuromuskulären Dysfunktion: Künstliche Intelligenz für die Analyse von Videodaten der Gesichtsbewegung mit Schwerpunkt auf Myasthenia gravis

Begründung: Myasthenia gravis (mg) ist eine Autoimmunerkrankung (AID) mit Antikörpern gegen den NMJ, was zu verschiedenen Grad an Muskelmüdigkeit und Schwäche führt. Es können alle gestreiften Muskeln beteiligt sein, obwohl die außerirdischen Muskeln am häufigsten betroffen sind, was zu einer schwankenden Ptose und Diplopie führt. Die Gesichtsmuskeln sind auch häufig betroffen, was zu Schwäche des Augenverschlusses, Schwierigkeiten beim Kauen und Schlucken oder Sprachbeeinträchtigungen führt. Antikörper gegen den Acetylcholinrezeptor (ACHR) sind bei über 80% der verallgemeinerten MG -Patienten vorhanden. In der reinen Augenform sind ACHR -Antikörper bei fast 50% aller Patienten nachweisbar. In ungefähr 4% werden Antikörper gegen die postsynaptische muskelspezifische Rezeptor-Tyrosinkinase (MUSK) gefunden, und bei 15% der Patienten mit generalisierter Erkrankung werden keine Serumantikörper nachgewiesen1-3. Ungefähr 15% der AChR -Mg -Patienten haben ein Thymom, in diesem Fall kann die Krankheit als paraneoplastisches Syndrom 2 klassifiziert werden. Mit einer Prävalenz von 1 bis 2 pro 10.000 wird Mg als seltene Krankheit angesehen2.

Die Seltenheit von Mg kann es schwierig machen, die Diagnose zu diagnostizieren, insbesondere für allgemeine Neurologen, die wahrscheinlich auf einen Patienten mit MG stoßen, nur eine Handvoll Male während ihrer gesamten Karriere. Darüber hinaus macht es die schwankende Art der Krankheit schwierig, angemessene Behandlungsentscheidungen zu treffen, insbesondere da Patienten im ganzen Land normalerweise in einem spezialisierten Zentrum (in den Niederlanden, der LUMC) behandelt werden. Derzeit müssen Patienten, die Zweifel haben, ob sie eine Verschlechterung haben, einen Termin vereinbaren und mehrere Stunden lang reisen, um durch ihren spezialisierten Neurologen bewertet zu werden. Ein objektiver, zuverlässiger Biomarker für die Schwere der Erkrankung, die zu Hause verwendet werden kann, würde daher für viele MG -Patienten die Lebensqualität erheblich verbessern. Aufstrebende Möglichkeiten in modernen Technologien können Ärzte mit allen Arten von medizinischen Herausforderungen unterstützen, wie diagnostische Unterstützung, Behandlungsentscheidungen oder Patientenuntersuchungen. Eine Technologie von besonderem Interesse für diese Studie ist die fortgeschrittene Gesichtserkennung. Wir wollen die Fähigkeit einer vorhandenen Software (FacEereader, Noldus) gegenüber einem Deep -Learning -Modell untersuchen, das speziell für diesen Zweck von der Gruppe von Jan Van Gemert am TU -Delft entwickelt wurde, um zwischen gesunden Kontrollpersonen und Patienten mit MG und zwischen MG -Patienten mit unterschiedlichem Schweregrad der Erkrankung zu unterscheiden.

Hauptziele:

Bestimmen und Vergleich der diagnostischen Ausbeute zweier verschiedener Methoden (Facereader -Technologie und einem Deep -Learning -Modell, das speziell für Videodaten entwickelt wurde) zur Analyse der Gesichtsschwäche aus Videoaufzeichnungen (04: 00 m) mit unterschiedlichen standardisierten Gesichtsausdrücken zu:

  1. Differenzieren Sie zwischen MG -Patienten und gesunden Kontrollpersonen.
  2. Unterscheiden Sie zwischen leichtem und mittelschwerer bis schwerer Schweregrad der Erkrankung.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

90

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

  • Niederlande
    • Zuid-Holland
      • Leiden, Zuid-Holland, Niederlande, 2333ZA
        • Leiden University Medical Center

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Um die Hauptziele zu beantworten, erhalten wir eine standardisierte Videoaufzeichnung von MG -Patienten in der ambulanten Klinik und in der Neurologie, die auf der LUMC aufgezeichnet wurde. Für die Webcam-Aufzeichnungen werden wir Teilnehmer aus der niederländischen MG-Registrierung (P15.287) rekrutieren. Einverständliche Einverständniserklärungen des MG -Registers mit Genehmigung, die für zukünftige Forschung angegangen werden können, stehen zur Verfügung.

Wir werden Ehepartner und Familie bitten, sich als gesunde Kontrollen sowie als Mitarbeiter unserer Abteilung anzumelden. Die gesunde Kontrollgruppe wird alters- und geschlechtsspezifisch angepasst. Gesunde Kontrollen werden als Probanden ohne Erkrankungen oder Medikamente definiert, die die Gesichtsmuskulatur beeinflussen können, z. Schilddrüsenerkrankung, frühere Gesichtslähmung aufgrund eines Schlaganfalls oder eines Prednison -Gebrauchs. Für die Webcam -Aufzeichnungen werden wir MG -Patienten bitten, eine gesunde Kontrolle des gleichen Alters einzuführen.

Beschreibung

Einschlusskriterien:

  • Männliche oder weibliche Teilnehmer im Alter von ≥ 18 Jahren
  • Die Probanden müssen die Anforderungen der Studie verstehen und eine schriftliche Einverständniserklärung erteilen.

Mg

  • Klinische Anzeichen oder Symptome, die auf MG und mindestens eines der folgenden Hinweise deuten:
  • Ein serologischer Test für ACHR -Antikörper oder Musk -Antikörper oder
  • Eine diagnostische elektrophysiologische Untersuchung, die die Diagnose mg oder unterstützt
  • Eine positive Neostigmin -Testgesundkontrollgruppe
  • Freiwillige von Ehepartnern, Freunden und Familienmitgliedern, die Patienten oder Mitarbeiter aus unserer Abteilung begleiten
  • Keine Erkrankungen, die die Gesichtsmuskeln beeinflussen, z. Graves 'Krankheit, früherer Schlaganfall mit einer Gesichtslähmung
  • Keine Verwendung von Medikamenten, die die Gesichtsmerkmale beeinflussen, z. Prednison

Ausschlusskriterien:

  • Unfähigkeit, eine schriftliche Einverständniserklärung zu geben
  • Unfähigkeit, niederländische/ englische Videoinstruktionen zu lesen
  • Teilnehmer mit aktiven Gräberkrankheiten oder einseitigen Gesichtslähmung

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
gesunde Kontrollen
Myasthenia gravis

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Facerader
Zeitfenster: 2020-2023
Der primäre Parameter für die Differenzierung zwischen gesunden Kontrollen und Mg sowie zwischen verschiedenen Schweregrad der MG -Erkrankung mit Facereader ist die diagnostische Ausbeute einzelner Muskeln und Kombinationen von Muskeln. Die diagnostische Ausbeute wird als Empfindlichkeit, Spezifität und Fläche unter der Kurve einer Empfänger-Operator-Kurve (ROC) des Facereader-Algorithmus ausgedrückt. Zu diesem Zweck werden die quantitativen Daten der in Aktionseinheiten (AU) ausgedrückten Gesichtsschwäche zwischen 0 (keine Aktivierung) und +1 (maximale Aktivierung) verwendet. Rohdaten von Facereader liefern die Ergebnisse von 20 AUs, die mit 20 verschiedenen Gesichtsbewegungen von 20 Gesichtsmuskeln basieren, die auf dem Facial Action Coding System (FACS) basieren.
2020-2023
Schmale Deep -Lernmodell
Zeitfenster: 2020-2023
Der primäre Parameter für die Differenzierung zwischen gesunden Kontrollen und Mg sowie zwischen verschiedenen Grads der Schwere der MG -Erkrankung mit einem funktionierenden, engen Deep -Lernmodell ist die diagnostische Ausbeute. Die diagnostische Ausbeute wird als Empfindlichkeit, Spezifität und Fläche unter der Kurve einer Empfänger-Operator-Kurve (ROC) ausgedrückt.
2020-2023
Schwere der Erkrankung
Zeitfenster: 2020-2023
Zum Vergleich zwischen verschiedenen Schweregraden der Erkrankung wird der QMG -Score als Goldstandard dienen. Gruppen, die auf Schweregrad der Erkrankung basieren, sind wie folgt zusammengestellt: milde QMG 0-9, mittelschwere QMG 10-16 und schweres QMG> 16. Für die Hausaufzeichnung werden wir die MG-Aktivitäten des täglichen Lebens (MG-ADL) verwenden, um die Schwere der Erkrankung zu messen, da das QMG das physikalische Vorhandensein des Patienten erfordert. Dies ist ein häufig verwendetes Werkzeug in klinischen Studien. Gruppen, die auf Schweregrad der Erkrankung basieren, sind wie folgt zusammengestellt: milde MG-ADL 0-4, mittelschwerer MG-ADL ≥ 5.
2020-2023

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Längsänderungen
Zeitfenster: 2020-2023
Nachweis von Medikamenteneffekten durch Erhalten mehrerer Videos (Längsschnitt) in einer Untergruppe von Patienten. Der QMG-Score oder MG-ADL ist der Parameter für die Veränderung des Schweregrads der Erkrankung. Eine frühere Studie ergab einen minimalen klinisch wichtigen Unterschied (MCID) im QMG -Score von ≥2 für einen Basis -QMG -Score zwischen 0 und 16. Für einen Basis -QMG -Score> 16 beträgt die MCID ≥3 Punkte Änderung des QMG -Score4. Für die MG-ADL ist die MCID eine Änderung von ≥2 Punkten5. Zum Nachweis von Medikamenteneffekten ist es unser Ziel, eine Veränderung der Intra-Teilnehmer in QMG ≥2 oder ≥3 zu erkennen, abhängig von dem QMG-Score aus dem Grundlinienwert. Für die zu Hause aufgezeichnete Gruppe ist unser Ziel, eine Änderung des MG-ADL-Scores von ≥2 Punkten festzustellen.
2020-2023
Faceräader vs Deep Learning Model
Zeitfenster: 2020-2023
Ein Vergleich der diagnostischen Ausbeute von Facerader -Parametern und Klassifizierung durch das Deep -Learning -Modell.
2020-2023
Site versus Home -Aufnahme
Zeitfenster: 2020-2023
Ein Vergleich der diagnostischen Ausbeute von Facereader und dem Deep -Learning -Modell von Videos, die in der standardisierten LUMC -Einstellung (grüner Bildschirm, Lichter, 4K -Kamera) und home aufgezeichnete Videos unter Verwendung einer Webcam aufgezeichnet wurden.
2020-2023

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Leiden University Medical Center

Mitarbeiter

Delft University of Technology

Ermittler

  • Hauptermittler: Martijn Tannemaat, MD, PhD, Leiden University Medical Center

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

1. Dezember 2020

Primärer Abschluss (Tatsächlich)

31. Dezember 2022

Studienabschluss (Tatsächlich)

31. Dezember 2022

Studienanmeldedaten

Zuerst eingereicht

3. August 2022

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

4. März 2025

Zuerst gepostet (Tatsächlich)

25. März 2025

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

25. März 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

4. März 2025

Zuletzt verifiziert

1. März 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • P20.083

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

JA

Beschreibung des IPD-Plans

Rohdaten, einschließlich nicht identifizierter Daten der einzelnen Teilnehmer, die die Ergebnisse dieser Studie stützen, sind beim entsprechenden Autor auf angemessener Anfrage verfügbar. Datenschutzgesetze vervollständigen die Teile von Gesichtsvideos einzelner Studienteilnehmer.

Art der unterstützenden IPD-Freigabeinformationen

  • STUDIENPROTOKOLL
  • SAFT
  • ICF
  • CSR

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Produkt, das in den USA hergestellt und aus den USA exportiert wird

Nein

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 Myasthenia gravis

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Oman

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren