- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT06813352
Kivun tunnistamisen ilmeiden analyysi fibromyalgiassa: keinotekoisen älykkyyden ja biomarkkereiden käyttö (Fibromyalgia)
Kivun tunnistamisen ilmeiden analyysi: Keinotekoisen älykkyyden ja biomarkkereiden käyttö kivun diagnostiikkatyökaluna fibromyalgiassa, pilottitutkimus
Tutkimuksen yleiskatsaus
Tila
Yksityiskohtainen kuvaus
Johdanto:
Fibromyalgia (FM) on krooninen oireyhtymä, jolle on ominaista diffuusi tuki- ja liikuntaelinten kipu, väsymys ja unihäiriöt, joilla on suuri vaikutus elämänlaatuun. Kipuarvioinnin subjektiivisuuden vuoksi objektiivisten menetelmien kehittäminen on välttämätöntä. Tässä tutkimuksessa tutkitaan keinotekoisen älykkyyden (AI) käyttöä kasvojen lausekkeiden analysoinnissa yhdistettynä molekyylimarkkereiden tutkimukseen innovatiivisena ja kvantitatiivisena lähestymistapana kivun arviointiin FM -potilailla.
Tavoite:
AI -työkalun soveltamisen validoimiseksi yhdistettynä kasvojen ekspressioanalyysiin ja molekyylin biomarkkereiden tutkimukseen kivun voimakkuuden mittaamiseksi FM -potilailla.
Menetelmä:
Havainnollinen kohorttitutkimus suoritettiin 122 osallistujan kanssa, jaettuna kahteen ryhmään: potilaat, joilla oli FM (n = 61) ja ilman FM: tä (n = 61). Tiedonkeruu sisälsi:
- Kasvojen ilmaisun tallennus: Kipuun liittyvien kasvomallien analysointiin käytettiin konvoluutiohermoverkon algoritmia.
- Biologiset näytteet: 1 ml sylkeä kerätään jokaiselta osallistujalta SALIVETTE -menetelmää käyttämällä ja prosessoidaan DNA-, RNA- ja plasmaproteiinien uuttamiseksi. Proteiinit määritetään ELISA: lla ja FM: ään liittyvät geenit analysoidaan RT-QPCR: llä.
- Kliiniset kyselylomakkeet: Tulosten validointiin käytettiin psykometrisiä instrumentteja, kuten visuaalista analogista asteikkoa (VAS) ja yleistä kipuindeksiä (GDI).
- Tilastollinen analyysi: Tiedot analysoitiin käyttämällä Kappa- ja Bland-Altman-korrelaatioita AI-menetelmien ja kyselylomakkeiden välisen sopimuksen arvioimiseksi, ja merkitsevyystaso on p <0,05.
AI -algoritmi käyttää johdonmukaisia kasvomallia, jotka korreloivat niitä ilmoitettuun kivun voimakkuuteen, yhteisymmärryksessä (kappa = 0,82) kliinisten asteikkojen tulosten kanssa. Analysoitujen molekyylimarkkerien odotetaan osoittavan merkittäviä eroja ryhmien välillä, kun tulehduksellisten proteiinien ilmentyminen FM -potilailla (P <0,05). Kasvo- ja molekyylianalyysin integroinnin tavoitteena on vahvistaa kivun voimakkuusluokituksen tarkkuutta.
Tämä lähestymistapa edustaa lupaavaa edistystä oireyhtymän diagnosoinnissa ja hoidossa, edistäen henkilökohtaisia hoitoja ja parantamalla potilaiden elämänlaatua.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Alessandra H De Souza, PhD
- Puhelinnumero: 55-31984205240
- Sähköposti: alessandra.souza@cienciasmedicasmg.edu.br
Opiskelupaikat
-
-
Minas Gerais
-
Belo Horizonte, Minas Gerais, Brasilia, 30130110
- Rekrytointi
- Outpatient Faculty Medical Sciences
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Sisällyttämiskriteerit ovat potilaita, joilla ei ole diagnosoitua kognitiivista alijäämää ja jotka ovat valmiita osallistumaan tutkimukseen.
Poissulkemiskriteerit:
- Poissulkemiskriteerit ovat potilaita, jotka käyttävät lääkitystä, jotka voivat vaikuttaa ahdistukseen tai masennukseen tai kyvyttömyyteen ymmärtää ohjeita.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
Potilaat, joilla on diagnosoitu fibromyalgia
Tavoitteena on seurata fibromyalgiapotilaita kuukausien ajan kivun voimakkuuden analysoimiseksi ja tilaan liittyvien molekyylimarkkerien tunnistamiseksi.
Tutkimus kattaa kasvojen analyysitekniikat ja molekyylimarkkerit yhdessä tekoälyn työkalujen kanssa kivun kvantifioimiseksi ja fibromyalgian taustalla olevien mekanismien ymmärtämiseksi.
Menetelmä on pääosin kvantitatiivinen, keskittyen objektiivisen tiedon keräämiseen ja analysointiin kipuista ja niihin liittyvistä markkereista.
|
|
Potilaat, joilla ei ole fibromyalgian diagnoosia
Tavoitteena on seurata kipupotilaita kuukausien ajan intensiteetin analysoimiseksi ja tilaan liittyvien molekyylimarkkerien tunnistamiseksi.
Tutkimus kattaa kasvojen analyysitekniikat ja molekyylimarkkerit yhdessä tekoälyn työkalujen kanssa kivun kvantifioimiseksi ja fibromyalgian taustalla olevien mekanismien ymmärtämiseksi.
Menetelmä on pääosin kvantitatiivinen, keskittyen objektiivisen tiedon keräämiseen ja analysointiin kipuista ja niihin liittyvistä markkereista.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Käytä keinotekoista älykkyystyökalua analysoidaksesi fibromyalgiapotilaiden ilmettä kivun tunnistamiseksi.
Aikaikkuna: Anamnesiksen arvioitu aika on yksi tunti, jonka aikana biologiset näytteet otetaan ja jokaisen potilaan ilmeet kirjataan kameraan.
|
Käytä keinotekoista älykkyystyökalua analysoidaksesi fibromyalgiapotilaiden ilmettä kivun tunnistamiseksi.
61 fibromyalgiapotilasta verrataan 61 potilaalle, joilla ei ole fibromyalgiaa.
|
Anamnesiksen arvioitu aika on yksi tunti, jonka aikana biologiset näytteet otetaan ja jokaisen potilaan ilmeet kirjataan kameraan.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Biomarkkereiden biokemiallinen analyysi kivun havaitsemisessa fibromyalgiassa.
Aikaikkuna: Arvioitu keräys- ja analysointiaika: 5 tuntia kestävyyttä
|
122 Näytettä, jotka sisältävät 1 ml sylkeä, kerätään oksidatiivisen stressin ja notsiseptiivisten markkerien muutosten tarkistamiseksi (spektrofotometrialla ja ELISA: lla).
|
Arvioitu keräys- ja analysointiaika: 5 tuntia kestävyyttä
|
Yhteistyökumppanit ja tutkijat
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Barua VB, Juel MAI, Blackwood AD, Clerkin T, Ciesielski M, Sorinolu AJ, Holcomb DA, Young I, Kimble G, Sypolt S, Engel LS, Noble RT, Munir M. Tracking the temporal variation of COVID-19 surges through wastewater-based epidemiology during the peak of the pandemic: A six-month long study in Charlotte, North Carolina. Sci Total Environ. 2022 Mar 25;814:152503. doi: 10.1016/j.scitotenv.2021.152503. Epub 2021 Dec 23.
- Agarwal A, Emary PC, Gallo L, Oparin Y, Shin SH, Fitzcharles MA, Adachi JD, Cooper MD, Craigie S, Rai A, Wang L, Couban RJ, Busse JW. Physicians' knowledge, attitudes, and practices regarding fibromyalgia: A systematic review and meta-analysis of cross-sectional studies. Medicine (Baltimore). 2024 Aug 2;103(31):e39109. doi: 10.1097/MD.0000000000039109.
- Ahmad M, Ahmed I, Jeon G. A sustainable advanced artificial intelligence-based framework for analysis of COVID-19 spread. Environ Dev Sustain. 2022 Aug 16:1-16. doi: 10.1007/s10668-022-02584-0. Online ahead of print.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- CMMG
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .