Keinotekoinen älykkyys kasvojen liikkeen videotietojen analysoimiseksi keskittyen myasthenia graisiin
Neuromuskulaarisen toimintahäiriöiden kasvot: Keinotekoinen älykkyys kasvojen liikkeen videotietojen analysoimiseksi keskittyen myasthenia gravis -sovellukseen
Perustelut: Myasthenia gravis (MG) on autoimmuunihäiriö (AID), jolla on vasta -aineita NMJ: tä vastaan, mikä johtaa erilaisiin lihasten väsymyksen ja heikkouden asteisiin. Kaikki nauhoitetut lihakset voivat olla mukana, vaikka ulkopuoliset lihakset vaikuttavat yleisimmin, mikä aiheuttaa vaihtelevan ptoosin ja diplopian. Kasvojen lihaksiin vaikuttavat myös yleisesti, mikä johtaa silmien sulkemiseen, vaikeuksiin pureskeluun ja nielemiseen tai puheen heikkenemiseen. Asetyylikoliinireseptoria (ACHR) -vasta -aineita on läsnä yli 80%: lla yleistyneistä MG -potilaista. Puhtaassa silmämuodossa ACHR -vasta -aineet ovat havaittavissa lähes 50%: lla kaikista potilaista. Noin 4%: lla vasta-aineita postsynaptista lihasspesifistä reseptorityrosiinikinaasia (Musk) vastaan löytyy ja 15%: lla yleistyneestä sairaudesta potilaista ei havaita seerumin vasta-aineita1-3. Noin 15%: lla ACHR MG -potilaista on tymoma, jolloin tauti voidaan luokitella paraneoplastiseksi oireyhtymäksi2. Levinneisyydellä 1-2 / 10 000, MG: tä pidetään harvinaisena taudina2.
MG: n harvinaisuus voi vaikeuttaa diagnosointia, erityisesti yleisille neurologille, jotka todennäköisesti kohtaavat MG: n potilaan vain kourallisen kerran uransa ajan. Lisäksi taudin vaihteleva luonne vaikeuttaa asianmukaisten hoitopäätösten tekemistä, etenkin koska potilaita koko maassa hoidetaan yleensä yhdessä erikoistuneessa keskuksessa (Alankomaissa, LUMC). Tällä hetkellä potilaiden, jotka epäilevät, onko heidän pahenemisensa kokenut tapaamisen ja matkustamisen useita tunteja erikoistuneen neurologin arvioimiseksi. Objektiivinen, luotettava biomarkkeri sairauksien vakavuudelle, jota voidaan käyttää kotona, parantaisi siten huomattavasti monien MG -potilaiden elämänlaatua. Nykyaikaisissa tekniikoissa syntyvät mahdollisuudet voivat tukea lääkäreitä kaikenlaisissa lääketieteellisissä haasteissa, kuten diagnostisen tuen, hoitopäätösten tai potilaan seurannan tarjoamisen. Tätä tutkimusta varten kiinnostava tekniikka on edistynyt kasvojentunnistus. Pyrimme tutkimaan olemassa olevien ohjelmistojen (Facereader, Noldus) kykyä verrattuna syvän oppimismallin, jonka Jan Van Gemert on erityisesti kehitetty TU DELFT: ssä, jotta voidaan erottaa terveet kontrollit ja MG -potilaiden välillä ja MG -potilaiden välillä, joilla on erilaiset sairauden vakavuusaste.
Ensisijaiset tavoitteet:
Kahden erilaisen menetelmän diagnostisen saannon määrittämiseksi ja vertaamiseksi (sivutiedot erityisesti kehitetyn syvän oppimisen malli) analysoidaan kasvojen heikkous videotallenteista (04: 00m), joilla on erilaisia standardisoituja ilmeitä:
- Erota MG -potilaat ja terveet kontrollit.
- Erota lievä ja kohtalainen tai vakava sairauden vakavuus.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Zuid-Holland
-
Leiden, Zuid-Holland, Alankomaat, 2333ZA
- Leiden University Medical Center
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Päätavoitteiden vastaamiseksi saamme 04:00 min standardisoidun kasvojen videotallennuksen MG -potilaista Polkupyörän ja neurologian osastolla, joka on tallennettu LUMC: iin. Verkkokameran nauhoituksissa rekrytoimme osallistujia hollantilaisesta Belgian MG-rekisteristä (s15.287). MG -rekisterin tietoisia suostumusta koskevia muotoja luvalla lähestyä tulevaisuuden tutkimusta varten on saatavana.
Pyydämme puolisoja ja perhettä ilmoittautumaan terveellisiksi valvontaiksi sekä osastomme työntekijöiksi. Terve kontrolliryhmä on ikä- ja sukupuoli. Terveet kontrollit määritellään henkilöiksi, joissa ei ole sairauksia tai lääkkeitä, jotka voivat vaikuttaa kasvojen lihaksiin, esim. Graves kilpirauhasen sairaus, aikaisempi kasvohalvaus aivohalvauksen tai prednisonin käytön vuoksi. Verkkokameran nauhoituksissa pyydämme MG -potilaita ottamaan käyttöön saman ikäisen terveen kontrollin.
Kuvaus
Sisällyttämiskriteerit:
- ≥ 18 -vuotiaat mies- tai naispuoliset osallistujat
- Koehenkilöiden on ymmärrettävä tutkimuksen vaatimukset ja annettava kirjallinen tietoinen suostumus.
Mg
- Kliiniset merkit tai oireet, jotka viittaavat Mg: lle ja ainakin yksi seuraavista:
- Serologinen testi ACHR -vasta -aineista tai myskin vasta -aineista tai
- Diagnostinen elektrofysiologinen tutkimus tukee diagnoosia mg tai
- Positiivinen neostigmiini -testi terveellinen kontrolliryhmä
- Puolisoiden, ystävien ja perheen vapaaehtoiset, jotka seuraavat potilasta tai työntekijöitämme osastoltamme
- Ei kasvojen lihaksia koskevaa sairautta, esim. Gravesin tauti, aikaisempi aivohalvaus, jolla on kasvohalvaus
- Ei kasvojen piirteisiin vaikuttavaa lääkitystä, esim. prednisoni
Poissulkemiskriteerit:
- Kyvyttömyys antaa kirjallinen tietoinen suostumus
- Kyvyttömyys lukea hollantilaisia/ englanninkielisiä video-ohjeita
- Osallistujat, joilla on Active Gravesin tauti tai yksipuolinen kasvohalvaus
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
terveet kontrollit
|
|
myasthenia gravis
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Sivupäällikkö
Aikaikkuna: 2020-2023
|
Ensisijainen parametri terveiden kontrollien ja MG: n väliselle erilaistumiselle sekä MG -taudin vakavuuden eri asteiden välillä kasvojenhoitajan kanssa on yksittäisten lihaksien ja lihaksen yhdistelmien diagnostinen saanto.
Diagnostinen sato ilmaistaan herkkyytenä, spesifisyytenä ja pinta-alaisena vastaanottimen ja operaattorin käyrän (ROC) käyrän alla.
Tätä varten käytetään kasvojen heikkouden kvantitatiivisia tietoja, jotka ilmaistaan toimintayksiköissä (AU), välillä 0 (ei aktivointia) ja +1 (maksimaalinen aktivaatio) käytetään.
Facereaderin raakatiedot tarjoavat tulokset 20 AU: sta, jotka vastaavat 20 eri kasvolihasta, jotka ovat 20 erilaista kasvojen liikkeitä kasvojen toimintajärjestelmän (FACS) perusteella.
|
2020-2023
|
|
Kapea syvän oppimismalli
Aikaikkuna: 2020-2023
|
Ensisijainen parametri terveiden kontrollien ja MG: n väliselle erilaistumiselle ja MG -taudin vakavuuden eri luokkien välillä toimivan kapean syvän oppimisen mallin kanssa on diagnostinen sato.
Diagnostinen saanto ilmaistaan herkkyytenä, spesifisyytenä ja pinta-alana vastaanottimen ja operaattorikäyrän (ROC) käyrän alla.
|
2020-2023
|
|
Taudin vakavuus
Aikaikkuna: 2020-2023
|
Erilaisten sairauksien vakavuustasojen vertaamiseksi QMG -pistemäärä toimii kultastandardina.
Sairauksien vakavuuteen perustuvat ryhmät koostuvat seuraavista: lievä QMG 0-9, kohtalainen QMG 10-16 ja vaikea QMG> 16.
Kodin tallennuksessa käytämme päivittäisen elämän MG-aktiviteettia (MG-ADL) tautien vakavuuden mittaamiseksi, koska QMG vaatii potilaan fyysistä läsnäoloa.
Tämä on yleisesti käytetty työkalu kliinisissä tutkimuksissa.
Sairauksien vakavuuteen perustuvat ryhmät koostuvat seuraavista: lievä MG-ADL 0-4, kohtalainen vakava Mg-ADL ≥5.
|
2020-2023
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Pitkittäiset muutokset
Aikaikkuna: 2020-2023
|
Lääkitysvaikutusten havaitseminen hankkimalla useita videoita (pitkittäinen) potilaiden osajoukossa.
QMG-pistemäärä tai MG-ADL on parametri sairauden vakavuuden muutokselle.
Aikaisemmassa tutkimuksessa havaittiin minimaalinen kliinisesti tärkeä ero (MCID) QMG -pistemäärässä ≥2 lähtötason QMG -pistemäärällä välillä 0–16.
Perustasolla QMG -pistemäärä> 16 MCID on ≥3 pistettä muutos QMG -pistemäärässä4.
MG-ADL: lle MCID on muutos ≥2 pistettä5.
Lääkitysvaikutusten havaitsemiseksi tavoitteemme on havaita osallistujien sisäinen muutos QMG: ssä ≥2 tai ≥3, riippuen QMG-lähtöpisteestä.
Kotiryhmälle ryhmämme tavoitteena on havaita muutos MG-ADL-pistemäärässä ≥2 pistettä.
|
2020-2023
|
|
Facereader vs syvän oppimisen malli
Aikaikkuna: 2020-2023
|
Vertailu Facereader -parametrien diagnostisesta saannosta ja syvän oppimisen mallin luokittelusta.
|
2020-2023
|
|
Sivusto vs. kodin tallennus
Aikaikkuna: 2020-2023
|
Standardisoidussa LUMC -asetuksessa (vihreä näyttö, valot, 4K -kamera) ja koti tallennetuissa videoissa verkkokameran avulla tallennetussa standardoidussa LUMC
|
2020-2023
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Martijn Tannemaat, MD, PhD, Leiden University Medical Center
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
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
Muita asiaankuuluvia MeSH-ehtoja
- Neurologiset ilmenemismuodot
- Tuki- ja liikuntaelinten sairaudet
- Hermoston sairaudet
- Lihassairaudet
- Neuromuskulaariset ilmenemismuodot
- Patologiset prosessit
- Neoplasmat sivustoittain
- Neoplasmat
- Neuromuskulaariset sairaudet
- Autoimmuunisairaudet
- Immuunijärjestelmän sairaudet
- Hermoston autoimmuunisairaudet
- Neurodegeneratiiviset sairaudet
- Paraneoplastiset oireyhtymät, hermosto
- Hermoston kasvaimet
- Paraneoplastiset oireyhtymät
- Neuromuskulaariset liitossairaudet
- Lihas heikkous
- Myasthenia Gravis
Muut tutkimustunnusnumerot
- P20.083
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
- MAHLA
- ICF
- CSR
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Yhdysvalloissa valmistettu ja sieltä viety tuote
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 .