- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05366114
Évaluation basée sur la vision de l'extensibilité articulaire dans le syndrome d'Ehlers Danlos
Évaluation de la faisabilité d'une application d'imagerie visuelle d'apprentissage automatique basée sur un smartphone pour l'évaluation de l'hyperextensibilité des articulations périphériques dans le syndrome d'Ehlers Danlos
Le syndrome d'Ehlers Danlos (EDS) est un groupe hétérogène de troubles génétiques avec 13 sous-types identifiés. L'EDS hypermobile (hEDS), bien que le sous-type d'EDS le plus courant, n'ait pas encore de mutation génétique identifiée pour la confirmation du diagnostic. L'hypermobilité articulaire généralisée (GJH) est l'une des caractéristiques principales du SEDh. Le système de notation utilisé dans la mesure du GJH a été décrit par Beighton. Le score de Beighton est calculé à l'aide d'un système de notation dichotomique pour évaluer l'extensibilité de neuf articulations. Chaque articulation est notée comme hypermobile (score = 1) ou non hypermobile (score = 0). Le score total (score de Beighton) peut varier entre un minimum de 0 et un maximum de 9, les scores les plus élevés indiquant une plus grande laxité articulaire.
Bien qu'il existe une validité modérée et une variabilité inter-évaluateurs dans l'utilisation du score de Beighton, son application généralisée et cohérente par les cliniciens continue de poser plusieurs problèmes. Certains des obstacles signalés dans la documentation comprennent :
i) Dans les systèmes ouverts non normalisés, il peut y avoir une variation significative dans la méthode pour effectuer ces tests d'extensibilité conjointe, y compris l'évaluation des mesures de base, ii) Déterminer des outils/méthodologies de mesure cohérents et standard, par ex. l'utilisation du goniomètre peut varier considérablement iii) Évaluer la fiabilité des valeurs seuils et, iv) Effectuer une évaluation complète avant d'informer les patients de la classification possible de la positivité du GJH (faible spécificité et faible valeur prédictive positive).
La mise en œuvre inappropriée de tests pour évaluer le GJH entraîne une identification inexacte du GJH et des conséquences négatives potentiellement involontaires en cas de diagnostic erroné d'EDS. L'objectif de cette étude est de créer une méthode plus robuste et valide de mesure de la mobilité articulaire et de réduire les erreurs dans le dépistage de l'EDS grâce à l'utilisation d'un système d'application d'apprentissage automatique basé sur un smartphone pour la mesure de l'extensibilité articulaire.
Le projet :
i) Créer une application d'imagerie visuelle compatible avec les téléphones intelligents pour évaluer la mesure de l'extensibilité articulaire, ii) Évaluer la faisabilité de l'utilisation de l'application pour téléphones intelligents dans un contexte clinique pour dépister les patients SED potentiels, iii) Déterminer la validité de l'application dans comparaison avec l'évaluation clinique en personne dans un programme EDS universitaire de soins tertiaires. En cas de succès, l'application pour téléphone intelligent pourrait aider à normaliser les soins des patients potentiels atteints d'EDS de manière efficace et rentable.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Lieux d'étude
-
-
Ontario
-
Toronto, Ontario, Canada, M5G 2C4
- GoodHope EDS - Toronto General Hospital
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Tous les patients vus à la clinique GoodHope EDS du Toronto General sont éligibles à l'inclusion, quel que soit leur diagnostic ou les résultats de leurs évaluations
Critère d'exclusion:
- Les patients qui ne consentent pas à participer ne seront pas inclus (les participants peuvent retirer leur consentement à tout moment)
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cas uniquement
- Perspectives temporelles: Transversale
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Nouveaux patients à la clinique GoodHope EDS du Toronto General Hospital
Tous les patients vus à la clinique EDS sont éligibles à l'inclusion, quel que soit leur diagnostic de présentation ou les résultats de leurs évaluations.
|
Aucune intervention ne sera utilisée.
Les participants consentants auront des enregistrements vidéo pris lors de leur examen d'hypermobilité articulaire qui seront analysés ultérieurement
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Comparaison de l'accord dans l'angle prédit par la bibliothèque d'estimation de pose
Délai: 4 mois
|
Les performances des modèles d'apprentissage automatique développés pour prédire l'amplitude de mouvement seront analysées par la bibliothèque d'estimation de pose utilisée.
Cette analyse sera effectuée sur le sous-ensemble des données collectées au cours des 2 premiers mois de collecte de données.
Ces informations seront utilisées pour sélectionner les bibliothèques d'estimation de pose à utiliser lors de l'affinement des modèles d'apprentissage automatique.
|
4 mois
|
|
Comparaison de l'accord sur l'angle prévu par articulation
Délai: 1 an
|
Les performances des modèles d'apprentissage automatique développés pour prédire l'amplitude de mouvement à chaque articulation (colonne vertébrale, genou, cheville, coude, épaule, pouce, cinquième doigt) seront analysées indépendamment pour chaque articulation.
Cela fournira un aperçu des articulations pour lesquelles le système est plus précis pour prédire à partir de la vidéo.
|
1 an
|
|
Évaluer la précision de la prédiction de l'amplitude des mouvements à l'aide de données basées sur la vision
Délai: 1 an
|
Des modèles d'apprentissage automatique entraînés sur des vidéos d'individus effectuant les manœuvres d'hypermobilité articulaire seront développés.
Leurs performances seront comparées à l'amplitude de mouvement mesurée par un clinicien expert à l'aide d'un goniomètre.
|
1 an
|
Collaborateurs et enquêteurs
Parrainer
Les enquêteurs
- Chercheur principal: Nimish Mittal, MD, GoodHope Ehlers Danlos Syndrome Clinic, Toronto General Hospital
Publications et liens utiles
Publications générales
- 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/
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
- Processus pathologiques
- Maladies cardiovasculaires
- Maladies vasculaires
- Maladies de la peau
- Maladie
- Anomalies congénitales
- Maladies hématologiques
- Troubles hémorragiques
- Maladies génétiques, innées
- Maladies du tissu conjonctif
- Troubles hémostatiques
- Maladies de la peau, Génétique
- Anomalies cutanées
- Maladies du collagène
- Syndrome
- Syndrome d'Ehlers-Danlos
Autres numéros d'identification d'étude
- 22-5073
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .