Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Intelligence artificielle pour l'analyse des données vidéo du mouvement facial, en mettant l'accent sur la myasthénie grave

4 mars 2025 mis à jour par: Martijn R. Tannemaat, MD PhD, Leiden University Medical Center

Le visage de la dysfonction neuromusculaire: intelligence artificielle pour l'analyse des données vidéo du mouvement facial, en mettant l'accent sur la myasthénie grave

Justification: La myasthénie grave (Mg) est un trouble auto-immune (AID) avec des anticorps contre le NMJ, résultant en divers degrés de fatigabilité et de faiblesse musculaire. Tous les muscles striés peuvent être impliqués, bien que les muscles extra-oculaires soient le plus souvent affectés, ce qui donne naissance à une ptose fluctuante et à une diplopie. Les muscles faciaux sont également couramment touchés, entraînant une faiblesse de fermeture des yeux, des difficultés à mâcher et à avaler ou aux déficiences de la parole. Des anticorps contre le récepteur de l'acétylcholine (AChR) sont présents chez plus de 80% des patients MG généralisés. Dans la forme oculaire pure, les anticorps AChR sont détectables chez près de 50% de tous les patients. Dans environ 4%, des anticorps contre la tyrosine kinase des récepteurs spécifiques au muscle post-synaptique (musc) sont trouvés et chez 15% des patients atteints de maladie généralisée, aucun anticorps sérique n'est détecté1-3. Environ 15% des patients atteints d'AChR MG ont un thymome, auquel cas la maladie peut être classée comme syndrome paraneoplasique2. Avec une prévalence de 1 à 2 par 10 000, Mg est considéré comme une maladie rare2.

La rareté de MG peut rendre difficile le diagnostic, en particulier pour les neurologues généraux qui sont susceptibles de rencontrer un patient atteint de MG seulement une poignée de fois tout au long de leur carrière. De plus, la nature fluctuante de la maladie rend difficile la prise de décisions de traitement appropriées, d'autant plus que les patients du pays sont généralement traités dans un centre spécialisé (aux Pays-Bas, le LUMC). Actuellement, les patients qui doutent qu'ils connaissent une exacerbation doivent prendre rendez-vous et voyager pendant plusieurs heures pour subir une évaluation par leur neurologue spécialisé. Un biomarqueur objectif et fiable pour la gravité de la maladie qui peut être utilisé à la maison améliorerait donc considérablement la qualité de vie pour de nombreux patients MG. Les possibilités émergentes dans les technologies modernes peuvent aider les médecins à toutes sortes de défis médicaux, comme offrir un soutien diagnostique, des décisions de traitement ou un suivi des patients. Une technologie d'intérêt particulier pour cette étude est la reconnaissance faciale avancée. Nous visons à étudier la capacité des logiciels existants (FaceReader, Noldus) par rapport à un modèle d'apprentissage en profondeur spécifiquement développé à cette fin par le groupe de Jan Van Gemert au TU Delft pour différencier les témoins sains et les patients atteints de MG et entre les patients MG avec différents niveaux de gravité de la maladie.

Objectifs principaux:

Pour déterminer et comparer le rendement diagnostique de deux méthodes différentes (technologie FaceRener et un modèle d'apprentissage en profondeur spécifiquement développé pour les données vidéo) pour analyser la faiblesse faciale des enregistrements vidéo (04: 00m) avec différentes expressions faciales standardisées à:

  1. Différencier les patients MG et les témoins sains.
  2. Différencier la gravité des maladies légères et modérées à sévères.

Aperçu de l'étude

Statut

Complété

Les conditions

Type d'étude

Observationnel

Inscription (Réel)

90

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Lieux d'étude

  • Pays-Bas
    • Zuid-Holland
      • Leiden, Zuid-Holland, Pays-Bas, 2333ZA
        • Leiden University Medical Center

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

Oui

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Pour répondre aux principaux objectifs, nous obtiendrons un enregistrement vidéo facial standardisé de 04:00 min de patients atteints de MG dans la clinique ambulatoire et le service de neurologie, enregistré au LUMC. Pour les enregistrements webcam, nous recruterons des participants du registre néerlandais de MG (P15.287). Les formulaires de consentement éclairés du registre MG avec la permission d'être abordé pour de futures recherches sont disponibles.

Nous demanderons aux conjoints et à la famille de s'inscrire en tant que contrôles sains, ainsi que des employés de notre département. Le groupe témoin sain sera égalé à l'âge et au genre. Les contrôles sains sont définis comme des sujets sans conditions médicales ni médicaments qui peuvent influencer les muscles faciaux, par ex. Maladie thyroïdienne Graves, paralysie faciale antérieure due à un accident vasculaire cérébral ou à une utilisation de la prednisone. Pour les enregistrements de webcam, nous demanderons aux patients MG d'introduire un contrôle sain du même âge.

La description

Critères d'inclusion:

  • Participants masculins ou féminins âgés de ≥ 18 ans
  • Les sujets doivent comprendre les exigences de l'étude et donner un consentement éclairé écrit.

Mg

  • Signes ou symptômes cliniques suggérant la MG et au moins l'un des éléments suivants:
  • Un test sérologique pour les anticorps AChR ou les anticorps musc ou
  • Une enquête électrophysiologique diagnostique favorable au diagnostic mg ou
  • Un groupe de contrôle sain de test de néostigmine positif
  • Volontaires des conjoints, des amis et de la famille qui accompagnent les patients ou les employés de notre département
  • Aucune condition médicale affectant les muscles faciaux, par ex. Maladie de Graves, accident vasculaire cérébral précédent avec une paralysie faciale
  • Aucune utilisation de médicaments affectant les caractéristiques du visage, par ex. prednisone

Critères d'exclusion:

  • Incapacité à donner un consentement éclairé écrit
  • Incapacité à lire les inscriptions vidéo néerlandaises / anglaises
  • Participants atteints de maladie de Graves active ou de paralysie faciale unilatérale

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

Cohortes et interventions

Groupe / Cohorte
contrôles sains
myasthénie grave

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Faculteur
Délai: 2020-2023
Le paramètre principal de la différenciation entre les témoins sains et le Mg et entre les différents grades de gravité de la maladie MG avec FaceReader est le rendement diagnostique des muscles individuels et des combinaisons de muscles. Le rendement diagnostique est exprimé en sensibilité, spécificité et surface sous la courbe d'une courbe récepteur-opérateur (ROC) de l'algorithme FaceReader. Pour cela, les données quantitatives de la faiblesse faciale exprimées dans les unités d'action (UA), allant entre 0 (pas d'activation) et +1 (activation maximale) seront utilisées. Les données brutes de FaceReader fournissent les résultats de 20 UA correspondant à 20 mouvements faciaux différents de 20 muscles faciaux basés sur le système de codage d'action faciale (FACS).
2020-2023
Modèle d'apprentissage en profondeur étroit
Délai: 2020-2023
Le paramètre principal de la différenciation entre les témoins sains et le Mg et entre les différents grades de gravité de la maladie MG avec un modèle d'apprentissage en profondeur étroit qui fonctionne est le rendement diagnostique. Le rendement diagnostique est exprimé en sensibilité, spécificité et surface sous la courbe d'une courbe récepteur-opérateur (ROC).
2020-2023
Gravité de la maladie
Délai: 2020-2023
À titre de comparaison entre différents niveaux de gravité de la maladie, le score QMG servira d'horaire. Les groupes basés sur la gravité de la maladie sont composés comme suit: QMG 0-9 léger, QMG modéré 10-16 et QMG sévère> 16. Pour l'enregistrement à domicile, nous utiliserons les activités MG de la vie quotidienne (MG-ADL) pour mesurer la gravité de la maladie, car le QMG nécessite la présence physique du patient. Il s'agit d'un outil couramment utilisé dans les essais cliniques. Les groupes basés sur la gravité de la maladie sont composés comme suit: MG-ADL 0-4 léger, MG-ADL modéré-sévère ≥5.
2020-2023

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Changements longitudinaux
Délai: 2020-2023
Détection des effets des médicaments en obtenant plusieurs vidéos (longitudinales) dans un sous-ensemble de patients. Le score QMG ou MG-ADL est le paramètre de changement de gravité de la maladie. Une étude précédente a révélé une différence cliniquement importante (MCID) dans le score QMG ≥2 pour un score QMG de base entre 0 et 16. Pour un score QMG de base> 16, le MCID est ≥3 points de changement dans le score QMG4. Pour le MG-ADL, le MCID est un changement ≥2 points5. Pour la détection des effets des médicaments, notre objectif est de détecter un changement intra-participant dans le QMG ≥2 ou ≥3, en fonction du score QMG de base. Pour le groupe enregistré à domicile, notre objectif est de détecter un changement dans le score MG-ADL de ≥2 points.
2020-2023
Modèle FaceReader vs Deep Learning
Délai: 2020-2023
Une comparaison du rendement diagnostique des paramètres de faculaders et de la classification par le modèle d'apprentissage en profondeur.
2020-2023
site versus enregistrement à domicile
Délai: 2020-2023
Une comparaison du rendement diagnostique de FaceRener et du modèle d'apprentissage en profondeur des vidéos enregistrées dans le paramètre LUMC standardisé (écran vert, lumières, caméra 4K) et vidéos enregistrées à domicile à l'aide d'une webcam.
2020-2023

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Parrainer

Leiden University Medical Center

Collaborateurs

Delft University of Technology

Les enquêteurs

  • Chercheur principal: Martijn Tannemaat, MD, PhD, Leiden University Medical Center

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

1 décembre 2020

Achèvement primaire (Réel)

31 décembre 2022

Achèvement de l'étude (Réel)

31 décembre 2022

Dates d'inscription aux études

Première soumission

3 août 2022

Première soumission répondant aux critères de contrôle qualité

4 mars 2025

Première publication (Réel)

25 mars 2025

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

25 mars 2025

Dernière mise à jour soumise répondant aux critères de contrôle qualité

4 mars 2025

Dernière vérification

1 mars 2025

Plus d'information

Termes liés à cette étude

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • P20.083

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

OUI

Description du régime IPD

Les données brutes, y compris les données des participants individuels désidentifiées, qui soutiennent les résultats de cette étude sont disponibles auprès de l'auteur correspondant, sur demande raisonnable. Les lois sur la confidentialité empêchent le partage de vidéos faciales des participants à l'étude individuels.

Type d'informations de prise en charge du partage d'IPD

  • PROTOCOLE D'ÉTUDE
  • SÈVE
  • CIF
  • RSE

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

produit fabriqué et exporté des États-Unis.

Non

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 .

S'abonner