Az Ehlers Danlos-szindróma ízületi kiterjeszthetőségének jövőkép-alapú értékelése
Okostelefon-alapú, gépi tanulási képalkotó alkalmazás megvalósíthatóságának felmérése a perifériás ízületek hipertenzibilitásának felmérésére Ehlers Danlos szindrómában
Az Ehlers Danlos-szindróma (EDS) a genetikai rendellenességek heterogén csoportja, 13 azonosított altípussal. A hipermobil EDS (hEDS), bár az EDS leggyakoribb altípusa, még nem rendelkezik azonosított genetikai mutációval a diagnosztikai megerősítéshez. A generalizált ízületi hipermobilitás (GJH) a hEDS egyik jellemző jellemzője. A GJH mérésére használt pontozási rendszert Beighton írta le. A Beighton-pontszámot egy dichotóm pontozási rendszer segítségével számítják ki kilenc ízület nyújthatóságának felmérésére. Minden ízületet vagy hipermobilnak (pont = 1) vagy nem hipermobilnak (pontszám = 0) értékelnek. Az összpontszám (Beighton pontszám) minimum 0 és maximum 9 között változhat, a magasabb pontszámok nagyobb ízületi lazaságra utalnak.
Noha a Beighton-pontszám használata mérsékelt érvényességgel és az értékelők közötti változékonysággal rendelkezik, továbbra is számos kihívást jelent a klinikusok általi széleskörű és következetes alkalmazása. Az irodalomban közölt akadályok közül néhány:
i) Nyílt, nem szabványosított rendszerekben jelentős eltérések lehetnek a közös nyújthatósági tesztek elvégzésének módszerében, beleértve a kiindulási mérések értékelését is, ii) Konzisztens és szabványos mérési eszközök/módszerek meghatározása, pl. A goniométer használata széles skálán változhat iii) A határértékek megbízhatóságának felmérése és iv) A betegek teljes körű értékelése a GJH pozitivitás lehetséges osztályozásának (alacsony specificitás és alacsony pozitív prediktív) tájékoztatása előtt.
A GJH értékelésére szolgáló tesztek nem megfelelő végrehajtása a GJH pontatlan azonosítását eredményezi, és potenciálisan nem kívánt negatív következményekkel jár az EDS helytelen diagnózisának felállításából. A tanulmány célja egy robusztusabb és érvényesebb módszer létrehozása az ízületi mobilitás mérésére, és az EDS szűrésében fellépő hibák csökkentése okostelefon-alapú gépi tanulási alkalmazásrendszerek használatával az ízületek nyújthatóságának mérésére.
A projekt:
i) Készítsen egy okostelefon-kompatibilis vizuális képalkotó alkalmazást az ízületek nyújthatóságának mérésére, ii) Mérje fel az okostelefonos alkalmazás klinikai környezetben történő alkalmazásának megvalósíthatóságát potenciális EDS-betegek szűrésére, iii) határozza meg az alkalmazás érvényességét összehasonlítás a személyes klinikai értékeléssel egy felsőfokú ellátás akadémiai EDS programjában. Siker esetén az okostelefonos alkalmazás hatékony és költséghatékony módon egységesítheti a potenciális EDS-betegek ellátását.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Tanulmány típusa
Beiratkozás (Becsült)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Ontario
-
Toronto, Ontario, Kanada, M5G 2C4
- GoodHope EDS - Toronto General Hospital
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- A Toronto General GoodHope EDS klinikáján felvett összes beteg jogosult a felvételre, függetlenül a bemutatott diagnózistól vagy értékelésük eredményétől.
Kizárási kritériumok:
- Azok a betegek, akik nem járulnak hozzá a részvételhez, nem kerülnek bele (a résztvevők bármikor visszavonhatják a hozzájárulásukat)
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Csak esetre
- Időperspektívák: Keresztmetszeti
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Új betegek a Toronto General Hospital GoodHope EDS klinikáján
Minden, az EDS klinikán látott beteg jogosult a felvételre, függetlenül a bemutatott diagnózistól vagy a felmérések eredményétől.
|
Semmiféle beavatkozásra nem kerül sor.
A beleegyező résztvevők az ízületi hipermobilitás vizsgálata során videofelvételeket készítenek, amelyeket egy későbbi időpontban elemeznek.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A becsült szög egyezésének összehasonlítása pózbecslési könyvtár segítségével
Időkeret: 4 hónap
|
A mozgástartomány előrejelzésére kifejlesztett gépi tanulási modellek teljesítményét a használt pózbecslési könyvtár elemzi.
Ezt az elemzést az adatgyűjtés első 2 hónapjában gyűjtött adatok részhalmazán kell elvégezni.
Ezt az információt a gépi tanulási modellek finomítása során felhasználandó pozícióbecslési könyvtárak kiválasztására fogja használni.
|
4 hónap
|
|
A becsült szög egyezésének összehasonlítása kötésenként
Időkeret: 1 év
|
Az egyes ízületek (gerinc, térd, boka, könyök, váll, hüvelykujj, ötödik ujj) mozgástartományának előrejelzésére kifejlesztett gépi tanulási modellek teljesítményét az egyes ízületek esetében külön-külön elemzik.
Ez betekintést nyújt arra vonatkozóan, hogy a rendszer mely ízületeket tudja pontosabban megjósolni videóból.
|
1 év
|
|
Értékelje a mozgástartomány előrejelzésének pontosságát látásalapú adatok segítségével
Időkeret: 1 év
|
Az ízületi hipermobilitási manővereket végrehajtó személyekről készült videókon kiképzett gépi tanulási modelleket fejlesztenek ki.
Teljesítményüket egy szakértő klinikus által goniométerrel mért mozgási tartományhoz fogják hasonlítani.
|
1 év
|
Együttműködők és nyomozók
Szponzor
Nyomozók
- Kutatásvezető: Nimish Mittal, MD, GoodHope Ehlers Danlos Syndrome Clinic, Toronto General Hospital
Publikációk és hasznos linkek
Általános kiadványok
- 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/
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
- Patológiás folyamatok
- Szív-és érrendszeri betegségek
- Érrendszeri betegségek
- Bőrbetegségek
- Betegség
- Veleszületett rendellenességek
- Hematológiai betegségek
- Hemorrhagiás rendellenességek
- Genetikai betegségek, veleszületett
- Kötőszöveti betegségek
- Hemostatikus rendellenességek
- Bőrbetegségek, genetikai
- Bőr rendellenességek
- Kollagén betegségek
- Szindróma
- Ehlers-Danlos szindróma
Egyéb vizsgálati azonosító számok
- 22-5073
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .