- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT05366114
Op visie gebaseerde beoordeling van gezamenlijke rekbaarheid bij het Ehlers-Danlos-syndroom
Beoordeling van de haalbaarheid van een op een smartphone gebaseerde, machinaal lerende visuele beeldvormingstoepassing voor de beoordeling van hyperextensibiliteit van perifere gewrichten bij het Ehlers-Danlos-syndroom
Ehlers Danlos Syndroom (EDS) is een heterogene groep van genetische aandoeningen met 13 geïdentificeerde subtypes. Hypermobiel EDS (hEDS), hoewel het meest voorkomende subtype van EDS, heeft nog geen geïdentificeerde genetische mutatie voor diagnostische bevestiging. Gegeneraliseerde gezamenlijke hypermobiliteit (GJH) is een van de kenmerkende kenmerken van hEDS. Het scoresysteem dat werd gebruikt bij het meten van GJH werd beschreven door Beighton. De Beighton-score wordt berekend met behulp van een dichotoom scoresysteem om de rekbaarheid van negen gewrichten te beoordelen. Elk gewricht wordt gescoord als hypermobiel (score = 1) of niet hypermobiel (score = 0). De totale score (Beighton-score) kan variëren tussen minimaal 0 en maximaal 9, waarbij hogere scores duiden op grotere gewrichtslaxiteit.
Hoewel er een matige validiteit en interbeoordelaarsvariabiliteit is bij het gebruik van de Beighton-score, blijven er verschillende uitdagingen bestaan met betrekking tot de wijdverbreide en consistente toepassing ervan door clinici. Enkele van de belemmeringen die in de literatuur worden genoemd, zijn:
i) In open, niet-gestandaardiseerde systemen kan er aanzienlijke variatie zijn in de methode om deze gezamenlijke uitbreidbaarheidstesten uit te voeren, inclusief het beoordelen van basislijnmetingen, ii) Bepalen van consistente en standaard meetinstrumenten/methodologie, b.v. Het gebruik van een goniometer kan sterk variëren. iii) Het beoordelen van de betrouwbaarheid van de afkapwaarden en, iv) Het uitvoeren van een volledige beoordeling voorafgaand aan het informeren van patiënten over mogelijke classificatie van GJH-positiviteit (lage specificiteit en lage positieve voorspellende waarde).
Onjuiste implementatie van tests om GJH te beoordelen resulteert in een onnauwkeurige identificatie van GJH en mogelijk onbedoelde negatieve gevolgen van het stellen van de verkeerde diagnose van EDS. Het doel van deze studie is om een robuustere en validere methode te creëren voor het meten van gewrichtsmobiliteit en om fouten in de screening van EDS te verminderen door gebruik te maken van op smartphones gebaseerde machine learning-applicatiesystemen voor het meten van gewrichtsuitbreidbaarheid.
Het project zal:
i) Maak een smartphone-app voor visuele beeldvorming om de meting van gewrichtsuitrekbaarheid te beoordelen, ii) Beoordeel de haalbaarheid van het gebruik van de smartphone-app in een klinische setting om potentiële EDS-patiënten te screenen, iii) Bepaal de validiteit van de toepassing in vergelijking met persoonlijke klinische beoordeling in een academisch EDS-programma in de tertiaire zorg. Als dit lukt, kan de smartphone-applicatie helpen om de zorg voor potentiële EDS-patiënten op een efficiënte en kosteneffectieve manier te standaardiseren.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studie Locaties
-
-
Ontario
-
Toronto, Ontario, Canada, M5G 2C4
- GoodHope EDS - Toronto General Hospital
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Alle patiënten die in de GoodHope EDS-kliniek in Toronto General worden gezien, komen in aanmerking voor opname, ongeacht hun huidige diagnose of de resultaten van hun beoordelingen
Uitsluitingscriteria:
- Patiënten die geen toestemming geven om deel te nemen, worden niet opgenomen (deelnemers kunnen hun toestemming op elk moment intrekken)
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Case-Alleen
- Tijdsperspectieven: Dwarsdoorsnede
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Nieuwe patiënten in de GoodHope EDS-kliniek in het Toronto General Hospital
Alle patiënten die in de EDS-kliniek worden gezien, komen in aanmerking voor opname, ongeacht hun huidige diagnose of de resultaten van hun beoordelingen.
|
Er zal geen tussenkomst worden gebruikt.
Instemmende deelnemers zullen video-opnamen laten maken tijdens hun examen van gezamenlijke hypermobiliteit die op een later tijdstip zullen worden geanalyseerd
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Vergelijking van overeenstemming in voorspelde hoek door pose-schattingsbibliotheek
Tijdsspanne: 4 maanden
|
De prestaties van de ontwikkelde machine learning-modellen voor het voorspellen van het bewegingsbereik zullen worden geanalyseerd door de gebruikte pose-estimation-bibliotheek.
Deze analyse wordt uitgevoerd op de subset van de gegevens die tijdens de eerste 2 maanden van de gegevensverzameling zijn verzameld.
Deze informatie zal worden gebruikt om de pose-schattingsbibliotheken te selecteren om door te gaan bij het verfijnen van de machine learning-modellen.
|
4 maanden
|
|
Vergelijking van overeenstemming in voorspelde hoek per gewricht
Tijdsspanne: 1 jaar
|
De prestaties van de ontwikkelde machine learning-modellen voor het voorspellen van het bewegingsbereik van elk gewricht (wervelkolom, knie, enkel, elleboog, schouder, duim, vijfde vinger) zullen voor elk gewricht onafhankelijk worden geanalyseerd.
Dit geeft inzicht met betrekking tot welke verbindingen het systeem nauwkeuriger is in het voorspellen van video.
|
1 jaar
|
|
Beoordeel de nauwkeurigheid van de voorspelling van het bewegingsbereik met behulp van op visie gebaseerde gegevens
Tijdsspanne: 1 jaar
|
Er zullen machine learning-modellen worden ontwikkeld die zijn getraind op video's van individuen die de gezamenlijke hypermobiliteitsmanoeuvres uitvoeren.
Hun prestaties zullen worden vergeleken met het bewegingsbereik dat wordt gemeten door een deskundige clinicus met behulp van een goniometer.
|
1 jaar
|
Medewerkers en onderzoekers
Onderzoekers
- Hoofdonderzoeker: Nimish Mittal, MD, GoodHope Ehlers Danlos Syndrome Clinic, Toronto General Hospital
Publicaties en nuttige links
Algemene publicaties
- 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/
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
- Pathologische processen
- Hart-en vaatziekten
- Vaatziekten
- Huidziektes
- Ziekte
- Aangeboren afwijkingen
- Hematologische ziekten
- Hemorragische aandoeningen
- Genetische ziekten, aangeboren
- Bindweefselziekten
- Hemostatische aandoeningen
- Huidziekten, genetisch
- Afwijkingen van de huid
- Collageen Ziekten
- Syndroom
- Ehlers-Danlos-syndroom
Andere studie-ID-nummers
- 22-5073
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .
Klinische onderzoeken op Ehlers-Danlos-syndroom
-
University of ZurichUniversity Children's Hospital, Zurich; Ehlers-Danlos Network, SwitzerlandVoltooidObstructieve slaapapneu | Het Danlos-syndroom van EhlerZwitserland
-
University of CalgaryNog niet aan het wervenHypermobiel syndroom van Ehlers-Danlos | Hypermobiele EDS (hEDS) | Hypermobiliteit Type Ehlers-Danlos-syndroom | Hypermobiele spectrumstoornisCanada
-
Cambridge University Hospitals NHS Foundation TrustUniversity of CambridgeWervingVasculair Ehlers-Danlos-syndroom | Vasculaire EDS (vEDS) | Vasculair syndroom van Ehlers DanlosVerenigd Koninkrijk
-
Assistance Publique - Hôpitaux de ParisMinistry of Health, FranceVoltooidEhlers-Danlos-syndroom, vasculair typeFrankrijk
-
ELewisUniversity of Massachusetts, LowellWervingEhlers-Danlos-syndroom Hypermobiliteitstype (hEDS)Verenigde Staten
-
Baylor College of MedicineBeëindigdHypermobiel syndroom van Ehlers-Danlos | Pijn beoordelingVerenigde Staten
-
University Health Network, TorontoAanmelden op uitnodigingHypermobiel syndroom van Ehlers-Danlos | Ehlers-Danlos-syndroom | Vasculair Ehlers-Danlos-syndroom | Hypermobiele EDS (hEDS) | EDS | Klassiek Ehlers-Danlos-syndroom | Klassieke EDS (cEDS) | Vasculaire EDS (vEDS)Canada
-
Cliniques universitaires Saint-Luc- Université...Voltooid
-
Brigham and Women's HospitalNational Institutes of Health (NIH); Bernard Osher FoundationWervingHypermobiele EDS (hEDS) | Ehlers-Danlos-syndroom (EDS) | Hypermobiele spectrumstoornisVerenigde Staten
-
French Cardiology SocietyNational Research Agency, France; Société Française de Médecine VasculaireVoltooidGezonde vrijwilligers | Vasculair syndroom van Ehlers DanlosFrankrijk