Inteligência artificial para a análise dos dados de vídeo do movimento facial, com foco na miastenia gravis
A face da disfunção neuromuscular: inteligência artificial para a análise de dados de vídeo do movimento facial, com foco na miastenia gravis
Justificativa: Miastenia gravis (MG) é um distúrbio autoimune (AID) com anticorpos contra o NMJ, resultando em vários graus de fatigabilidade e fraqueza muscular. Todos os músculos estriados podem estar envolvidos, embora os músculos extra-oculares sejam mais comumente afetados, dando origem a uma ptose flutuante e à diplopia. Os músculos faciais também são comumente afetados, resultando em fraqueza no fechamento dos olhos, dificuldade em mastigar e engolir ou deficiências de fala. Os anticorpos contra o receptor de acetilcolina (ACHR) estão presentes em mais de 80% dos pacientes generalizados de MG. Na forma ocular pura, os anticorpos ACHR são detectáveis em quase 50% de todos os pacientes. Em aproximadamente 4%, os anticorpos contra o receptor-quinase do receptor quinase específico do músculo pós-sináptico (almíscar) são encontrados e em 15% dos pacientes com doença generalizada, nenhum anticorpo sérico é detectado1-3. Aproximadamente 15% dos pacientes com AChR Mg têm um timoma, caso em que a doença pode ser classificada como uma síndrome paraneoplásica2. Com uma prevalência de 1 a 2 por 10.000, mg é considerado uma doença rara2.
A raridade de MG pode dificultar o diagnóstico, especificamente para neurologistas em geral que provavelmente encontrarão um paciente com MG apenas algumas vezes ao longo de sua carreira. Além disso, a natureza flutuante da doença dificulta a tomada de decisões de tratamento, especialmente porque os pacientes em todo o país são geralmente tratados em um centro especializado (na Holanda, o LUMC). Atualmente, os pacientes que estão em dúvida se estão passando por uma exacerbação precisam marcar uma consulta e viajar por várias horas para passar por avaliação por seu neurologista especializado. Um biomarcador objetivo e confiável para a gravidade da doença que pode ser usado em casa melhoraria bastante a qualidade de vida para muitos pacientes com MG. As possibilidades emergentes nas tecnologias modernas podem apoiar os médicos com todos os tipos de desafios médicos, como oferecer suporte de diagnóstico, decisões de tratamento ou acompanhamento do paciente. Uma tecnologia de interesse especial para este estudo é o reconhecimento facial avançado. Nosso objetivo é estudar a capacidade do software existente (FaceReader, Noldus) versus um modelo de aprendizado profundo desenvolvido especificamente para esse fim pelo grupo de Jan Van Gemert no TUDELFT para diferenciar entre controles saudáveis e pacientes com MG e entre pacientes com MG com diferentes níveis de gravidade da doença.
Objetivos primários:
Para determinar e comparar o rendimento diagnóstico de dois métodos diferentes (tecnologia FaceReader e um modelo de aprendizado profundo desenvolvido especificamente para dados de vídeo) para analisar a fraqueza facial das gravações de vídeo (04: 00m) com diferentes expressões faciais padronizadas para:
- Diferencie entre pacientes com MG e controles saudáveis.
- Diferencie a gravidade da doença leve e moderada a grave.
Visão geral do estudo
Status
Condições
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
Zuid-Holland
-
Leiden, Zuid-Holland, Holanda, 2333ZA
- Leiden University Medical Center
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Para responder aos principais objetivos, obteremos uma gravação de vídeo facial padronizada de 04:00 min de pacientes com MG na clínica ambulatorial e enfermaria de neurologia, registrada no LUMC. Para as gravações da webcam, recrutaremos participantes do Registro MG holandês-belga (p15.287). Os formulários de consentimento informados do registro MG com permissão para serem abordados para pesquisas futuras estão disponíveis.
Pediremos a cônjuges e familiares que se inscrevam como controles saudáveis, bem como funcionários do nosso departamento. O grupo de controle saudável será correspondido à idade e ao sexo. Os controles saudáveis são definidos como indivíduos sem condições médicas ou medicamentos que podem influenciar os músculos faciais, p. Doença da tireóide de sepulturas, paralisia facial anterior devido a um AVC ou uso de prednisona. Para as gravações da webcam, solicitaremos aos pacientes com MG que introduza um controle saudável da mesma idade.
Descrição
Critérios de inclusão:
- Participantes do sexo masculino ou feminino com idade ≥ 18 anos
- Os sujeitos devem entender os requisitos do estudo e fornecer consentimento informado por escrito.
Mg
- Sinais ou sintomas clínicos sugestivos de MG e pelo menos um dos seguintes:
- Um teste sorológico para anticorpos ACHR ou anticorpos almíscares ou
- Uma investigação eletrofisiológica diagnóstica apoia o diagnóstico mg ou
- Um grupo de controle saudável de teste de neostigmina positivo
- Voluntários de cônjuges, amigos e familiares que acompanham pacientes ou funcionários de nosso departamento
- Nenhuma condição médica que afeta os músculos faciais, p. Doença de Graves, derrame anterior com uma paralisia facial
- Sem uso de medicamentos que afetam as características faciais, p. prednisona
Critérios de exclusão:
- Incapacidade de dar consentimento informado por escrito
- Incapacidade de ler Instrução de vídeo holandesa/ inglesa
- Participantes com doença de sepulturas ativas ou paralisia facial unilateral
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
|---|
|
controles saudáveis
|
|
miastenia grave
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Facerader
Prazo: 2020-2023
|
O parâmetro primário para a diferenciação entre controles saudáveis e Mg e entre diferentes graus de gravidade da doença de Mg com o Facerader é o rendimento diagnóstico dos músculos individuais e as combinações dos músculos.
O rendimento diagnóstico é expresso como sensibilidade, especificidade e área sob a curva de uma curva receptor-operadora (ROC) do algoritmo FaceReader.
Para isso, os dados quantitativos da fraqueza facial expressos nas unidades de ação (Au), variando entre 0 (sem ativação) e +1 (ativação máxima) serão usados.
Os dados brutos do FaceReader fornecem os resultados de 20 UA correspondentes a 20 movimentos faciais diferentes de 20 músculos faciais com base no sistema de codificação de ação facial (FACS).
|
2020-2023
|
|
Modelo de aprendizado profundo estreito
Prazo: 2020-2023
|
O parâmetro primário para a diferenciação entre controles saudáveis e Mg e entre diferentes graus de gravidade da doença de Mg com um modelo de aprendizado profundo estreito que trabalha é o rendimento diagnóstico.
O rendimento diagnóstico é expresso como sensibilidade, especificidade e área sob a curva de uma curva receptor-operadora (ROC).
|
2020-2023
|
|
Gravidade da doença
Prazo: 2020-2023
|
Para comparação entre diferentes níveis de gravidade da doença, o escore QMG servirá como padrão -ouro.
Grupos baseados na gravidade da doença são compostos como seguintes: QMG leve 0-9, QMG moderado 10-16 e QMG grave> 16.
Para a gravação doméstica, usaremos as atividades de MG da vida diária (MG-ADL) para medir a gravidade da doença, uma vez que o QMG requer a presença física do paciente.
Esta é uma ferramenta comumente usada em ensaios clínicos.
Os grupos baseados na gravidade da doença são compostos como seguintes: MG-ADL 0-4 leve, Mg-ADL moderado-grave ≥5.
|
2020-2023
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Mudanças longitudinais
Prazo: 2020-2023
|
Detecção dos efeitos da medicação, obtendo vários vídeos (longitudinais) em um subconjunto de pacientes.
O escore QMG ou MG-ADL é o parâmetro para mudança na gravidade da doença.
Um estudo anterior encontrou uma diferença clinicamente importante mínima (MCID) na pontuação QMG de ≥2 para uma pontuação de QMG da linha de base entre 0 e 16.
Para uma pontuação de QMG da linha de base> 16, o MCID é ≥3 pontos, alteração na pontuação QMG4.
Para o MG-ADL, o MCID é uma mudança de ≥2 pontos5.
Para a detecção de efeitos da medicação, nosso objetivo é detectar uma alteração intra-participante no QMG ≥2 ou ≥3, dependendo da pontuação basal QMG.
Para o grupo caseiro registrado, nosso objetivo é detectar uma alteração na pontuação de MG-ADL de ≥2 pontos.
|
2020-2023
|
|
FaceReader vs Deep Learning Model
Prazo: 2020-2023
|
Uma comparação do rendimento diagnóstico dos parâmetros do FaceReader e classificação pelo modelo de aprendizado profundo.
|
2020-2023
|
|
Site versus gravação em casa
Prazo: 2020-2023
|
Uma comparação do rendimento diagnóstico do FaceReader e do modelo de aprendizado profundo dos vídeos gravados na configuração Lumc padronizada (tela verde, luzes, câmera 4K) e vídeos caseiros usando uma webcam.
|
2020-2023
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Martijn Tannemaat, MD, PhD, Leiden University Medical Center
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
- Manifestações Neurológicas
- Doenças musculoesqueléticas
- Doenças do Sistema Nervoso
- Doenças Musculares
- Manifestações Neuromusculares
- Processos Patológicos
- Neoplasias por local
- Neoplasias
- Doenças Neuromusculares
- Doenças autoimunes
- Doenças do sistema imunológico
- Doenças Autoimunes do Sistema Nervoso
- Doenças Neurodegenerativas
- Síndromes Paraneoplásicas do Sistema Nervoso
- Neoplasias do Sistema Nervoso
- Síndromes Paraneoplásicas
- Doenças da Junção Neuromuscular
- Fraqueza muscular
- Miastenia grave
Outros números de identificação do estudo
- P20.083
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
- CIF
- CSR
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
produto fabricado e exportado dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .