Maskininlärning för att analysera ansiktsbild, röst och talat språk för att fånga och klassificera cancer/tumörsmärta

Bakgrund:

• Smärta relaterad till cancer/tumörer kan vara utbredd, ha försvagande effekter på det dagliga livet och störa annars positiva resultat av riktad behandling.
• Grunden för denna studie är främst motiverad av behovet av att utveckla och validera objektiva metoder för att mäta smärta med hjälp av en modell som är relevant i bredd och djup för en mångfald av patientpopulationer.
• Otillräcklig bedömning och hantering av cancer/tumörsmärta kan leda till funktionell och psykologisk försämring och negativt påverka livskvaliteten.
• Forskning om objektiva mätskalor av smärta baserade på automatiserad detektering av ansiktsuttryck med hjälp av maskininlärning expanderar men har begränsats till vissa demografiska kohorter.
• Maskininlärningsmodeller visar dålig prestation när träningsset saknar tillräcklig mångfald av träningsdata, inklusive synligt olika ansikten och ansiktsuttryck, vilket ger möjlighet i den föreslagna studien att lägga en vägledande grund genom att konstruera en mer allmän och generaliserbar modell baserad på ansikten av olika kön och hudfototyper.

Mål:

-Det primära syftet med denna studie är att fastställa genomförbarheten av att använda ansiktsigenkänningsteknik för att klassificera cancer/tumörrelaterad smärta i en demografiskt varierad uppsättning deltagare med cancer/tumörer som deltar i en klinisk prövning.

Behörighet:

• Vuxna och barn (12 år eller äldre) med diagnosen cancer eller tumör som befinner sig i en klinisk studie för sin underliggande cancer/tumör.
• Deltagaren måste ha tillgång till internetansluten smarttelefon eller dator med kamera och mikrofon och måste vara villig att betala eventuella avgifter från tjänsteleverantören/operatören i samband med användningen av enheten

Design:

• Designen är en enda institution, observationell, icke-intervention klinisk studie vid National Institutes of Health Clinical Center.
• Alla deltagare kommer att delta i samma aktiviteter i två olika miljöer (distans och på klinik) under en tremånadersperiod.
• Hemma kommer deltagarna att använda en mobilapplikation för självrapportering av smärta och kommer att audiovisuellt spela in sig själva när de läser ett textstycke och beskriver hur de känner. På kliniken kommer deltagarna att utföra samma aktiviteter med optimal belysning och video, tillsammans med infraröd videoinspelning.
• Visuella (RGB) och infraröda ansiktsbilder, ljudsignal, självrapporterad smärta och naturliga språkverbaliseringar av deltagarnas känslor kommer att fångas. Ljudsignal- och videodata kommer att kommenteras med självrapporterad smärta och kliniska data för att skapa en övervakad maskininlärningsmodell som lär sig att automatiskt upptäcka smärta.
• Försiktighet kommer att tas med studieprovet för att inkludera en mångfald av kön och hudtyper (en proxy för rasmångfald) för att fastställa en bred tillämpbarhet av modellen i den kliniska miljön. Dessutom kommer videoinspelningar av deltagarnas naturliga språk för att beskriva deras smärta och hur de känner att transkriberas och autobearbetas mot versionen av patientrapporterade utfall av Common Terminology Criteria for Adverse Events (PRO-CTCAE)-biblioteket för att utforska närvaron och utvecklingen självrapportering av biverkningar.