- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05366114
Vision-baserad bedömning av ledförlängning vid Ehlers Danlos syndrom
Bedömning av genomförbarheten av en smartphone-baserad, maskinlärande visuell avbildningsapplikation för bedömning av hypertöjbarhet av perifera leder i Ehlers Danlos syndrom
Ehlers Danlos syndrom (EDS) är en heterogen grupp av genetiska sjukdomar med 13 identifierade undertyper. Hypermobil EDS (hEDS), även om den är den vanligaste subtypen av EDS, har ännu inte en identifierad genetisk mutation för diagnostisk bekräftelse. Generaliserad ledhypermobilitet (GJH) är ett av kännetecknen för hEDS. Poängsystemet som användes vid mätning av GJH beskrevs av Beighton. Beighton-poängen beräknas med hjälp av ett dikotomt poängsystem för att bedöma töjbarheten hos nio leder. Varje led bedöms som antingen hypermobil (poäng = 1) eller inte hypermobil (poäng = 0). Den totala poängen (Beighton-poäng) kan variera mellan ett minimum av 0 och ett maximum av 9, med högre poäng som indikerar större ledslapphet.
Även om det finns måttlig validitet och variabilitet mellan bedömare i användningen av Beighton-poängen, fortsätter det att finnas flera utmaningar med dess utbredda och konsekventa tillämpning av läkare. Några av de hinder som rapporterats i litteraturen inkluderar:
i) I öppna, icke-standardiserade system kan det finnas betydande variationer i metoden för att utföra dessa gemensamma töjbarhetstester inklusive bedömning av baslinjemätningar, ii) Fastställande av konsekventa och standardmätverktyg/-metodologi, t.ex. Goniometeranvändning kan variera kraftigt iii) Bedömning av tillförlitligheten hos cut-off-värdena och iv) Utför fullständig bedömning innan patienten informeras om möjlig klassificering av GJH-positivitet (låg specificitet och låg positiv prediktivitet).
Olämplig implementering av tester för att bedöma GJH resulterar i felaktig identifiering av GJH och potentiellt oavsiktliga negativa konsekvenser av att ställa fel diagnos av EDS. Syftet med denna studie är att skapa en mer robust och giltig metod för mätning av ledrörlighet och minska fel vid screening av EDS genom användning av ett smartphone-baserat maskininlärningssystem för mätning av ledtöjbarhet.
Projektet kommer att:
i) Skapa en smartphone-aktiverad visuell avbildningsapp för att bedöma mätningen av ledtöjbarhet, ii) Bedöma möjligheten att använda smarttelefonappen i en klinisk miljö för att screena potentiella EDS-patienter, iii) Bestäm giltigheten av applikationen i jämförelse med personlig klinisk bedömning i ett akademiskt EDS-program för tertiärvård. Om den lyckas kan smarttelefonapplikationen hjälpa till att standardisera vården av potentiella EDS-patienter på ett effektivt och kostnadseffektivt sätt.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studieorter
-
-
Ontario
-
Toronto, Ontario, Kanada, M5G 2C4
- GoodHope EDS - Toronto General Hospital
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Alla patienter som ses på GoodHope EDS-kliniken i Toronto General är berättigade till inkludering, oavsett deras diagnos eller resultaten av deras bedömningar
Exklusions kriterier:
- Patienter som inte samtycker till att delta kommer inte att inkluderas (deltagare kan när som helst återkalla samtycke)
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Endast fall
- Tidsperspektiv: Tvärsnitt
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Nya patienter på GoodHope EDS-kliniken på Toronto General Hospital
Alla patienter som ses på EDS-kliniken är berättigade till inkludering, oavsett deras diagnos eller resultatet av deras bedömningar.
|
Ingen intervention kommer att användas.
Samtyckande deltagare kommer att få videoinspelningar tagna under deras undersökning av ledöverrörlighet som kommer att analyseras vid ett senare tillfälle
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Jämförelse av överensstämmelse i förutsagd vinkel genom pose-uppskattningsbibliotek
Tidsram: 4 månader
|
Prestandan hos de utvecklade maskininlärningsmodellerna för att förutsäga rörelseomfånget kommer att analyseras av det bibliotek för ställningsuppskattning som används.
Denna analys kommer att utföras på delmängden av data som samlats in under de första två månaderna av datainsamlingen.
Den här informationen kommer att användas för att välja bibliotek för ställningsuppskattning att fortsätta med när du förfinar maskininlärningsmodellerna.
|
4 månader
|
|
Jämförelse av överensstämmelse i förutsagd vinkel med led
Tidsram: 1 år
|
Prestandan hos de utvecklade maskininlärningsmodellerna för att förutsäga rörelseomfånget i varje led (ryggrad, knä, fotled, armbåge, axel, tumme, femte finger) kommer att analyseras oberoende för varje led.
Detta kommer att ge insikt med avseende på vilka leder som systemet är mer exakt på att förutsäga från video.
|
1 år
|
|
Bedöm noggrannheten för förutsägelse av rörelseomfång med hjälp av synbaserad data
Tidsram: 1 år
|
Maskininlärningsmodeller som tränas på videor av individer som utför de gemensamma hypermobilitetsmanövrarna kommer att utvecklas.
Deras prestanda kommer att jämföras med rörelseomfånget som mäts av en expertläkare med hjälp av en goniometer.
|
1 år
|
Samarbetspartners och utredare
Utredare
- Huvudutredare: Nimish Mittal, MD, GoodHope Ehlers Danlos Syndrome Clinic, Toronto General Hospital
Publikationer och användbara länkar
Allmänna publikationer
- 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/
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
- Patologiska processer
- Hjärt-kärlsjukdomar
- Kärlsjukdomar
- Hudsjukdomar
- Sjukdom
- Medfödda abnormiteter
- Hematologiska sjukdomar
- Hemorragiska störningar
- Genetiska sjukdomar, medfödda
- Bindvävssjukdomar
- Hemostatiska störningar
- Hudsjukdomar, genetiska
- Hudavvikelser
- Kollagen sjukdomar
- Syndrom
- Ehlers-Danlos syndrom
Andra studie-ID-nummer
- 22-5073
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .