- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT05819151
Screening a monitorování diabetu pomocí zobrazení jazyka a symptomů, které si sami hlásili: přístup strojového učení
Východiska studie: Diabetes mellitus (DM) je hlavní neinfekční onemocnění. Důležitá je diagnostika a self-management DM. Detekce diabetu v současnosti vyžaduje krevní testy, což je nákladné a nepohodlné zejména pro starší osoby. Diagnostika jazyka se v čínské medicíně používá jako rutinní diagnostická metoda a v poslední době je studována pro detekci DM a diabetické retinopatie (DR). Vyvinuli jsme metodu pro pořizování snímků jazyka pomocí chytrého telefonu, která dokáže odhalit podrobnější rysy než běžná klinická kontrola jazyka. Předběžná studie má mnoho omezení. Proto je naším plánem v této studii řešit tato specifická omezení s následujícími cíli. Výsledky této studie nám umožní vyvinout praktickou aplikaci pro screening a monitorování diabetu.
Cíl studie
Cílem studie je vyvinout algoritmus pro screening diabetu s následujícími cíli:
- . Určení citlivosti a specifičnosti snímků jazyka pořízených chytrým telefonem při predikci abnormálního HbA1c (≥6,5 %);
- Stanovit rysy zobrazení jazyka zodpovědné za klasifikaci normálních a abnormálních hladin HbA1c (≥6,5 %);
- Stanovit senzitivitu a specificitu obrazu jazyka při predikci čtyř různých hladin HbA1c: <6 % (normální), 6–6,4 % (prediabetes), 6,5–8,9 % (diabetes) a ≥ 9 % (diabetes s vysokým HbA1c);
- Stanovit senzitivitu a specifičnost kombinace výsledků analýzy obrazu s výsledky z dotazníku symptomů TCM při predikci čtyř úrovní HbA1c.
Hypotéza: Naší pracovní hypotézou je, že různé rysy povlaku jazyka mohou souviset s různými stádii diabetu, jak naznačují různé hladiny HbA1c;a různé kombinace příznaků z hlediska TCM mohou být také spojeny s různými hladinami HbA1c. Kombinace obrazu jazyka se symptomy TCM tedy může umožnit modelu strojového učení sestavit algoritmus pro predikci HbA1c s přiměřenou přesností.
Kritéria zařazení: Kritériem pro zařazení jsou dospělí jedinci s výsledky testu HbA1c z laboratoře, která splňuje normu ISO 15189, jako jsou laboratoře používané Hospital Authority of Hong Kong.
Kritéria vyloučení: Subjekty, které nejsou schopny dát souhlas, nejsou schopny odpovědět na dotazník nebo spolupracovat při shromažďování snímků jazyka, budou vyloučeny. Nezahrnujeme subjekty, které nejsou schopny porozumět psané čínštině nebo angličtině.
Návrh studie: Toto je průřezový návrh sledující vztah mezi obrazovým vzorem jazyka a čtením HbA1c. Zaznamená se věk, pohlaví, váha, výška, délka trvání diabetu, rodinná anamnéza diabetu a jakékoli komorbidní onemocnění. Hladina hemoglobinu a krevní lipidový profil budou také zaznamenány, pokud jsou informace k dispozici. Zaznamenáno bude také jakékoli akutní respirační nebo zažívací onemocnění, stejně jako kouření. Pro sběr dat bude použit elektronický dotazník (s využitím softwaru Qualtrics survey) na základě publikovaných příznaků diabetu TCM a výše uvedených informací.
Zpracování a analýza dat
- Segmentace jazyka Snímky obsahující jazyk a jeho okolí budou zpracovány pro segmentaci oblasti jazyka. Tuto segmentaci provádí počítačový algoritmus vyvinutý interně pomocí strojového učení.
- Strojové učení Ve strojovém učení budou použity dva přístupy. V prvním přístupu nejprve provedeme klasifikaci obrazu normálního nebo abnormálního HbA1c a vygenerujeme pravděpodobnosti pro klasifikaci pomocí konvolučních neuronových sítí (CNN) (Anwar et al., 2016; Ødegaard et al., 2016). Poté se pokusíme zařadit snímky do čtyř různých tříd podle jejich hladiny HbA1c: <6 % (normální), 6-6,4 % (prediabetes), 6,5-8,9 % (diabetes) a ≥ 9 % (diabetes s vysokým HbA1c).
Primární výsledek: Vlastnosti obrazu jazyka: Extrahujeme rysy obrazu jazyka a provedeme klasifikaci obrazu buď normálního nebo abnormálního HbA1c a vygenerujeme pravděpodobnosti pro klasifikaci pomocí konvolučních neuronových sítí (CNN). Poté se pokusíme zařadit snímky do čtyř různých tříd podle jejich hladiny HbA1c: <6 % (normální), 6-6,4 % (prediabetes), 6,5-8,9 % (diabetes) a ≥ 9 % (diabetes s vysokým HbA1c).
Sekundární výsledek: Vzorce příznaků: Data z dotazníku budou kombinována s daty obrázků pro regresní analýzu
Přehled studie
Detailní popis
Sběr snímků jazyka Sběr snímků jazyka provedou vyškolení výzkumní asistenti na základě námi publikovaného protokolu (Wang et al., předloženo), který sestával z následujících kroků. Krok 1, spusťte funkci fotoaparátu telefonu bez použití jakéhokoli filtru nebo funkce umělé inteligence (A.I.); Krok 2, zapněte blesk; Krok 3, zamiřte na rty subjektu držením telefonu přímo před objektem a 15–20 cm od něj v úhlu 45 stupňů; Krok 4, klepnutím na obrazovku upravte zaostření, když objekt vyčnívá jazyk, a poté pořiďte snímek; Krok 5, nahrajte obrázek v plném rozlišení do online dotazníkového systému (software pro průzkum Qualtrics).
Sběr dotazníků pro čínskou medicínu Dotazník v elektronické/papírové formě bude použit ke sběru příznaků relevantních pro diagnostiku diabetu podle čínské medicíny. Otázky byly vybrány z předchozích studií o nejčastěji se objevujících příznacích diabetu z pohledu čínské medicíny (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Věk, pohlaví, váha, výška, délka trvání diabetu, rodinná anamnéza diabetu a jakékoli komorbidní onemocnění, hodnoty Hb (pokud jsou k dispozici) budou také brány v úvahu. Nedávná historie kouření je také zaznamenána jako potenciální matoucí faktor pro rysy povlaku jazyka (Tomooka et al., 2017)
Zadávání a ověřování dat Pro zajištění přesnosti budou na server nahrány současně obrázky, odpovědi na dotazník a HbA1c (a Hb, pokud jsou k dispozici). Pro usnadnění ověření údajů bude také vygenerováno identifikační číslo pacienta pro studii. Takové identifikační číslo se skládá z informace o datu sběru dat a čísle ambulance atd. Nebudou však obsahovat žádné informace týkající se pacientova HKID, celého jména pacienta, HN, MRN, DOB, adresy nebo telefonního čísla.
Data budou shromažďována online dotazníkovou službou pomocí Qualtrics a poté uložena na místním počítači v SCM/HKBU. V případě potřeby lze použít papírovou verzi dotazníku a vyplněný dotazník bude uchováván po dobu 3 let po ukončení studie. Shromážděný snímek nebude na fotografii obsahovat žádné oční rysy a dotazník nebude obsahovat žádné informace pro identifikaci subjektu kromě identifikačního čísla subjektu pro zkoušku. Po dokončení projektu budou data o Qualtrics vymazána, zatímco data na lokálním počítači budou uchovávána po dobu sedmi let po zveřejnění studie, podle požadavků instituce.
Strojové učení Ve strojovém učení budou použity dva přístupy. V prvním přístupu nejprve provedeme klasifikaci obrazu normálního nebo abnormálního HbA1c a vygenerujeme pravděpodobnosti pro klasifikaci pomocí konvolučních neuronových sítí (CNN) (Anwar et al., 2016; Ødegaard et al., 2016). Poté se pokusíme zařadit snímky do čtyř různých tříd podle jejich hladiny HbA1c: <6 % (normální), 6-6,4 % (prediabetes), 6,5-8,9 % (diabetes) a ≥ 9 % (diabetes s vysokým HbA1c). Pravděpodobnostní data klasifikace obrazu budou kombinována s daty z dotazníku jako proměnné pomocí plně propojených vrstev CNN, aby se určilo, ke které ze čtyř úrovní HbA1c subjekt patří (Osia et al., 2018). Výhodou tohoto přístupu je, že nám umožňuje určit senzitivitu a specificitu klasifikací pouze pomocí obrazu jazyka. Nevýhodou tohoto přístupu je však to, že při klasifikaci s údaji z dotazníku může ztratit některé důležité rysy jazyka. Alternativně budeme extrahovat rysy z každého obrazu jazyka pomocí CNN a pomocí jednoho horkého kódování přenést rysy do jednorozměrné matice, což umožní smíchání obrazových dat s daty dotazníku pro regresní analýzu pomocí neuronové sítě.
K hodnocení citlivosti a specifičnosti získaných algoritmů bude použit samostatný testovací soubor dat, který obsahuje minimálně 200 negativních a 200 pozitivních snímků. V konečném algoritmu bude uvedena senzitivita, specificita, pozitivní prediktivní hodnota (PPV) a negativní prediktivní hodnota (NPV).
Potenciální problémy a experimentální alternativy
Potenciální problém 1:
Je vysoce pravděpodobné, že rysy zobrazení jazyka nejsou výlučné pro abnormální hladinu HbA1c a vyskytují se také u kuřáků a některých akutních a chronických onemocnění, jako je CHOPN, infekce horních cest dýchacích a chronická onemocnění ledvin nebo jater.
Experimentální alternativy:
Nyní jsme do našeho dotazníku zařadili část týkající se historie kouření a známých akutních nebo chronických onemocnění. Pokud bychom našli významnou korelaci mezi určitými matoucími proměnnými s abnormální diagnózou HbA1c jazyka, varovali bychom budoucího uživatele před nespolehlivostí algoritmu při použití v populaci s matoucím stavem. Dále bychom upravili vážení parametrů v dotazníku tak, abychom dosáhli predikčního modelu s přiměřenou specificitou a senzitivitou i pro populace s uvedeným stavem.
Potenciální problém 2:
Výsledky strojové klasifikace ze shromážděného souboru dat obrazu jazyka ukazují špatnou specificitu a senzitivitu v predikci čtyř hladin HbA1c, a to i po zahrnutí parametrů do dotazníku TCM.
Experimentální alternativy:
Protože budeme sbírat krevní lipidový profil subjektů z nemocnice, jakmile bude k dispozici, můžeme naše výsledky analyzovat za pochodu. Když naše celková vzorková populace dosáhne 2 000 a stále vidíme špatnou specifitu a citlivost, zařadíme test krevního lipidového profilu do naší komunity. Přidáním profilu krevních lipidů jako parametrů do našeho regresního modelu bychom měli být schopni zvýšit specificitu a senzitivitu predikce, protože předchozí studie nalezly úzkou korelaci mezi vysokou hladinou HbA1c a dyslipidémií (Khan et al., 2007). Samozřejmě si nepřejeme, aby se to stalo, protože to sníží hodnotu našeho predikčního modelu, protože vyžaduje invazivní postup k získání profilu krevních lipidů. Nicméně jsme přesvědčeni, že na základě výsledků naší studie proof-of-concept lze vytvořit alespoň neinvazivní model pro detekci abnormální hladiny HbA1c (≥ 6,5 %).
Potenciální problém 3:
Obrazové rysy odpovědné za klasifikaci normálních a abnormálních hladin HbA1c (≥6,5 %) nebylo možné snadno identifikovat.
Experimentální alternativy:
Velmi žádoucí je extrakce vizuálních znaků, které mohou poskytnout sémantickou a robustní reprezentaci obrazů jazyka s abnormálními hladinami HbA1c. Mastný a hustý povlak, který jsme určili jako znaky pro klasifikaci, je třeba dále definovat. Za tímto účelem vyzkoušíme různé techniky navržené v literatuře (Ching et al., 2018), včetně přiřazení skóre důležitosti specifické pro příklad, porovnávání nebo zveličování skryté reprezentace, maximalizace aktivace a manipulace s latentním prostorem atd.
Typ studie
Zápis (Očekávaný)
Kontakty a umístění
Studijní kontakt
- Jméno: Shi Ping Zhang, PhD
- Telefonní číslo: 2466 85234112466
- E-mail: spzhang@hkbu.edu.hk
Studijní záloha kontaktů
- Jméno: Jingting Tian, Bachelor
- Telefonní číslo: 85254846560
- E-mail: ayatian@hkbu.edu.hk
Studijní místa
-
-
-
Kowloon, Hongkong
- Nábor
- Queen Elizabeth Hospital
-
Kontakt:
- Chiu MIng NG, Dr
- E-mail: ngcm2@ha.org.hk
-
-
Kowloon
-
Kowloon Tong, Kowloon, Hongkong, 0000
- Zatím nenabíráme
- School of Chinese Medicine Building
-
Kontakt:
- Shi Ping Zhang, PhD
- Telefonní číslo: 2466 85234112466
- E-mail: spzhang@hkbu.edu.hk
-
Kontakt:
- Jingting Tian, Bachelor
- Telefonní číslo: 85254846560
- E-mail: ayatian@hkbu.edu.hk
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dítě
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
Dospělí subjekty S výsledky testu HbA1c z laboratoře splňující normu ISO 15189 do dvou týdnů před nebo po zobrazení snímků jazyka a sběru dotazníku.
Kritéria vyloučení:
Nemohu dát souhlas Nemohu odpovědět na dotazník nebo spolupracovat při shromažďování obrázků jazyka Nerozumět psané čínštině nebo angličtině.
Studijní plán
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
---|---|
HbA1c<6% (normální)
Subjekty s HbA1c<6 %, tj. populace bez diabetu
|
Je vyžadován test HbA1c.
Žádné další zásahy.
Výzkumníci pouze pořídí snímky jazyků subjektů a požádají je o vyplnění dotazníku.
|
HbA1c 6-6,4 % (prediabetes)
Subjekty s HbA1c 6-6,4 %, tj. populace s prediabetem
|
Je vyžadován test HbA1c.
Žádné další zásahy.
Výzkumníci pouze pořídí snímky jazyků subjektů a požádají je o vyplnění dotazníku.
|
HbA1c 6,5-8,9 % (diabetes)
Subjekty s HbA1c HbA1c 6,5-8,9 %,
tj. populace diabetiků
|
Je vyžadován test HbA1c.
Žádné další zásahy.
Výzkumníci pouze pořídí snímky jazyků subjektů a požádají je o vyplnění dotazníku.
|
HbA1c≥ 9 % (diabetes s vysokým HbA1c)
Subjekty s HbA1c ≥ 9 %, tj. populace diabetiků s vysokým HbA1c
|
Je vyžadován test HbA1c.
Žádné další zásahy.
Výzkumníci pouze pořídí snímky jazyků subjektů a požádají je o vyplnění dotazníku.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Funkce obrazu jazyka
Časové okno: Po ukončení studia v průměru 1 rok
|
Extrahujeme rysy obrazu jazyka a provedeme klasifikaci obrazu normálního nebo abnormálního HbA1c a vygenerujeme pravděpodobnosti pro klasifikaci pomocí konvolučních neuronových sítí (CNN).
Poté se pokusíme zařadit snímky do čtyř různých tříd podle jejich hladiny HbA1c: <6 % (normální), 6-6,4 % (prediabetes), 6,5-8,9 %
(diabetes) a ≥ 9 % (diabetes s vysokým HbA1c).
Pak zjistěte, zda existuje nějaký rozdíl mezi touge obrázky v různých skupinách.
|
Po ukončení studia v průměru 1 rok
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Vzorce symptomů
Časové okno: Po ukončení studia v průměru 1 rok
|
Data z dotazníku budou kombinována s obrazovými daty pro regresní analýzu
|
Po ukončení studia v průměru 1 rok
|
Spolupracovníci a vyšetřovatelé
Sponzor
Spolupracovníci
Vyšetřovatelé
- Vrchní vyšetřovatel: Shi Ping Zhang, PhD, Hong Kong Baptist University
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Očekávaný)
Dokončení studie (Očekávaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- HMRF19200811
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .
Klinické studie na Test HbA1c
-
Yonsei UniversityDokončenoPostprandiální hyperglykémie
-
University of FloridaDokončenoParkinsonova nemoc (PD)Spojené státy
-
Clinical Nutrition Research Centre, SingaporeDokončeno
-
Guven Health GroupDokončenoSportovní výkon | Fyzická zdatnost | Hráči házené | Průřezové studieKrocan
-
Sixth Affiliated Hospital, Sun Yat-sen UniversityChanghai Hospital; Tianjin Nankai HospitalNáborKolorektální karcinom | Kolorektální adenomatózní polypČína
-
University of MichiganDokončenoAntidepresiva způsobující nežádoucí účinky při terapeutickém použitíSpojené státy
-
University of BaghdadDokončenoSexuální chování | Konfliktní porucha sexuální orientace | Porucha sexuálního vzrušení | Sexuální orientace | Sexuální; Orientace, porucha vztahuIrák
-
Józef Piłsudski University of Physical EducationDokončeno
-
Coloplast A/SDokončenoIleostomie – StomieDánsko