- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT06195566
Vývoj PI-ML algoritmu pro predikci rizika v reálném čase pro rozvoj prediabetu (PRAESIIDIUM)
Fyzikálně informované strojové učení založené na predikci a zvrácení narušeného řízení glukosy nalačno
V této prospektivní, nerandomizované, monocentrické studii budou shromažďována data od jinak zdravých jedinců s nadváhou/obezitou I. stupně, aby se zvýšila dostupnost dat v oblasti prediabetu (porucha glukózové intolerance) a aby se ověřily výstupy algoritmu pro „fyzikálně informované strojové učení (PIML)“ navržené k odhadu rizika prediabetu v reálném čase. Každý účastník se zúčastní studie po dobu 4 měsíců, včetně 3 návštěv na místě.
Během screeningové návštěvy bude způsobilost účastníků určena kontrolou kritérií pro zařazení a vyloučení po podrobných informacích a získání informovaného souhlasu zkoušejícího. Krev bude odebrána pro vyloučení existujícího prediabetu/diabetu nalačno. U žen v reprodukčním věku bude proveden těhotenský test z moči. Po získání výsledků krevních testů (glukóza a HbA1c) budou účastníci požádáni o účast ve studii.
Při návštěvě 1 dorazí způsobilí účastníci do studijního centra nalačno. Budou odebrány vzorky krve a účastníci obdrží lahvičky a instrukce pro odběr vzorků stolice a moči. Budou shromažďovány antropometrické údaje, životní styl (cigareta, konzumace alkoholu) a rodinná anamnéza. Poté bude proveden 6minutový test chůze ke stanovení VO2 max. Účastníci obdrží zaslepený glukózový senzor Abbott Libre Pro, který budou nosit následujících 14 dní. Dále bude účastníkům poskytnut zdravotní a fitness náramek Fitbit Charge 5. Pro účely validace bude některá část účastníků studie laskavě požádána, aby otestovala nově vyvinuté zařízení nošené na zápěstí (EDIBit). Pomocí 24hodinového stažení jídla budou studijní subjekty vyškoleni zdravotnickým personálem, jak správně zadávat příjem potravy do aplikace Studie pro vyplnění digitálních 3denních stravovacích deníků. Budou požádáni o vyplnění deníků 3 dny po studijní návštěvě1 a 3 dny před studijní návštěvou2. Během návštěvy také obdrží dotazník o frekvenci jídla1.
Druhá studijní návštěva bude probíhat téměř stejně jako studijní návštěva1 (s výjimkou dotazníku o frekvenci jídla, který bude vynechán). Během této návštěvy účastníci obdrží informační listy o fyzické aktivitě a dietní doporučení.
Třetí a poslední návštěva bude probíhat téměř identicky jako studijní návštěva2, kromě toho, že nebude vložen žádný nový glukózový senzor a také nebudou odebrány vzorky stolice.
Přehled studie
Postavení
Detailní popis
Nepřenosné nemoci (NCD), jako je rakovina, kardiovaskulární onemocnění a diabetes, představují 74 % celosvětové zátěže nemocí a jsou hlavními příčinami předčasných úmrtí, kterým lze předejít. (1,2).
Diabetes je chronické NCD charakterizované zvýšenými hladinami glukózy v krvi. V roce 2021 byla prevalence diabetu v Evropě 1 z 11 dospělých (61 milionů), přičemž se předpokládá, že do roku 2045 toto číslo vzroste na 69 milionů. (3) Globální management a léčba diabetu stála v roce 2021 988 miliard dolarů. Navzdory těmto výdajům zůstává cukrovka třetí hlavní příčinou úmrtí, která má na svědomí 6,7 milionu úmrtí, přičemž 1,1 milionu z nich jen v Evropě. Mezi různými typy tvoří diabetes typu 2 (T2D) 90 % všech případů diabetu, které se primárně objevují v dospělosti. (3,4) Mezi rizikové faktory T2D patří genetická predispozice, rodinná anamnéza, metabolický syndrom, obezita, fyzická nečinnost, věk a etnický původ. Na celém světě je 541 milionů dospělých s poruchou glukózové tolerance (IGT), což je významný rizikový faktor pro T2D. (5,6) IGT a Impaired Fasting Glucose (IFG) představují přechodné stavy v rámci „healthy-to-T2D transition“ a jsou symptomy prediabetu. (7,8) Prediabetes představuje stav v časném stadiu, který lze zvrátit. Studie ukazují, že progresi T2D lze snížit přibližně o 58 % během tří let úpravou životního stylu. Doporučuje se fyzická aktivita 30-54 minut alespoň 2-5 dní v týdnu, stejně jako zdravá strava. (9) Bylo vynaloženo úsilí na vývoj neinvazivních modelů predikce rizika diabetu na základě klinicky dostupných parametrů. (10) Nástup T2D zahrnuje složité, víceúrovňové mechanismy počínaje molekulárními, tkáňovými a orgánovými úrovněmi, což vede k dysfunkci fyziologických procesů. Chronické zánětlivé biomarkery hrají významnou roli v patogenezi T2D. Rozpoznání tohoto víceúrovňového přístupu je krokem k personalizované diagnostice onemocnění. Zůstávají však problémy související s modelováním „přechodu ze zdravého na prediabetes“ jak z případové studie, tak z hlediska metodologie. (5,13,14) Cílem tohoto projektu je vývoj prototypového nástroje, zaměřeného na predikci prediabetického rizika v reálném čase. Tento nástroj bude zahrnovat řadu matematických modelů specifických pro pacienta, které simulují metabolismus, produkci hormonů slinivky břišní, metabolity mikrobiomů, zánětlivé procesy a reakci imunitního systému. Tyto modely byly původně vyvinuty během projektu FP7 MISSION-T2D a dále se rozvinuly do implementace integrovaného, víceúrovňového a pro pacienta specifického modelu, který zahrnuje genetická, metabolická a nutriční data pro simulaci a predikci metabolických a zánětlivých procesů v nástup a progrese T2D. (14-18) Predikční algoritmus bude využívat přístup „fyzikálně informovaného strojového učení“ (PIML), který kombinuje komplexní soubor dat ze stávajících i nových klinických studií s nepřetržitým vstupem dat prostřednictvím nositelných senzorů. (19) Konečný algoritmus bude umístěn na webové platformě, kde budou moci lékaři i pacienti vkládat údaje z více zdrojů.
Specializovaná prospektivní observační studie popsaná v této přihlášce bude provedena v Lotyšsku s náborem dospělých účastníků s metabolickými rizikovými faktory – nadváhou a obezitou I. stupně, pro účely sběru dat pro ověření vyvinutého algoritmu strojového učení PIML pro predikci rizika v reálném čase před diabetem.
Sběr dat má tři hlavní účely: I. Vstupní data pro model in-silico MT2D:
Vstup do simulací zahrnuje následující diskrétní počáteční parametry: pohlaví (M/F); hmotnost; výška; počet sezení fyzické aktivity (0, 1, 2, 3); trvání záchvatu fyzické aktivity (30, 60, 90 min); intenzita ve vyjádření % VO2max (40, 60); 3 jídla denně; v každém jídle jsou specifikovány sacharidy (nízké, střední, vysoké), bílkoviny (nízké, střední, vysoké) a tuky (nízké, střední, vysoké).
II. Validace výstupů MT2D: Výstupní číselné hodnoty simulací z modelu zahrnují:
1) Markery zánětu (zaznamenávány každých 8 hodin): B-buňky (B-1, B-2), PBL, TH (Th1, Th2, Th17, Treg), CTL, Treg, NK, MA, DC, EP, ADIP ( číslo, objem), IgM, IgG (IgG1, IgG2), IC, IL-2, IL-12, IFN-g, IL-4, TNF-a, TGF-b, IL-10, IL-6, IL- 18, IL-23, IFN-b, IL-lb, LPS, leptin;
a) Metabolické výsledky (zaznamenávány každou minutu): arteriální koncentrace (glu, pyr, lac, ala, gly, FFA, tgl, O2, CO2); orgány (22 metabolitů); hormony (inzulín, glukagon, epinefrin); glukóza nalačno; rychlost vzhledu (glukóza, alanin, triglyceridy); celková denní energetická bilance; %VO2max; antropometrické míry: BW, BMI, tuková hmota, beztuková hmota.
III. Data pro trénování/validaci algoritmu fyzikálně informovaného strojového učení (PIML): demografická data; Data související se zdravím; údaje o životním stylu (např. údaje o spotřebě jídla a údaje o fyzické aktivitě); nepřetržité požívání prostřednictvím nositelných senzorů (Continuous Glucose Monitoring (CGM a tracker fyzické aktivity, např. Fitbit Charge 5, EDIBit.) Tato zařízení, jako jsou chytré hodinky a sledovače fitness/aktivity (např. Fitbit, Fibion, Apple Watch), jsou vybaveny senzory, které mohou sledovat různé zdravotní metriky, včetně fyzické aktivity, srdeční frekvence, spánkových vzorců a stále častěji také pro monitorování glukózy. (neinvazivní kontinuální monitorování glukózy je stále ve vývoji). (20,21) Tato data mohou být použita k identifikaci vzorců a trendů ve zdraví člověka, což může pomoci s časnou detekcí diabetu/prediabetu. (22) Modely strojového učení (ML) vykazují potenciál pro zlepšení včasné detekce analýzou různých rizikových faktorů a předpovídáním výsledků. Než však budou tyto modely integrovány do systémů zdravotní péče a klinických praxí, musí být přísně vyhodnoceny. Jednou z nejrobustnějších metod takového hodnocení je externí validace pomocí longitudinálních kohort. (23-26) Během klinické studie mohou být účastníci podporováni digitálním asistentem, který může být použit k automatickému hlasovému volání účastníků za účelem shromažďování dat a poskytování uživatelské podpory a sledování. Digitální asistent používá předdefinované dialogy (navržené zkušebním personálem) a hlasové odpovědi účastníků se zaznamenávají jako text/data do zkušební databáze. Funkce digitálního asistenta je považována za doplněk k dalším metodám sběru dat, jako jsou dotazníky, nositelná zařízení, zasílání zpráv, běžné telefonní hovory.
Podskupina účastníka obdrží e-SIM určenou pro studium (aby se zabránilo používání jiného mobilního telefonu), na které číslo může účastník zavolat digitální asistent. Účastníci budou informováni o účastnickém čísle používaném digitálním asistentem, aby mohli rozpoznat jeho příchozí hovory a svobodně se rozhodnout, zda je přijmou nebo odmítnou, podle osobní volby. Účastníci budou moci tuto automatizovanou službu kdykoli zastavit.
Během klinické studie mohou být účastníci podporováni digitálním asistentem, který lidem pomůže lépe vyhovět klinické studii.
Podskupina účastníka obdrží e-SIM určenou pro studium (aby se zabránilo používání jiného mobilního telefonu), na které číslo může účastník zavolat digitální asistent. Účastníci budou informováni o účastnickém čísle používaném digitálním asistentem, aby mohli rozpoznat jeho příchozí hovory a svobodně se rozhodnout, zda je přijmou nebo odmítnou, podle osobní volby. Účastníci budou moci tuto automatizovanou službu kdykoli zastavit.
Časová osa a probandi: Studie bude probíhat po dobu 15 měsíců. Během tohoto období bude sledováno 75 jedinců po dobu 4 měsíců. Nábor bude probíhat od ledna 2024 do března 2025 souběžně s obdobím studia.
Identifikace subjektu: Každému účastníkovi, který podepsal formulář informovaného souhlasu účastníka, musí zkoušející přidělit jedinečné dvoupísmenné a třímístné identifikační číslo účastníka.
Všechny soubory dokumentů, formulářů a dat (včetně biomateriálů – vzorků moči, krve a stolice) budou označeny tímto ID účastníka. Každý účastník, způsobilý i nezpůsobilý, bude zdokumentován v protokolu prověřování a přihlášek.
Správa dat: Údaje účastníků budou vloženy do eCRF. eCRF poskytnou partneři projektového konsorcia Spindox Labs a CheckHealth. eCRF bude udržovat zaměstnanci Lotyšské univerzity. Všechna data studie budou zachycena v eCRF a monitorována monitorem. Všechny procesy budou řešeny v souladu se standardními operačními postupy (SOP).
Shromážděná data z nositelných senzorů a vzdáleně asistovaných dotazníků bude po celou dobu trvání projektu spravovat cloudové úložiště LinkWatch. To zahrnuje pravidelné zálohovací postupy a bezpečnostní ustanovení v souladu s GDPR a bezpečnostní politikou CHK. Bezpečnostní politika je založena na rámci doporučeném švédskou agenturou pro mimořádné události (reg. 2016/679/UE), podle ISO/IEEE 27000.
Nebudou používány žádné papírové formy dotazníků, kromě informované formy. Formulář souhlasu bude uložen v archivu na Lotyšské univerzitě.
Příjem potravy makroživin bude získán prostřednictvím třídenního stravovacího deníku. To bude zajištěno různými způsoby - inicializací databáze makroživin s konečnou databází Finelli, pomocí Open food facts pro balené potraviny. Mezitím budou účastníci požádáni o zdvojení informací, ručním psaním jídelního deníku po dobu tří dnů.
V dotazníku návštěvy 1 a návštěvy 3 a při každé návštěvě bude získáno 24hodinové stažení. Fyzická aktivita bude sledována pomocí komerčně dostupného sledovače FitBit Charge 5.
Mezi návštěvou 1 a návštěvou 2 nebudou poskytnuta konkrétní doporučení. Tato fáze bude sloužit jako období sběru dat pro přesné posouzení aktuálních faktorů životního stylu účastníků. Aby byla zajištěna větší rozmanitost shromážděných údajů, budou účastníkům na návštěvě 2 poskytnuta doporučení pro fyzickou aktivitu a zdravou stravu. Tyto předpisy budou v souladu s příslušnými pokyny WHO a budou shrnuty v rozdávaných materiálech.
U pacientů s T2DM pravidelné cvičení zvyšuje senzitivitu a sekreci inzulínu a zlepšuje glukózovou toleranci. Je třeba poznamenat, že jediná dávka cvičení může zvýšit citlivost na inzulín, zatímco ke zlepšení funkce slinivky u pacientů s T2DM je zapotřebí dlouhodobé cvičení. Myokiny jsou secernované faktory z kosterního svalstva, tukové tkáně, jater, střeva atd., které jsou navrženy jako zprostředkovatelé přeslechů orgánů zapojených do metabolických adaptací na cvičení. IL-6, IL-2, IL-10, leptin, budou hodnoceny pro účely validace PIML.
Vzorky krve od zapsaných pacientů při třech návštěvách kohorty (návštěva 1, návštěva 2 a návštěva 3) budou odebrány a zpočátku zpracovány pro získání vzorků plazmy a dočasně uloženy (při -80 °C) v místě náboru (viz níže zpracování vzorků krve před odesláním).
Vzorky plazmy budou odeslány partnerskému projektu Italian Liver Foundation (FIF) v Basovizza, Terst (Itálie). Ve FIF budou vzorky plazmy skladovány při teplotě (-80°C) a v mrazáku s kontrolovaným přístupem po dobu 10 let.
Na FIF budou dávkové vzorky rozmraženy a dále zpracovány, aby se stanovila plazmatická abundance interleukinů (IL-2, IL-6, IL-10 a leptin).
Krev bude odebrána pro stanovení klinických krevních testů na místě studie a pro přenos vzorku do FIF pro další analýzu biomarkerů a uchování na Lotyšské univerzitě.
Účastníci si odeberou vzorky stolice doma (dohromady dva vzorky - při první a druhé návštěvě). Primárním cílem odběru vzorků stolice je vytvoření dlouhodobé biobanky PRAESIIDIUM. V následujícím okamžiku mohou být vzorky stolice zpracovány pro analýzu mikrobiomů. Po příjezdu do místní nemocnice by měl být vzorek zmražen na -80 °C až do zpracování. Další zpracování - po dostupnosti dalších finančních prostředků (Fondazione Italiana Fegato ONLUS, Itálie).
Typ studie
Zápis (Odhadovaný)
Kontakty a umístění
Studijní kontakt
- Jméno: Zane Smite, Mg. Sci
- Telefonní číslo: (+371) 28761602
- E-mail: zane.smite@lu.lv
Studijní záloha kontaktů
- Jméno: Sabine Skrebinska
- Telefonní číslo: (+371) 26235325
- E-mail: sabine.skrebinska@gmail.com
Studijní místa
-
-
-
Riga, Lotyšsko
- University of Latvia, Faculty of Medicine
-
Kontakt:
- Aleksejs Fedulovs
- Telefonní číslo: (+371) 28807671
- E-mail: aleksejs.fedulovs@lu.lv
-
Kontakt:
- Irena Puzirevska
- Telefonní číslo: (+371) 29180748
- E-mail: irena.puzirevska@lu.lv
-
Vrchní vyšetřovatel:
- Jelizaveta Sokolovska, Dr.med.
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Zdraví dospělí dobrovolníci (věk ≥ 18 let);
- Osoby s nadváhou (BMI 25 - 29,9 kg/m2) a obezitou I. stupně (s BMI 30 - 34,9 kg/m2);
- Písemný souhlas účastníka po informování;
- Vlastnictví chytrého telefonu se systémem Android nebo iOS.
Kritéria vyloučení:
- Nesoulad;
- Pokračující léčba imunosupresivními a/nebo protizánětlivými léky (NSAID, glukokortikoidy, chemoterapie, biologické léky);
- Pokračující léčba léky snižujícími hladinu glukózy, kromě případů, kdy nebyla ukončena antidiabetická medikace - pro metformin jeden měsíc, pro GLP-1 RA, tirzepatid - dva měsíce před zařazením;
- Přítomnost autoimunitního a/nebo zánětlivého onemocnění (autoimunitní onemocnění štítné žlázy, psoriáza, zánětlivé onemocnění střev);
- Kožní stavy bránící použití systémů kontinuálního monitorování glukózy;
- Diabetes nebo prediabetes diagnostikovaný kritérii ADA/WHO podle glukózy nalačno a/nebo HbA1c;
- Vysoce riziková konzumace alkoholu – podle NIAAA – National Institute on Alcohol Abuse and Alcoholism (pro muže – více než 4 nápoje v kterýkoli den nebo více než 14 nápojů za týden; pro ženy – více než 3 nápoje v kterýkoli den nebo více než 7 nápojů za týden);
- Faktory jinak omezující účast ve studii podle úsudku zkoušejícího;
- Těhotenství nebo záměr otěhotnět v průběhu studie.
Studijní plán
Jak je studie koncipována?
Detaily designu
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Validace výstupů algoritmu Mission T2D (MT2D), který předpovídá v reálném čase riziko rozvoje prediabetu.
Časové okno: Studie bude probíhat po dobu 15 měsíců. Během tohoto období bude sledováno 75 jedinců po dobu 4 měsíců, včetně screeningové návštěvy a tří návštěv na místě, pokud účastníci splní předem stanovená kritéria pro zařazení. Časový interval mezi návštěvami je 65 dní (± 10
|
Sběr dat má tři hlavní účely vstupních dat pro model in-silico MT2D (pohlaví, hmotnost, výška, počet relací fyzické aktivity, trvání záchvatu fyzické aktivity, intenzita ve smyslu % VO2max, 3 jídla denně (specifikováno makroživiny). Validace výstupů MT2D zahrnuje zánětlivé markery, metabolické výsledky. Třetí data pro trénování/validaci algoritmu fyzikálně informovaného strojového učení (PIML): demografická data; údaje týkající se zdraví; údaje o životním stylu (např. údaje o spotřebě jídla a údaje o fyzické aktivitě); nepřetržité požívání prostřednictvím nositelných senzorů (Continuous Glucose Monitoring (CGM a tracker fyzické aktivity, např. Fitbit Charge 5, EDIBit.) |
Studie bude probíhat po dobu 15 měsíců. Během tohoto období bude sledováno 75 jedinců po dobu 4 měsíců, včetně screeningové návštěvy a tří návštěv na místě, pokud účastníci splní předem stanovená kritéria pro zařazení. Časový interval mezi návštěvami je 65 dní (± 10
|
Spolupracovníci a vyšetřovatelé
Sponzor
Spolupracovníci
Vyšetřovatelé
- Vrchní vyšetřovatel: Jelizaveta Sokolovska, Dr.med., University of Latvia, Faculty of Medicine
Publikace a užitečné odkazy
Obecné publikace
- Tabak AG, Herder C, Rathmann W, Brunner EJ, Kivimaki M. Prediabetes: a high-risk state for diabetes development. Lancet. 2012 Jun 16;379(9833):2279-90. doi: 10.1016/S0140-6736(12)60283-9. Epub 2012 Jun 9.
- American Diabetes Association. 2. Classification and Diagnosis of Diabetes: Standards of Medical Care in Diabetes-2021. Diabetes Care. 2021 Jan;44(Suppl 1):S15-S33. doi: 10.2337/dc21-S002. Erratum In: Diabetes Care. 2021 Sep;44(9):2182.
- Bleeker SE, Moll HA, Steyerberg EW, Donders AR, Derksen-Lubsen G, Grobbee DE, Moons KG. External validation is necessary in prediction research: a clinical example. J Clin Epidemiol. 2003 Sep;56(9):826-32. doi: 10.1016/s0895-4356(03)00207-5.
- Ezzati M, Riboli E. Can noncommunicable diseases be prevented? Lessons from studies of populations and individuals. Science. 2012 Sep 21;337(6101):1482-7. doi: 10.1126/science.1227001.
- Piovani D, Nikolopoulos GK, Bonovas S. Non-Communicable Diseases: The Invisible Epidemic. J Clin Med. 2022 Oct 8;11(19):5939. doi: 10.3390/jcm11195939.
- International Diabetes Federation. IDF Diabetes Atlas, 10th Edn. Brussels, Belgium: 2021. Available at: Https://www.Diabetesatlas.Org.
- Centers for Disease Control and Prevention. National Diabetes Statistics Report 2020 Website. https://www.cdc.gov/diabetes/pdfs/data/statistics/national-diabetes-statistics-report.pdf
- Ley SH, Schulze MB, Hivert MF, Meigs JB, Hu FB. Risk Factors for Type 2 Diabetes. In: Cowie CC, Casagrande SS, Menke A, Cissell MA, Eberhardt MS, Meigs JB, Gregg EW, Knowler WC, Barrett-Connor E, Becker DJ, Brancati FL, Boyko EJ, Herman WH, Howard BV, Narayan KMV, Rewers M, Fradkin JE, editors. Diabetes in America. 3rd edition. Bethesda (MD): National Institute of Diabetes and Digestive and Kidney Diseases (US); 2018 Aug. CHAPTER 13. Available from http://www.ncbi.nlm.nih.gov/books/NBK567966/
- Yang J, Qian F, Chavarro JE, Ley SH, Tobias DK, Yeung E, Hinkle SN, Bao W, Li M, Liu A, Mills JL, Sun Q, Willett WC, Hu FB, Zhang C. Modifiable risk factors and long term risk of type 2 diabetes among individuals with a history of gestational diabetes mellitus: prospective cohort study. BMJ. 2022 Sep 21;378:e070312. doi: 10.1136/bmj-2022-070312.
- Almeda-Valdes P, Cuevas-Ramos D, Aguilar-Salinas CA. Metabolic syndrome and non-alcoholic fatty liver disease. Ann Hepatol. 2009;8 Suppl 1:S18-24.
- Hegde H, Shimpi N, Panny A, Glurich I, Christie P, Acharya A. Development of non-invasive diabetes risk prediction models as decision support tools designed for application in the dental clinical environment. Inform Med Unlocked. 2019;17:100254. doi: 10.1016/j.imu.2019.100254. Epub 2019 Oct 16.
- Bernabe-Ortiz A, Perel P, Miranda JJ, Smeeth L. Diagnostic accuracy of the Finnish Diabetes Risk Score (FINDRISC) for undiagnosed T2DM in Peruvian population. Prim Care Diabetes. 2018 Dec;12(6):517-525. doi: 10.1016/j.pcd.2018.07.015. Epub 2018 Aug 18.
- Jolle A, Midthjell K, Holmen J, Carlsen SM, Tuomilehto J, Bjorngaard JH, Asvold BO. Validity of the FINDRISC as a prediction tool for diabetes in a contemporary Norwegian population: a 10-year follow-up of the HUNT study. BMJ Open Diabetes Res Care. 2019 Nov 28;7(1):e000769. doi: 10.1136/bmjdrc-2019-000769. eCollection 2019.
- Tsalamandris S, Antonopoulos AS, Oikonomou E, Papamikroulis GA, Vogiatzi G, Papaioannou S, Deftereos S, Tousoulis D. The Role of Inflammation in Diabetes: Current Concepts and Future Perspectives. Eur Cardiol. 2019 Apr;14(1):50-59. doi: 10.15420/ecr.2018.33.1.
- Castiglione F, Tieri P, De Graaf A, Franceschi C, Lio P, Van Ommen B, Mazza C, Tuchel A, Bernaschi M, Samson C, Colombo T, Castellani GC, Capri M, Garagnani P, Salvioli S, Nguyen VA, Bobeldijk-Pastorova I, Krishnan S, Cappozzo A, Sacchetti M, Morettini M, Ernst M. The onset of type 2 diabetes: proposal for a multi-scale model. JMIR Res Protoc. 2013 Oct 31;2(2):e44. doi: 10.2196/resprot.2854.
- Palumbo MC, de Graaf AA, Morettini M, Tieri P, Krishnan S, Castiglione F. A computational model of the effects of macronutrients absorption and physical exercise on hormonal regulation and metabolic homeostasis. Comput Biol Med. 2023 Sep;163:107158. doi: 10.1016/j.compbiomed.2023.107158. Epub 2023 Jun 16.
- Stolfi P, Valentini I, Palumbo MC, Tieri P, Grignolio A, Castiglione F. Potential predictors of type-2 diabetes risk: machine learning, synthetic data and wearable health devices. BMC Bioinformatics. 2020 Dec 14;21(Suppl 17):508. doi: 10.1186/s12859-020-03763-4.
- Prana V, Tieri P, Palumbo MC, Mancini E, Castiglione F. Modeling the Effect of High Calorie Diet on the Interplay between Adipose Tissue, Inflammation, and Diabetes. Comput Math Methods Med. 2019 Feb 3;2019:7525834. doi: 10.1155/2019/7525834. eCollection 2019.
- Palumbo MC, Morettini M, Tieri P, Diele F, Sacchetti M, Castiglione F. Personalizing physical exercise in a computational model of fuel homeostasis. PLoS Comput Biol. 2018 Apr 26;14(4):e1006073. doi: 10.1371/journal.pcbi.1006073. eCollection 2018 Apr.
- Karniadakis GE, Kevrekidis IG, Lu L, Perdikaris P, Wang S, Yang L. Physics-informed machine learning. Nat Rev Phys. 2021;3(6):422-440. doi:10.1038/s42254-021-00314-5
- Zafar H, Channa A, Jeoti V, Stojanovic GM. Comprehensive Review on Wearable Sweat-Glucose Sensors for Continuous Glucose Monitoring. Sensors (Basel). 2022 Jan 14;22(2):638. doi: 10.3390/s22020638.
- Yao H, Shum AJ, Cowan M, Lahdesmaki I, Parviz BA. A contact lens with embedded sensor for monitoring tear glucose level. Biosens Bioelectron. 2011 Mar 15;26(7):3290-6. doi: 10.1016/j.bios.2010.12.042. Epub 2010 Dec 31.
- Ellahham S. Artificial Intelligence: The Future for Diabetes Care. Am J Med. 2020 Aug;133(8):895-900. doi: 10.1016/j.amjmed.2020.03.033. Epub 2020 Apr 20.
- Al-Shamsi S, Govender RD, King J. External validation and clinical usefulness of three commonly used cardiovascular risk prediction scores in an Emirati population: a retrospective longitudinal cohort study. BMJ Open. 2020 Oct 28;10(10):e040680. doi: 10.1136/bmjopen-2020-040680.
- Rodrigues PM, Madeiro JP, Marques JAL. Enhancing Health and Public Health through Machine Learning: Decision Support for Smarter Choices. Bioengineering (Basel). 2023 Jul 2;10(7):792. doi: 10.3390/bioengineering10070792.
- Riley RD, Ensor J, Snell KI, Debray TP, Altman DG, Moons KG, Collins GS. External validation of clinical prediction models using big datasets from e-health records or IPD meta-analysis: opportunities and challenges. BMJ. 2016 Jun 22;353:i3140. doi: 10.1136/bmj.i3140. Erratum In: BMJ. 2019 Jun 25;365:l4379.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Odhadovaný)
Primární dokončení (Odhadovaný)
Dokončení studie (Odhadovaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Odhadovaný)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Odhadovaný)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- 101095672
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Popis plánu IPD
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 Tělesná hmotnost
-
M.D. Anderson Cancer CenterNáborImunitní kontrolní bod terapieSpojené státy
-
Hillel Yaffe Medical CenterNeznámý
-
National Research Centre, EgyptDokončenoBílá skvrnitá léze zubuEgypt
-
Hospital St. Joseph, Marseille, FranceDokončeno
-
Escola Superior de Tecnologia da Saúde do PortoDokončenoLatentní myofasciální spouštěcí bod horního trapézového svaluPortugalsko
-
University Hospital, MontpellierDokončeno
-
Al-Azhar UniversityZápis na pozvánku
-
Texas A&M UniversityDokončenoLéze bílé skvrnySpojené státy
-
3MUniversity of Tennessee Health Science CenterDokončeno