GLEAM: Ikke-invasiv glukosemåling ved hjælp af impedanstomografi (GLEAM)
GLEAM: Ikke-invasiv glukosemåling ved hjælp af impedanstomografi - et pilotprojekt
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Fase
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Vera Lehmann, MD PhD
- Telefonnummer: +41 31 632 40 70
- E-mail: vera.lehmann@insel.ch
Studiesteder
-
-
-
Bern, Schweiz
- Department of Diabetes, Endocrinology, Nutritional Medicine and Metabolism
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
Tager imod sunde frivillige
Beskrivelse
Inklusionskriterier:
- Skriftligt, informeret samtykke
- Type 1-diabetes mellitus som defineret af WHO i mindst 6 måneder
- I alderen 18 - 60 år
- HbA1c ≤ 9,0 %
- Insulinbehandling med godt kendskab til insulin selvstyring
- Brug af et kontinuerligt (CGM) eller flash-glukoseovervågningssystem (FGM)
- Modersmål tysk eller schweizertysk
Ekskluderingskriterier:
- Manglende evne til at give informeret samtykke
- Kontraindikationer til insulin aspart (NovoRapid®)
- Kendte allergier over for klæbemidler til EIT-enheden (f.eks. gelelektroder)
- Graviditet, amning eller mangel på sikker prævention
- Aktiv hjerte-, lunge-, lever-, mave-tarm-, nyre- eller psykiatrisk sygdom
- Patienter med implanterbare elektroniske enheder (f.eks. pacemaker eller implanterbar cardioverter defibrillator (ICD)) eller thoraxmetalimplantater
- Epilepsi eller historie med anfald
- Aktivt stof- eller alkoholmisbrug
- Kronisk neurologisk eller øre-næse-og-hals (ENT) sygdom, der påvirker stemmen eller historie med stemmelidelse
- Thoracale eller rygdeformiteter
- Body mass index (BMI) >35,0 kg/m2
- Åbne sår, forbrændinger eller udslæt på den øvre thorax
- Aktiv rygning
- Medicin, der vides at forstyrre stemmen eller fremkalde sløvhed (f.eks. opioider, benzodiazepiner osv.)
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Andet
- Tildeling: N/A
- Interventionel model: Enkelt gruppeopgave
- Maskning: Ingen (Åben etiket)
Antal våben
Våben og indgreb
Deltagergruppe / ArmDeltagergruppe / Arm |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Andet: Kontrolleret euglykæmi, hypoglykæmi og hyperglykæmi
|
EIT-målinger opsamles i forskellige glykæmiske tilstande (euglykæmi, hypoglykæmi og hyperglykæmi).
Venøs blodsukker måles ved hjælp af en guld-standard glucoseanalysator.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Ændring af det elektriske impedanstomografi (EIT) signal fra thoraxregionen på tværs af den glykæmiske bane.
Tidsramme: 5 timer
|
EIT-signaler vil blive opsamlet ved flere frekvenser mellem 50 kHz og 1 MHz fra thoraxregionen ved euglykæmi, hypoglykæmi og hyperglykæmi ved hjælp af en multi-kanal EIT-måleanordning.
|
5 timer
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Ændring af hypoglykæmisymptomer på tværs af den glykæmiske bane.
Tidsramme: 5 timer
|
Hypoglykæmisymptomer vil blive indsamlet ved euglykæmi, hypoglykæmi og hyperglykæmi ved hjælp af et standardiseret spørgeskema (Edinburgh Hypoglykæmiskala, en højere score betyder flere symptomer, minimumscore 7 point, maksimal score 77 point).
|
5 timer
|
|
Stemmeparametre, der indikerer dysglykæmi
Tidsramme: 5 timer
|
Stemmedata vil blive indsamlet ved hjælp af en mikrofon ved euglykæmi, hypoglykæmi og hyperglykæmi.
Efter prøvetagning vil en fortolkbar maskinlæringsmetode (ML) blive brugt til at identificere stemmeparametre, der indikerer dysglykæmi.
|
5 timer
|
|
Ændring i kognitiv præstation på tværs af den glykæmiske bane.
Tidsramme: 5 timer
|
Kognitiv præstation vil blive vurderet ved hjælp af Trail Making B-testen (mere tid, der er nødvendig for at gennemføre testene, betyder dårligere kognitiv præstation).
|
5 timer
|
|
Ændring i kognitiv præstation på tværs af den glykæmiske bane.
Tidsramme: 5 timer
|
Kognitiv præstation vil blive vurderet ved hjælp af Digit Symbol Substitution Test (højere score betyder bedre kognitiv præstation).
|
5 timer
|
|
Ydeevne af en maskinlæringsmodel til at detektere dysglykæmi fra de ovennævnte signaler (EIT, symptomer, stemme, fysiologiske signaler) kvantificeret som areal under modtagerens driftskarakteristikkurve (AUROC).
Tidsramme: 5 timer
|
Signaler til maskinlæringsmodellering vil blive indsamlet i euglykæmi, hypoglykæmi og hyperglykæmi.
|
5 timer
|
|
Ydeevne af en maskinlæringsmodel til at detektere dysglykæmi fra de ovennævnte signaler (EIT, symptomer, stemme, fysiologiske signaler) kvantificeret som sensitivitet.
Tidsramme: 5 timer
|
Signaler til maskinlæringsmodellering vil blive indsamlet i euglykæmi, hypoglykæmi og hyperglykæmi.
|
5 timer
|
|
Ydeevne af en maskinlæringsmodel til at detektere dysglykæmi fra de ovennævnte signaler (EIT, symptomer, stemme, fysiologiske signaler) kvantificeret som specificitet.
Tidsramme: 5 timer
|
Signaler til maskinlæringsmodellering vil blive indsamlet i euglykæmi, hypoglykæmi og hyperglykæmi.
|
5 timer
|
|
Maskinlæringsmodellens ydeevne til at forudsige glukoseværdier ud fra de ovennævnte signaler (EIT, symptomer, stemme, fysiologiske signaler) kvantificeret som root mean squared error (RMSE).
Tidsramme: 5 timer
|
Signaler til maskinlæringsmodellering vil blive indsamlet i euglykæmi, hypoglykæmi og hyperglykæmi.
|
5 timer
|
|
Maskinlæringsmodellens ydeevne til at forudsige glukoseværdier ud fra de ovennævnte signaler (EIT, symptomer, stemme, fysiologiske signaler) kvantificeret som middel absolut relativ forskel (MARD).
Tidsramme: 5 timer
|
Signaler til maskinlæringsmodellering vil blive indsamlet i euglykæmi, hypoglykæmi og hyperglykæmi.
|
5 timer
|
|
Maskinlæringsmodellens ydeevne til at forudsige glukoseværdier ud fra de ovennævnte signaler (EIT, symptomer, stemme, fysiologiske signaler) ved hjælp af Bland-Altman-plot.
Tidsramme: 5 timer
|
Signaler til maskinlæringsmodellering vil blive indsamlet i euglykæmi, hypoglykæmi og hyperglykæmi.
|
5 timer
|
|
Maskinlæringsmodellens ydeevne til at forudsige glukoseværdier ud fra de ovennævnte signaler (EIT, symptomer, stemme, fysiologiske signaler) ved hjælp af Clarke Error Grid.
Tidsramme: 5 timer
|
Signaler til maskinlæringsmodellering vil blive indsamlet i euglykæmi, hypoglykæmi og hyperglykæmi.
|
5 timer
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Samarbejdspartnere
Samarbejdspartnere
Efterforskere
Efterforskere
- Ledende efterforsker: Christoph Stettler, Prof. MD, Department of Diabetes, Endocrinology, Nutritional Medicine and Metabolism; Bern, Switzerland
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- GLEAM
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .