Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Prædiktiv A1c baseret på CGM-data ved hjælp af CGM-data (A1c)

26. september 2021 opdateret af: Goran Petrovski, Sidra Medical and Research Center

Forudsigelsen af ​​A1c baseret på CGM-data gennem anvendelse af maskinlæringsmetoder

Introduktion. Hæmoglobin A1C (HbA1c) afspejler det gennemsnitlige blodsukkerniveau for de sidste to til tre måneder. Nylige fremskridt inden for sensorteknologien letter den daglige overvågning af blodsukkeret ved hjælp af CGM-enheder. Den fremtidige forudsigelse af HbA1C baseret på CGM-data har en kritisk betydning for opretholdelsen af ​​langsigtet sundhed hos diabetespatienter. En højere end normal værdi af HbA1c øger i høj grad sandsynligheden for diabetesrelateret hjerte-kar-sygdom.

Mål. Formålet med denne undersøgelse er at forudsige HbA1c på forhånd ved at bruge CGM-data ved at anvende maskinlæringsteknikker. Resultaterne af denne forskning vil hjælpe med at forbedre sundheden for diabetespatienter.

Metoder. Dette er en retrospektiv analyse. Efterforskerne vil afidentificere og analysere 120 patienter med T1D, som har brugt CGM-sensor i de sidste tre måneder. De seneste 15 dages CGM-data vil blive analyseret og forskellige glukosevariabilitetsfunktioner såsom tid i rækkevidde (TIR), variationskoefficient (CV), gennemsnitlig amplitude af glykæmisk udsving (MAGE), gennemsnit af daglige forskelle (MODD), kontinuerligt samlet netto glykæmisk virkning (CONGA) vil blive ekstraheret. En maskinlæringsmodel vil beregne (forudsige) HbA1c i 2-3 måneders forskud baseret på disse 15 dages CGM-data. For at evaluere ydeevnen af ​​den foreslåede forudsigelsesmodel vil forudsagt HbA1c blive sammenlignet med det reelle HbA1c.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Dette er en retrospektiv analyse. Efterforskerne vil afidentificere og analysere 120 patienter med T1D ved hjælp af Continuous Glucose Monitoring (CGM) system i de sidste tre måneder. De seneste 15 dages CGM-data vil blive analyseret og forskellige glukosevariabilitetsfunktioner såsom tid i rækkevidde (TIR), variationskoefficient (CV), gennemsnitlig amplitude af glykæmisk udsving (MAGE), gennemsnit af daglige forskelle (MODD), kontinuerligt samlet netto glykæmisk virkning (CONGA) vil blive ekstraheret. En maskinlæringsmodel vil blive udviklet til at forudsige HbA1c i 2-3 måneders forskud baseret på disse 15 dages CGM-data. Modellen bruger lineær regression, straffet regression (Ridge-regression, Lasso-regression og Elastisk nettoregression) i kombinationsgradientboosting til at beregne forudsigende A1c

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

60

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

  • Qatar
    • Qa
      • Doha, Qa, Qatar, 26999
        • Sidra Medicine

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

2 år til 18 år (Barn, Voksen)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Patienter med type 1-diabetes og flash-glukoseovervågning

Beskrivelse

Inklusionskriterier:

  • Type 1 diabetes
  • Flash glukose overvågningssystem

Ekskluderingskriterier:

  • Mindre end 70 % af CGM-data inden for de sidste 90 dage.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Forskellen mellem prædiktivt A1c-niveau fra CGM-data med reelt A1c-niveau fra EMR
Tidsramme: 3 måneder
Forskel (%) mellem forudsagt A1c og laboratorie A1c fra den elektroniske journal
3 måneder

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Sidra Medical and Research Center

Efterforskere

  • Ledende efterforsker: Marwa Qaraqe, PhD, Hamad Bin Khalifa University, Doha
  • Ledende efterforsker: Hasan Abbas, PhD, TAMUQ, Doha

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

Generelle publikationer

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

1. juni 2020

Primær færdiggørelse (Faktiske)

31. august 2020

Studieafslutning (Faktiske)

30. december 2020

Datoer for studieregistrering

Først indsendt

27. marts 2019

Først indsendt, der opfyldte QC-kriterier

28. marts 2019

Først opslået (Faktiske)

1. april 2019

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

28. september 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

26. september 2021

Sidst verificeret

1. september 2021

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 2019003271

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

UBESLUTET

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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 .

Kliniske forsøg med Diabetes mellitus, type 1

Kliniske forsøg med Flash-glukoseovervågning

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Trinidad & Tobago

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner