- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05560997
Metaboliske undertyper af ikke-alkoholisk fedtleversygdom
20. juni 2024 opdateret af: Yan Bi
Maskinlæring til at identificere metaboliske undertyper af ikke-alkoholisk fedtleversygdom
Formålet med denne undersøgelse var at bruge maskinlæring til at udforske en mere præcis klassificering af NAFLD-undergrupper i retning af at informere individualiseret terapi.
Studieoversigt
Status
Rekruttering
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Kliniske karakteristika af NAFLD er heterogene, men den nuværende klassificering for diagnose er simpelthen baseret på patologisk undersøgelse.
Den konventionelle patologiske klassifikation er utilstrækkelig til at afspejle kompleksiteten og heterogeniteten af NAFLD og kan ikke forudsige prognosen.
I retning af præcisionsbehandling er en mere raffineret metabolisk klassificering af NAFLD-fænotyper meget efterspurgt for en personlig diagnose, der sigter mod at identificere patienter med forhøjet risiko for hjerte-kar-sygdom eller cirrhose.
Denne form for raffineret klassificering kan give en mere præcis diagnose og muliggøre mere individualiserede forebyggende indgreb og tidlige behandlinger.
I en tværsnitskohorte blev uovervåget maskinlæring brugt til at gruppere patienter med biopsi-bevist NAFLD fra Drum Tower Hospital tilknyttet Nanjing University Medical School baseret på kliniske variabler.
Verifikation af clustering blev udført i en langsgående kohorte.
Undersøgelsestype
Observationel
Tilmelding (Anslået)
1000
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Jiangsu
-
Nanjing, Jiangsu, Kina, 210008
- Rekruttering
- Division of Endocrinology, the Affiliated Drum Tower Hospital of Nanjing University
-
Kontakt:
- Yan Bi, MD,PhD
- Telefonnummer: 86-25-83-105302
- E-mail: biyan@nju.edu.cn
-
Kontakt:
- Dalong Zhu, MD,PhD
- Telefonnummer: 86-25-83-105302
- E-mail: zhudldr@gmail.com
-
-
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
18 år til 75 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Undersøgelsen omfattede forsøgspersoner, der gennemgik leverbiopsi eller fysisk undersøgelse på Drum Tower Hospital, der er tilknyttet Nanjing University Medical School.
Beskrivelse
Inklusionskriterier:
biopsi-bevist NALD-kohorte:
- alder 18 til 75 år
- modtager leverbiopsi på tidspunktet for metabolisk kirurgi
- relativt fuldstændige kliniske oplysninger, herunder fysisk undersøgelse, biokemiske og hæmatologiske vurderinger
langsgående kohorte
- alder 18 til 75 år
- modtage abdominal billeddiagnostiske undersøgelser,
- relativt fuldstændig klinisk information, herunder fysisk undersøgelse, biokemiske og hæmatologiske vurderinger (4) opfølgningstid mindst mere end 12 måneder
Ekskluderingskriterier:
- (1) indtog for meget alkohol (≥140 g/uge for mænd eller ≥ 70 g/uge for kvinder) •
- (2) med historie med andre leversygdomme, herunder kronisk hepatitis, galdeobstruktive sygdomme eller autoimmun hepatitis
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
---|---|
biopsi-bevist NAFLD-kohorte
NAFLD er defineret som tilstedeværelsen af mindst 5% steatose baseret på histologisk undersøgelse.
|
Høj CVD-risiko blev defineret som en historie med CVD eller en 10-årig ASCVD-risiko ≥10%.
Den 10-årige ASCVD-risikoestimering blev udført i henhold til kinesiske retningslinjer fra 2016 for håndtering af dyslipidæmi hos voksne.
|
langsgående fysisk undersøgelse kohorte
Diagnosen NAFLD var baseret på billeddannelsesevaluering.
|
Høj CVD-risiko blev defineret som en historie med CVD eller en 10-årig ASCVD-risiko ≥10%.
Den 10-årige ASCVD-risikoestimering blev udført i henhold til kinesiske retningslinjer fra 2016 for håndtering af dyslipidæmi hos voksne.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Iskæmisk hjertesygdom
Tidsramme: op til 5 år
|
Objektive fund af koronar stenose (≥ 50 %) i mindst 2 koronararterieterritorier (dvs. venstre anterior descendens, ramus intermedius, venstre cirkumfleks, højre kranspulsåre), der involverer forfængelig kar, en større gren eller et bypasstransplantat
|
op til 5 år
|
Dokumenteret tjekliste for hjertesygdomme
Tidsramme: op til 5 år
|
Dokumenteret myokardieinfarkt eller perkutan koronarintervention eller koronararterie-bypass-transplantation
|
op til 5 år
|
tjekliste for histologisk cirrose
Tidsramme: op til 5 år
|
cirrhose blev defineret som udbredt forstyrrelse af normal leverstruktur ved dannelse af pseudolobules eller Scheuer fase 4 fibrose i patologiske fund.
|
op til 5 år
|
hepatocellulært karcinom
Tidsramme: op til 5 år
|
diagnosen hepatocellulært karcinom var baseret på veletablerede billeddiagnostiske kriterier og/eller histologi.
|
op til 5 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
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)
5. januar 2016
Primær færdiggørelse (Anslået)
30. oktober 2024
Studieafslutning (Anslået)
1. juni 2025
Datoer for studieregistrering
Først indsendt
26. september 2022
Først indsendt, der opfyldte QC-kriterier
29. september 2022
Først opslået (Faktiske)
30. september 2022
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
21. juni 2024
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
20. juni 2024
Sidst verificeret
1. september 2023
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- NAFLDcluster
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
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 Maskinelæring
-
RenJi HospitalIkke rekrutterer endnuAnvendelse af kunstig intelligens Deep Learning-teknologi i magnetisk resonans lumbal billeddannelseDeep Learning, Lumbal Magnetic Resonance Imaging
-
Hand & Reconstructive MicrosurgeryAfsluttetMasselæring, Spaced Learning, Mikrokirurgi
-
HITEC-Institute of Medical SciencesAfsluttetOSCE (Objective Structured Clinical Examination) | TBL (Team Based Learning) | Undervisning af kliniske færdigheder til medicinske studerendePakistan
-
Yang ChaonanIkke rekrutterer endnuRisikofaktorer | Kritisk syge patienter | Trykskade | Machine Learning Algoritmer
-
Wuhan Union Hospital, ChinaIkke rekrutterer endnuIkke-småcellet lungekræft | Patologisk komplet respons | Neoadjuverende kemoimmunterapi | Deep Learning Model
-
Centre Hospitalier Universitaire, AmiensRekrutteringMR scanning | Venstre ventrikulær ejektionsfraktion | Hjertemagnetisk resonansbilleddannelse | Deep-LearningFrankrig
-
Centre Hospitalier Universitaire, AmiensUkendtNyrekolik | Urolithiasis | Urinvejssten | Deep Learning RekonstruktionFrankrig
-
Fondazione Policlinico Universitario Agostino Gemelli...RekrutteringBeskriv typiske gråskala/farve-doppler-ultralydstræk ved gestationel trofoblastisk neoplasi ved den amerikanske undersøgelse | At vurdere, om der er forskelle ved den amerikanske baseline-scanning mellem lavrisiko- og højrisikopatienter | At identificere ultralydsprædiktorer for resistens... og andre forholdItalien
-
Sun Yat-sen UniversityRekrutteringDeep Learning ModelKina
-
Third Affiliated Hospital, Sun Yat-Sen UniversityRekrutteringUdvikle en CT-baseret Tumor Budding Predictive Model for blærekræft ved hjælp af Deep Learning-algoritmerKina
Kliniske forsøg med 10-års ASCVD-risikoestimering
-
Ottawa Hospital Research InstituteThe Hospital for Sick Children; Hopital Montfort; Unity Health Toronto; The... og andre samarbejdspartnereTilmelding efter invitationImplementeringsvidenskab | Screening | Terminalpleje | Palliativ terapiCanada
-
Assiut UniversityIkke rekrutterer endnuKardiovaskulær risikoscore
-
Advanced Education & Research CenterUniversity of Karachi; Pakistan Cardiac Society (Heart House)RekrutteringAterosklerotiske kardiovaskulære sygdomme (ASCVD)Pakistan