- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05735288
Hæmodialyseresultater & Patient Empowerment Study 03 (HOPE-03)
Pilotskala, enkeltarms, observationsundersøgelse til vurdering af nytten af en maskinlæringsalgoritme til vurdering af væskestatus hos hæmodialysepatienter
Dette er et prospektivt, enkeltarms observationsstudie, der har til formål at vurdere validiteten og reproducerbarheden af en algoritme til vurdering af væskestatus i en kohorte af dialysepatienter.
Studiet vil eksternt validere en eksisterende algoritme til forudsigelse af tørvægt i realtid i en kohorte af dialysepatienter.
Studieoversigt
Status
Betingelser
Detaljeret beskrivelse
Volumenoverbelastning er en medvirkende faktor til de høje rater af kardiovaskulær dødelighed og dødelighed af alle årsager hos hæmodialysepatienter. På nuværende tidspunkt findes der ingen metode, der konsekvent kan forfine volumenstatus og give patienterne feedback for at tillade justeringer af deres væskeindtag. Nuværende standarder, der bruges til at vurdere volumen, er enten dårligt forudsigelige for væskestatus, besværlige at bruge eller mangler en passende patientgrænseflade.
En automatiseret, nøjagtig og periodisk vurdering af tørvægt ville være klinisk nyttig, billig og hurtigt skalerbar. Maskinlæringsmetoder er blevet undersøgt i vid udstrækning inden for nefrologi. Store mængder af præcise hæmodialysedata, indsamlet og lagret elektronisk med regelmæssige intervaller, har potentiale til at blive udnyttet i forudsigelsen af patienters ekstracellulære volumen eller ideelle væskestatus.
En række proof-of-concept maskinlæringsmodeller til forudsigelse af tørvægt i hæmodialysedata er blevet skabt ved hjælp af retrospektive data. Denne undersøgelse vil evaluere anvendeligheden af maskinlæringsmodellerne til at håndtere væskevolumen hos hæmodialysepatienter, samtidig med at deres validitet og reproducerbarhed vurderes i forhold til validerede målinger; i dette tilfælde Body Composition Monitor (BCM) fra Fresenius.
Da maskinlæringsmodellen til vurdering af væskestatus blev trænet og testet på retrospektive data, er der tilstrækkelig begrundelse for at teste modellens ydeevne, acceptabilitet og anvendelighed i et kontrolleret, observationelt prospektivt studie.
Dette vil være et 8-ugers forsøg med en 2-ugers indkøringsperiode udført i et enkelt center i Beaumont, Dublin, Irland. Bioimpedansmålinger med Fresenius BCM udføres hver anden uge. Hæmodialysedata vil blive behandlet løbende under hele forsøget. Algoritmen vil bruge hæmodialysedata til at forudsige BCM-output. Algoritmeforudsigelsen vil blive sammenlignet med BCM-forudsigelsen for at vurdere dens anvendelighed.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
Leinster
-
Dublin, Leinster, Irland, 9
- Beaumont Hospital
-
Dublin, Leinster, Irland, D09V2N0
- Beaumont Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Modtagelse af vedligeholdelseshæmodialyse i ambulant pleje
- Alder mindst 18 år
- Demonstrerer forståelse for studiekravene.
- Er villig til at give skriftligt informeret samtykke.
Ekskluderingskriterier:
- Forhold, der udelukker nøjagtig brug af bioimpedans (f.eks. amputationer af lemmer, alvorlig underernæring, graviditet, hjerteresynkroniseringsanordninger, pacemakere).
- Betydelig forvirring eller enhver samtidig medicinsk tilstand, som ville begrænse patientens evne til at registrere symptomer eller andre parametre.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
|---|
|
Hæmodialysepatienter
Hæmodialysepatienter, der går til hæmodialyse ambulant på Beaumont Hospital, Irland.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Det primære mål er at bestemme validiteten af maskinlæringsmodellen til at estimere bioimpedansbestemt tørvægt hos hæmodialysepatienter.
Tidsramme: 8 uger
|
Tørvægt (kg) estimeret af estimeringsmodellen for maskinlæring vil blive sammenlignet med bioimpedansnormohydreringsvægten i kg.
|
8 uger
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Acceptabilitet
Tidsramme: 8 uger
|
Acceptabiliteten af maskinlæringsmodellens output fra et klinisk sundhedsperspektiv vil blive vurderet.
|
8 uger
|
Samarbejdspartnere og efterforskere
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: O'Seaghdha, Royal College of Surgeons in Ireland
Publikationer og nyttige links
Generelle publikationer
- Guo X, Zhou W, Lu Q, Du A, Cai Y, Ding Y. Assessing Dry Weight of Hemodialysis Patients via Sparse Laplacian Regularized RVFL Neural Network with L2,1-Norm. Biomed Res Int. 2021 Feb 4;2021:6627650. doi: 10.1155/2021/6627650. eCollection 2021.
- Collins AJ, Foley RN, Herzog C, Chavers BM, Gilbertson D, Ishani A, Kasiske BL, Liu J, Mau LW, McBean M, Murray A, St Peter W, Guo H, Li Q, Li S, Li S, Peng Y, Qiu Y, Roberts T, Skeans M, Snyder J, Solid C, Wang C, Weinhandl E, Zaun D, Arko C, Chen SC, Dalleska F, Daniels F, Dunning S, Ebben J, Frazier E, Hanzlik C, Johnson R, Sheets D, Wang X, Forrest B, Constantini E, Everson S, Eggers PW, Agodoa L. Excerpts from the US Renal Data System 2009 Annual Data Report. Am J Kidney Dis. 2010 Jan;55(1 Suppl 1):S1-420, A6-7. doi: 10.1053/j.ajkd.2009.10.009. No abstract available.
- Flythe JE, Chang TI, Gallagher MP, Lindley E, Madero M, Sarafidis PA, Unruh ML, Wang AY, Weiner DE, Cheung M, Jadoul M, Winkelmayer WC, Polkinghorne KR; Conference Participants. Blood pressure and volume management in dialysis: conclusions from a Kidney Disease: Improving Global Outcomes (KDIGO) Controversies Conference. Kidney Int. 2020 May;97(5):861-876. doi: 10.1016/j.kint.2020.01.046. Epub 2020 Mar 8.
- Tomasev N, Glorot X, Rae JW, Zielinski M, Askham H, Saraiva A, Mottram A, Meyer C, Ravuri S, Protsyuk I, Connell A, Hughes CO, Karthikesalingam A, Cornebise J, Montgomery H, Rees G, Laing C, Baker CR, Peterson K, Reeves R, Hassabis D, King D, Suleyman M, Back T, Nielson C, Ledsam JR, Mohamed S. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 2019 Aug;572(7767):116-119. doi: 10.1038/s41586-019-1390-1. Epub 2019 Jul 31.
- Lee H, Yun D, Yoo J, Yoo K, Kim YC, Kim DK, Oh KH, Joo KW, Kim YS, Kwak N, Han SS. Deep Learning Model for Real-Time Prediction of Intradialytic Hypotension. Clin J Am Soc Nephrol. 2021 Mar 8;16(3):396-406. doi: 10.2215/CJN.09280620. Epub 2021 Feb 11.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- 21/82
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 .