Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Prädiktives A1c basierend auf CGM-Daten unter Verwendung von CGM-Daten (A1c)

26. September 2021 aktualisiert von: Goran Petrovski, Sidra Medical and Research Center

Die Vorhersage von A1c basierend auf CGM-Daten durch die Anwendung von Ansätzen des maschinellen Lernens

Einführung. Das Hämoglobin A1C (HbA1c) spiegelt den durchschnittlichen Blutzuckerspiegel der letzten zwei bis drei Monate wider. Jüngste Fortschritte in der Sensortechnologie erleichtern die tägliche Überwachung des Blutzuckers mit CGM-Geräten. Die zukünftige Vorhersage des HbA1C auf der Grundlage der CGM-Daten ist von entscheidender Bedeutung für die langfristige Erhaltung der Gesundheit von Diabetespatienten. Ein über dem Normalwert liegender HbA1c-Wert erhöht die Wahrscheinlichkeit einer diabetesbedingten Herz-Kreislauf-Erkrankung erheblich.

Ziel. Das Ziel dieser Studie ist es, den HbA1c im Voraus vorherzusagen, indem die CGM-Daten durch die Anwendung maschineller Lerntechniken genutzt werden. Die Ergebnisse dieser Forschung werden dazu beitragen, die Gesundheit von Diabetikern zu verbessern.

Methoden. Dies ist eine retrospektive Analyse. Die Forscher werden 120 Patienten mit T1D, die in den letzten drei Monaten den CGM-Sensor verwendet haben, deidentifizieren und analysieren. Die CGM-Daten der letzten 15 Tage werden analysiert und verschiedene Glukosevariabilitätsmerkmale wie Time in Range (TIR), Variationskoeffizient (CV), mittlere Amplitude der glykämischen Exkursion (MAGE), Mittelwert der täglichen Differenzen (MODD) und kontinuierliches Gesamtnetz analysiert glykämische Wirkung (CONGA) wird extrahiert. Ein maschinelles Lernmodell berechnet (prognostiziert) HbA1c zwei bis drei Monate im Voraus auf der Grundlage dieser 15 Tage an CGM-Daten. Um die Leistung des vorgeschlagenen Vorhersagemodells zu bewerten, wird der vorhergesagte HbA1c mit dem tatsächlichen HbA1c verglichen.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Dies ist eine retrospektive Analyse. Die Forscher werden 120 Patienten mit Typ-1-Diabetes deidentifizieren und analysieren, indem sie in den letzten drei Monaten ein CGM-System (Continuous Glucose Monitoring) verwenden. Die CGM-Daten der letzten 15 Tage werden analysiert und verschiedene Glukosevariabilitätsmerkmale wie Time in Range (TIR), Variationskoeffizient (CV), mittlere Amplitude der glykämischen Exkursion (MAGE), Mittelwert der täglichen Differenzen (MODD) und kontinuierliches Gesamtnetz analysiert glykämische Wirkung (CONGA) wird extrahiert. Ein maschinelles Lernmodell wird entwickelt, um HbA1c auf der Grundlage dieser 15-tägigen CGM-Daten zwei bis drei Monate im Voraus vorherzusagen. Das Modell verwendet lineare Regression, bestrafte Regression (Ridge-Regression, Lasso-Regression und elastische Netzregression) in Kombination mit Gradientenverstärkung, um den prädiktiven A1c zu berechnen

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

60

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

    • Qa
      • Doha, Qa, Katar, 26999
        • Sidra Medicine

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

2 Jahre bis 18 Jahre (Kind, Erwachsene)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Patienten mit Typ-1-Diabetes und Flash-Glukoseüberwachung

Beschreibung

Einschlusskriterien:

  • Diabetes Typ 1
  • Flash-Glukose-Überwachungssystem

Ausschlusskriterien:

  • Weniger als 70 % der CGM-Daten in den letzten 90 Tagen.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Der Unterschied zwischen dem prädiktiven A1c-Wert aus CGM-Daten und dem tatsächlichen A1c-Wert aus EMR
Zeitfenster: 3 Monate
Differenz (%) zwischen dem vorhergesagten HbA1c und dem Labor-HbA1c aus der elektronischen Krankenakte
3 Monate

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Ermittler

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

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

1. Juni 2020

Primärer Abschluss (Tatsächlich)

31. August 2020

Studienabschluss (Tatsächlich)

30. Dezember 2020

Studienanmeldedaten

Zuerst eingereicht

27. März 2019

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

28. März 2019

Zuerst gepostet (Tatsächlich)

1. April 2019

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

28. September 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

26. September 2021

Zuletzt verifiziert

1. September 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • 2019003271

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

UNENTSCHIEDEN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .