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

Prediction of Chronic Disease Using Explainable Hybrid Machine Learning

5. Oktober 2026 aktualisiert von: Gülşen Taşkın, Afyonkarahisar Health Sciences University

Physical Activity and Lifestyle-Based Prediction of Chronic Disease Using Explainable Hybrid Machine Learning

In this study, a 28-item questionnaire developed by the researchers (Aysun Atacan and Gülşen Taşkın) will be used as the data collection tool. Since the intellectual property rights and developer identity belong to the researchers, there are no copyright or usage restrictions. Containing both qualitative and quantitative evaluation questions, the questionnaire consists of 5 main sections: personal information, daily life assessment, walking level assessment, household chores assessment, and work/workplace assessment. Eight of the questions cover sociodemographic information, while 20 focus on determining and evaluating physical activity levels in daily life, walking, home, work, and transportation. Participants are asked to answer the questions by considering their lifestyle over the past month. Based on these data-recorded according to how many days per week and how many minutes per day the activities are performed-calculations will be made by multiplying the MET value, frequency (days/week), and duration (minutes/day) to obtain the "MET-min/week" score. Participants will be categorized into three groups based on their total weekly MET expenditures: <600 MET-min/week as inactive, 600-3000 MET-min/week as minimally active, and >3000 MET-min/week as health-enhancing physically active (sufficiently active); and into groups based on their average daily step counts: <5000 as sedentary/inactive, 5001-7499 as low active, 7500-9999 as somewhat active, 10000-12499 as active, and >12500 as highly active. Chronic disease risk predictions will then be evaluated via machine learning based on these physical activity levels and step counts.

The primary aim of this research is to quantitatively demonstrate the impact of physical activity levels and lifestyle habits on chronic disease risk factors using machine learning (ML) methods. The models to be developed aim not only for high predictive performance but also for the clinical interpretation of which physical activity parameters are more decisive on disease risk, utilizing explainable artificial intelligence methods such as SHapley Additive exPlanations (SHAP). Consequently, the goal is to establish a decision support mechanism for the early detection of individuals at risk and to place personalized exercise prescriptions on a scientific foundation.

Studienübersicht

Status

Aktiv, nicht rekrutierend

Bedingungen

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

268

Kontakte und Standorte

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

Studienorte

    • Merkez
      • Afyonkarahisar, Merkez, Türkei (türkiye)
        • Afyonkarahisar Health Sciences University

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

18 Jahre bis 64 Jahre (Erwachsene)

Akzeptiert gesunde Freiwillige

Ja

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

18-64 aged

Beschreibung

Inclusion Criteria:

  • Being aged between 18 and 64
  • Participating in the study voluntarily

Exclusion Criteria:

  • Not being aged between 18 and 64 Not agreeing to participate in the study

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

  • Beobachtungsmodelle: OTHER
  • Zeitperspektiven: CROSS_SECTIONAL

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
hypothesis
Zeitfenster: Baseline

Estimation of the presence of chronic disease within an 85-95% confidence interval, based on physical activity and demographic data.

Baseline

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
hypothesis
Zeitfenster: Baseline

Identification of the most effective algorithm by comparing the sensitivity and specificity values of the developed models.

Baseline

Mitarbeiter und Ermittler

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

Sponsor

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)

30. August 2026

Primärer Abschluss (Geschätzt)

30. November 2026

Studienabschluss (Geschätzt)

31. Dezember 2026

Studienanmeldedaten

Zuerst eingereicht

22. September 2026

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

22. September 2026

Zuerst gepostet (Tatsächlich)

28. September 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

8. Oktober 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

5. Oktober 2026

Zuletzt verifiziert

1. Oktober 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • 2026/495

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 .