Machine-learning Algorithm for Prediction of CKD From Retinal Images (healthy route)
A Validation Study to Assess Performance Accuracy of a Machine-Learning Algorithm for the Prediction of Chronic Kidney Disease (CKD) From Digital Retinal Images
This is a non-interventional study being conducted to validate the performance of a machine learning algorithm for prediction of eGFR from digital retinal images in a target population for future intended use as a populated-based screening tool. Secondary objectives will include prediction of blood pressure (> or ≤ 140/90 mmHg) and presence or absence of T2DM as determined by glycated haemoglobin (HbA1c >6.5%) or on the basis of clinical history. Once validated, the methodology will be deployed for health screening to improve access to healthcare.
Descripción general del estudio
Estado
Estado
Condiciones
Condiciones
Intervención / Tratamiento
Intervención / Tratamiento
Tipo de estudio
Tipo de estudio
Inscripción (Estimado)
Inscripción
Contactos y Ubicaciones
Estudio Contacto
Estudio Contacto
- Nombre: Mohamed Khalis, Professor
- Número de teléfono: +212 628-245023
- Correo electrónico: mkhalis@um6ss.ma
Criterios de participación
Criterio de elegibilidad
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Método de muestreo
Población de estudio
The study population consists of adult patients diagnosed with chronic kidney disease (CKD), hypertension, diabetes mellitus, or without these conditions, attending routine outpatient clinics at Hôpital Universitaire International Cheikh Khalifa Ibn Zaid in Casablanca and Centre Hospitalier Universitaire Hassan II in Fez, Morocco.
Descripción
Inclusion Criteria
Participants are eligible to be included in the study only if all of the following criteria apply:
- Participant must be ≥ 18 years of age, at the time of signing the informed consent.
- Previously documented eGFR ≥ 3months
- Any participant with a positive dipstick result for proteinuria of at least trace
- Capable of giving signed informed consent as described in Appendix A which includes compliance with the requirements and restrictions listed in the informed consent form and in this protocol
Exclusion Criteria:
-
Participants are excluded from the study if any of the following criteria apply:
- As judged by the investigator, any evidence of a condition which in the investigator's opinion makes it undesirable for the participant to participate in the study.
- Any known eye condition that may preclude clear imaging of the retina for example; cataracts
- Individuals with hypertensive emergencies and hyperglycemic or hypoglycemic emergencies
- Involvement in the planning and/or conduct of the study (applies to HHA/ AstraZeneca staff and/or staff at the study site).
- Judgment by the investigator that the participant should not participate in the study if the participant is unlikely to comply with study procedures, restrictions and requirements.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: CASE_CONTROL
- Perspectivas temporales: CROSS_SECTIONAL
Número de grupos/cohortes
Cohortes e Intervenciones
Grupo / CohorteGrupo / Cohorte |
Intervención / TratamientoIntervención / Tratamiento |
|---|---|
|
CKD Cases
350 participants (cases) with diabetes and/or hypertension and/or CKD with previously documented eGFR < 60 ml/min/1.73m2 ≥3 months |
A machine learning-based algorithm analyzes retinal images to assess its ability to detect chronic kidney disease |
|
Controls
150 (controls) with previously documented eGFR ≥ 60 ml/min/1.73m2 ≥ 3 months |
A machine learning-based algorithm analyzes retinal images to assess its ability to detect chronic kidney disease |
¿Qué mide el estudio?
Medidas de resultado primarias
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
The accuracy of a machine-learning based algorithm to predict high risk CKD from digital retinal images
Periodo de tiempo: Baseline
|
To quantify the discrimination of the machine-learning algorithm for identifying the binary target condition of persistent eGFR <60 mL/min/1.73 m², using standard-of-care serum creatinine as the reference standard and the AUROC with a 95% confidence interval as the primary performance measure |
Baseline
|
Medidas de resultado secundarias
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Accuracy of the Machine Learning Algorithm for Detection of Hypertension and T2DM
Periodo de tiempo: Baseline
|
To quantify the sensitivity, specificity, and discriminative performance of a machine-learning-based algorithm for identifying SBP >140 mmHg from digital retinal images, using standard-of-care assessment as the reference standard and the AUROC with a 95% confidence interval as the primary performance measure |
Baseline
|
Colaboradores e Investigadores
Patrocinador
Patrocinador
Colaboradores
Colaboradores
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Estimado)
Inicio del estudio
Finalización primaria (Estimado)
Finalización primaria
Finalización del estudio (Estimado)
Finalización del estudio
Fechas de registro del estudio
Enviado por primera vez
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Publicado por primera vez
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización publicada
Última actualización enviada que cumplió con los criterios de control de calidad
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Última verificación
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
- Enfermedades urogenitales
- Enfermedades del sistema endocrino
- Enfermedades Vasculares
- Enfermedades cardiovasculares
- Procesos Patológicos
- Enfermedades urogenitales masculinas
- Enfermedades Renales
- Enfermedades urológicas
- Enfermedades urogenitales femeninas
- Enfermedades urogenitales femeninas y complicaciones del embarazo
- Enfermedad crónica
- Atributos de la enfermedad
- Enfermedades metabólicas
- Trastornos del metabolismo de la glucosa
- Diabetes mellitus
- Insuficiencia renal
- Condiciones Patológicas, Signos y Síntomas
- Enfermedades Nutricionales y Metabólicas
- Hipertensión
- Diabetes Mellitus, Tipo 2
- Insuficiencia Renal Crónica
Otros números de identificación del estudio
Otros números de identificación del estudio
- CKD-AI-2026-07
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .