- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT06877585
Asociación entre la composición fecal de microbiota, las concentraciones de metabolitos y los niveles de sulfato de indoxilo
Asociación entre la composición fecal de microbiota, las concentraciones de metabolitos y los niveles de indoxilo sulfato en pacientes con hemodiálisis
Descripción general del estudio
Estado
Condiciones
Descripción detallada
Pacientes y diseño de estudio
Se inscribirán sesenta pacientes con HD, de la unidad de diálisis, división renal del Hospital Taichung Metroharbour de Tungs. El consentimiento informado por escrito para participar en el estudio se obtiene de cada participante después de ser informado sobre el diseño del estudio y los objetivos. El protocolo experimental enviará a los comités éticos de IRB para su aprobación. Los criterios de inclusión son de entre 18 y 80 años y se diagnostican con Etapa V de ERC (que actualmente recibe tratamiento de hemodiálisis> 3 meses). Los criterios de exclusión incluyen mujeres embarazadas o lactantes; pacientes con trasplante de riñón, infecciones graves, enfermedades cardíacas graves y enfermedades hepáticas, malignidad, trastornos autoinmunes, desnutrición severa; consumió cualquier tipo de probióticos preorados o tenía terapia con antibióticos dentro del comienzo del estudio; Síndrome del intestino irritable diagnosticado, enfermedad de Crohn o colitis ulcerosa; recibir o haber recibido radiación intestinal o haber tenido resección intestinal grande, los participantes recibirán instrucciones dietéticas y se les alienta a mantener la ingesta dietética estable, que se cuantifica por cuestionarios nutricionales durante las entrevistas del paciente. Los cuestionarios reunieron información sobre la cantidad semanal y la frecuencia del consumo de alimentos y bebidas. Los datos sobre la composición de nutrientes de los diferentes alimentos se obtienen utilizando las tablas del Instituto de Nutrición y Seguridad Alimentaria, Universidad Nacional de Taiwán.
Las muestras de sangre de recolección, preparación y análisis de muestras se recolectan por separado de cada participante. Las muestras de sangre se recogen después de un período de ayuno de 8 a 12 horas, utilizando tubos de fluoruro de sodio y se mantienen en hielo hasta la transferencia al laboratorio de investigación. Una vez allí, las muestras se centrifugan a 3.000 × g durante 15 minutos a 4 ° C. El suero se transfiere a tubos estériles y se almacena a -20 ° C para un análisis futuro.
Medimos los niveles séricos de acetato, propionato, butirato y valerato, junto con SCFA de cadena ramificada como el isobutirato y el isovalerado. Estos perfiles de metabolitos se analizan utilizando espectrometría de cromatografía líquida de ultraperformancia (UPLC-MS). En resumen, se mezcla 100 μl de cada muestra de suero en microtubos de 1,5 ml con 20 mg de NaCl, 10 mg de ácido cítrico, 20 μl de HCl 1 M y 100 μl de butanol. La mezcla se agita durante 2 minutos y luego se centrifugó a 18,000 × g durante 15 minutos. El sobrenadante resultante se transfiere a microtubos frescos para su análisis.
Medición de toxinas urémicas Medimos los niveles totales de toxina urémica en lugar de los niveles libres. Las concentraciones de indoxil sulfato total, sulfato de p-cresil, ácido indol-3-acético (IAA) y ácido hippúrico se cuantifican centralmente utilizando un método descrito previamente [19]. Brevemente, para la competencia de unión, el suero de 200 μl al que agregamos 20 ácido de 0.50 mm 1-naftalenesulfónico (estándar interno) se mezclaron con 250 μl de octanoato de sodio 0.24M (competidor de unión). Después de la incubación a temperatura ambiente durante 5 minutos, agregamos 2 ml de acetona en frío a las proteínas precipitadas. Después de la mezcla de vórtice y la centrifugación a 4 ° C, 1860 × g durante 20 minutos, el sobrenadante se transfirió a 12 mm × 100 mm, tubos de prueba de vidrio GL 14 y 2 ml de diclorometano. Después de la mezcla de vórtice y la centrifugación a 4 ° C, 1860 × g durante 10 minutos, se transfirieron 200 μl de la capa superior a los viales de muestreador de vidrio, seguido de la adición de 20 μl de HCl 1M y 15 μl en el HPLC. El análisis de HPLC se realizó en una serie Agilent 1100 LC (Santa Clara, CA), y el software Agilent Chemstations se usó para el análisis cromatográfico. La separación se llevó a cabo en una columna Zorbax SB-C18 SOLVA Saver más HPLC (5 μm, 3.0 mm × 150 mm). A una velocidad de flujo de 0.6 ml/min. La fase móvil A es ácido trifluoroacético al 0.2% en agua Milli-Q y la fase móvil B es 0.2% de ácido trifluoroacético en acetonitrilo. El método analítico consiste en una ejecución isocrática con 92% de fase móvil A durante 23 minutos. Cada ejecución analítica fue seguida por un gradiente de lavado de 1.3 minutos al 100% B. La temperatura de la columna fue de 25 ° C, y la temperatura de la bandeja de muestreo automático fue de 6 ° C. Cuantificamos los analitos utilizando la relación de área de analito a pico estándar en un detector de fluorescencia de alto rendimiento Agilent 1100 G1321A y detectores UV-visibles de la serie Agilent 1100 G1314A. La configuración del detector fue λex 260 nm/λem288 nm para sulfato de p-cresil y λex 280 nm/λem 390 nm para indoxilo sulfato, ácido indol-3-acético y estándar interno. El ácido hippúrico fue monitoreado por un detector UV-VIS a 254 nm. Los resultados cuantitativos se obtienen y calculan en términos de sus concentraciones (Mg/L).
La recolección de muestras de perfil de microbiota fecal muestras de heces calificadas se autocolectan en tubos congelados estériles por los sujetos y fueron transportadas inmediatamente al laboratorio donde se almacenaron a - 80 ° C para pruebas adicionales.
La extracción de ADN y la secuenciación del ADN genómico de muestras fecales se extraen utilizando el kit rápido de las heces de ADN Qiagen (Qiagen) de acuerdo con las pautas del fabricante. La calidad del ADN metagenómico extraído se evalúa mediante electroforesis en gel de agarosa al 1,0% y análisis espectrofotométrico (midiendo la densidad óptica en una relación de 260/280 nm). Para que el ADN extraído se considere adecuado, la concentración debe exceder los 20 ng/μl, con una relación 260/280 nm dentro del rango de 1.8 a 2.0. La región variable 4 (V4) del gen bacteriano 16S rRNA se amplifica a través de la reacción en cadena de la polimerasa (PCR) con cebadores bacterianos/arqueales 515F/806R, incluidos los códigos de barras para la identificación de la muestra [20]. Los amplicones resultantes se purifican utilizando el kit de extracción de gel GeneJet (Thermo Scientific) y se cuantifican con un kit de ensayo QBIT DSDNA HS en un fluorómetro Qbit 2.0 (qubit). Las bibliotecas de secuenciación se preparan utilizando el kit de preparación de la biblioteca de ADN NebNext® Ultra ™ para Illumina (NEB), siguiendo el protocolo del fabricante. Las bibliotecas purificadas se cuantifican, normalizan, agrupan y luego se usan para la generación de clúster y la secuenciación en una plataforma Illumina HISEQ 2500 para producir lecturas de extremo emparejado de 250 pb.
Las lecturas de extremo emparejado se fusionan usando Flash V1.2.7 [21], y el filtrado de calidad se realiza utilizando la tubería QIIME 1.7 con scripts de Python [22]. Las secuencias quiméricas fueron eliminadas por Uchime [23]. Las lecturas procesadas (etiquetas efectivas) se agrupan en unidades taxonómicas operativas (OTU) al 97% de identidad de secuencia usando UPARSE [24], y la clasificación taxonómica se asigna en función de la base de datos Silva [25]. Para evaluar las relaciones filogenéticas de diferentes OTU, se realizan alineaciones de secuencia múltiple usando Pynast V1.2 [26] contra la base de datos Silva, y se construyó un árbol filogenético usando FastTree [27].
La diversidad alfa se estima por la riqueza de especies utilizando el índice Chao1 a nivel OTU. Se genera una curva de rarefacción seleccionando aleatoriamente un subconjunto de datos de secuenciación de cada muestra para representar el número de especies observadas, y se traza una curva de acumulación de especies para mostrar la aparición de nuevas OTU (especies) con muestreo continuo. Para la diversidad beta, las diferencias de Bray-Curtis a nivel OTU se calculan y analizan utilizando el paquete vegano [28]. El análisis de coordenadas principales (PCOA) se realiza en función de las distancias de Bray-Curtis, y los parámetros UNFRAC ponderados y no ponderados [29] se calculan a través de la tubería QIIME. La escala dimensional no métrica (NMDS) se realiza utilizando el análisis de la red de correlación ponderado (WGCNA), STAT y los paquetes GGPLOT2 en R transformando una matriz de distancia de parámetros UNFRAC ponderados y no ponderados en un nuevo conjunto de ejes ortogonales. Todos los análisis se realizan utilizando scripts R internos, a menos que se especifique lo contrario.
La composición funcional de los metagenomas se predice a partir de datos de 16S rRNA utilizando el software PicRust con scripts de Python [30]. Una tabla precomputada de números de copias de genes para cada familia de genes de genomas bacterianos y arqueales secuenciados, basado en la base de datos IMG [32], junto con un árbol filogenético de la base de datos GreenGenes [32], se usa para la predicción del contenido de genes.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Wuqi District
-
Taichung, Wuqi District, Taiwán, 435
- Tungs' Taichung Metroharbour Hospital
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Los criterios de inclusión son de entre 18 y 80 años y se diagnostican con Etapa V de ERC (que actualmente recibe tratamiento de hemodiálisis> 3 meses).
Criterios de exclusión:
- Los criterios de exclusión incluyen mujeres embarazadas o lactantes; pacientes con trasplante de riñón, infecciones graves, enfermedades cardíacas graves y enfermedades hepáticas, malignidad, trastornos autoinmunes, desnutrición severa; consumió cualquier tipo de probióticos preorados o tenía terapia con antibióticos dentro del comienzo del estudio; Síndrome del intestino irritable diagnosticado, enfermedad de Crohn o colitis ulcerosa
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
|---|
|
Pacientes con hemodiálisis
Este estudio busca explorar la asociación de la metagenómica fecal y la metabolómica dirigida en una cohorte de 60 pacientes con diferentes niveles de caracterizar la interacción compleja entre el microbioma intestinal y los metabolitos fecales y séricos.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Perfil de microbiota fecal
Periodo de tiempo: 1 años
|
La diversidad alfa, la diversidad beta y la composición funcional de los metagenomas se predice a partir de datos de 16S rRNA utilizando el software PicRust con scripts de Python
|
1 años
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Evaluación de ácidos grasos de cadena corta (SCFA) y SCFA de cadena ramificada
Periodo de tiempo: 1 años
|
Medimos los niveles séricos de acetato, propionato, butirato y valerato, junto con SCFA de cadena ramificada como el isobutirato y el isovalerado.
|
1 años
|
|
Medición de toxinas urémicas en suero
Periodo de tiempo: 1 años
|
Cuantificación de las concentraciones de sulfato de p-cresilo.
|
1 años
|
|
Medición de toxinas urémicas en suero
Periodo de tiempo: 1 años
|
Cuantificación de las concentraciones totales de sulfato de indol
|
1 años
|
|
Medición de toxinas urémicas en suero
Periodo de tiempo: 1 años
|
Cuantificación de las concentraciones de ácido de indol-3-acético
|
1 años
|
|
Medición de toxinas urémicas en suero
Periodo de tiempo: 1 años
|
Cuantificación de las concentraciones de ácido hippúrico
|
1 años
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Paik Seong Lim, PhD, Tungs' Taichung Metroharbour Hospital
Publicaciones y enlaces útiles
Publicaciones Generales
- Caporaso JG, Kuczynski J, Stombaugh J, Bittinger K, Bushman FD, Costello EK, Fierer N, Pena AG, Goodrich JK, Gordon JI, Huttley GA, Kelley ST, Knights D, Koenig JE, Ley RE, Lozupone CA, McDonald D, Muegge BD, Pirrung M, Reeder J, Sevinsky JR, Turnbaugh PJ, Walters WA, Widmann J, Yatsunenko T, Zaneveld J, Knight R. QIIME allows analysis of high-throughput community sequencing data. Nat Methods. 2010 May;7(5):335-6. doi: 10.1038/nmeth.f.303. Epub 2010 Apr 11. No abstract available.
- Caporaso JG, Lauber CL, Walters WA, Berg-Lyons D, Huntley J, Fierer N, Owens SM, Betley J, Fraser L, Bauer M, Gormley N, Gilbert JA, Smith G, Knight R. Ultra-high-throughput microbial community analysis on the Illumina HiSeq and MiSeq platforms. ISME J. 2012 Aug;6(8):1621-4. doi: 10.1038/ismej.2012.8. Epub 2012 Mar 8.
- Quast C, Pruesse E, Yilmaz P, Gerken J, Schweer T, Yarza P, Peplies J, Glockner FO. The SILVA ribosomal RNA gene database project: improved data processing and web-based tools. Nucleic Acids Res. 2013 Jan;41(Database issue):D590-6. doi: 10.1093/nar/gks1219. Epub 2012 Nov 28.
- Vaziri ND, Wong J, Pahl M, Piceno YM, Yuan J, DeSantis TZ, Ni Z, Nguyen TH, Andersen GL. Chronic kidney disease alters intestinal microbial flora. Kidney Int. 2013 Feb;83(2):308-15. doi: 10.1038/ki.2012.345. Epub 2012 Sep 19.
- Aronov PA, Luo FJ, Plummer NS, Quan Z, Holmes S, Hostetter TH, Meyer TW. Colonic contribution to uremic solutes. J Am Soc Nephrol. 2011 Sep;22(9):1769-76. doi: 10.1681/ASN.2010121220. Epub 2011 Jul 22.
- Barreto FC, Barreto DV, Liabeuf S, Meert N, Glorieux G, Temmar M, Choukroun G, Vanholder R, Massy ZA; European Uremic Toxin Work Group (EUTox). Serum indoxyl sulfate is associated with vascular disease and mortality in chronic kidney disease patients. Clin J Am Soc Nephrol. 2009 Oct;4(10):1551-8. doi: 10.2215/CJN.03980609. Epub 2009 Aug 20.
- Meyer TW, Hostetter TH. Uremia. N Engl J Med. 2007 Sep 27;357(13):1316-25. doi: 10.1056/NEJMra071313. No abstract available.
- Langille MG, Zaneveld J, Caporaso JG, McDonald D, Knights D, Reyes JA, Clemente JC, Burkepile DE, Vega Thurber RL, Knight R, Beiko RG, Huttenhower C. Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nat Biotechnol. 2013 Sep;31(9):814-21. doi: 10.1038/nbt.2676. Epub 2013 Aug 25.
- Hung SC, Kuo KL, Wu CC, Tarng DC. Indoxyl Sulfate: A Novel Cardiovascular Risk Factor in Chronic Kidney Disease. J Am Heart Assoc. 2017 Feb 7;6(2):e005022. doi: 10.1161/JAHA.116.005022. No abstract available.
- Qin J, Li R, Raes J, Arumugam M, Burgdorf KS, Manichanh C, Nielsen T, Pons N, Levenez F, Yamada T, Mende DR, Li J, Xu J, Li S, Li D, Cao J, Wang B, Liang H, Zheng H, Xie Y, Tap J, Lepage P, Bertalan M, Batto JM, Hansen T, Le Paslier D, Linneberg A, Nielsen HB, Pelletier E, Renault P, Sicheritz-Ponten T, Turner K, Zhu H, Yu C, Li S, Jian M, Zhou Y, Li Y, Zhang X, Li S, Qin N, Yang H, Wang J, Brunak S, Dore J, Guarner F, Kristiansen K, Pedersen O, Parkhill J, Weissenbach J; MetaHIT Consortium; Bork P, Ehrlich SD, Wang J. A human gut microbial gene catalogue established by metagenomic sequencing. Nature. 2010 Mar 4;464(7285):59-65. doi: 10.1038/nature08821.
- DeSantis TZ, Hugenholtz P, Larsen N, Rojas M, Brodie EL, Keller K, Huber T, Dalevi D, Hu P, Andersen GL. Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB. Appl Environ Microbiol. 2006 Jul;72(7):5069-72. doi: 10.1128/AEM.03006-05.
- Lozupone C, Lladser ME, Knights D, Stombaugh J, Knight R. UniFrac: an effective distance metric for microbial community comparison. ISME J. 2011 Feb;5(2):169-72. doi: 10.1038/ismej.2010.133. Epub 2010 Sep 9. No abstract available.
- Caporaso JG, Bittinger K, Bushman FD, DeSantis TZ, Andersen GL, Knight R. PyNAST: a flexible tool for aligning sequences to a template alignment. Bioinformatics. 2010 Jan 15;26(2):266-7. doi: 10.1093/bioinformatics/btp636. Epub 2009 Nov 13.
- Price MN, Dehal PS, Arkin AP. FastTree: computing large minimum evolution trees with profiles instead of a distance matrix. Mol Biol Evol. 2009 Jul;26(7):1641-50. doi: 10.1093/molbev/msp077. Epub 2009 Apr 17.
- Edgar RC. UPARSE: highly accurate OTU sequences from microbial amplicon reads. Nat Methods. 2013 Oct;10(10):996-8. doi: 10.1038/nmeth.2604. Epub 2013 Aug 18.
- Markowitz VM, Chen IM, Palaniappan K, Chu K, Szeto E, Grechkin Y, Ratner A, Jacob B, Huang J, Williams P, Huntemann M, Anderson I, Mavromatis K, Ivanova NN, Kyrpides NC. IMG: the Integrated Microbial Genomes database and comparative analysis system. Nucleic Acids Res. 2012 Jan;40(Database issue):D115-22. doi: 10.1093/nar/gkr1044.
- Edgar RC, Haas BJ, Clemente JC, Quince C, Knight R. UCHIME improves sensitivity and speed of chimera detection. Bioinformatics. 2011 Aug 15;27(16):2194-200. doi: 10.1093/bioinformatics/btr381. Epub 2011 Jun 23.
- Magoc T, Salzberg SL. FLASH: fast length adjustment of short reads to improve genome assemblies. Bioinformatics. 2011 Nov 1;27(21):2957-63. doi: 10.1093/bioinformatics/btr507. Epub 2011 Sep 7.
- de Loor H, Poesen R, De Leger W, Dehaen W, Augustijns P, Evenepoel P, Meijers B. A liquid chromatography - tandem mass spectrometry method to measure a selected panel of uremic retention solutes derived from endogenous and colonic microbial metabolism. Anal Chim Acta. 2016 Sep 14;936:149-56. doi: 10.1016/j.aca.2016.06.057. Epub 2016 Jul 2.
- Rukavina Mikusic NL, Kouyoumdzian NM, Choi MR. Gut microbiota and chronic kidney disease: evidences and mechanisms that mediate a new communication in the gastrointestinal-renal axis. Pflugers Arch. 2020 Mar;472(3):303-320. doi: 10.1007/s00424-020-02352-x. Epub 2020 Feb 17.
- Wang X, Yang S, Li S, Zhao L, Hao Y, Qin J, Zhang L, Zhang C, Bian W, Zuo L, Gao X, Zhu B, Lei XG, Gu Z, Cui W, Xu X, Li Z, Zhu B, Li Y, Chen S, Guo H, Zhang H, Sun J, Zhang M, Hui Y, Zhang X, Liu X, Sun B, Wang L, Qiu Q, Zhang Y, Li X, Liu W, Xue R, Wu H, Shao D, Li J, Zhou Y, Li S, Yang R, Pedersen OB, Yu Z, Ehrlich SD, Ren F. Aberrant gut microbiota alters host metabolome and impacts renal failure in humans and rodents. Gut. 2020 Dec;69(12):2131-2142. doi: 10.1136/gutjnl-2019-319766. Epub 2020 Apr 2.
- Chen YY, Chen DQ, Chen L, Liu JR, Vaziri ND, Guo Y, Zhao YY. Microbiome-metabolome reveals the contribution of gut-kidney axis on kidney disease. J Transl Med. 2019 Jan 3;17(1):5. doi: 10.1186/s12967-018-1756-4.
- Wikoff WR, Anfora AT, Liu J, Schultz PG, Lesley SA, Peters EC, Siuzdak G. Metabolomics analysis reveals large effects of gut microflora on mammalian blood metabolites. Proc Natl Acad Sci U S A. 2009 Mar 10;106(10):3698-703. doi: 10.1073/pnas.0812874106. Epub 2009 Feb 20.
- Einheber A, Carter D. The role of the microbial flora in uremia. I. Survival times of germfree, limited-flora, and conventionalized rats after bilateral nephrectomy and fasting. J Exp Med. 1966 Feb 1;123(2):239-50. doi: 10.1084/jem.123.2.239.
- Fan PC, Chang JC, Lin CN, Lee CC, Chen YT, Chu PH, Kou G, Lu YA, Yang CW, Chen YC. Serum indoxyl sulfate predicts adverse cardiovascular events in patients with chronic kidney disease. J Formos Med Assoc. 2019 Jul;118(7):1099-1106. doi: 10.1016/j.jfma.2019.03.005. Epub 2019 Mar 28.
- Li Q, Zhang S, Wu QJ, Xiao J, Wang ZH, Mu XW, Zhang Y, Wang XN, You LL, Wang SN, Song JN, Zhao XN, Wang ZZ, Yan XY, Jin YX, Jiang BW, Liu SX. Serum total indoxyl sulfate levels and all-cause and cardiovascular mortality in maintenance hemodialysis patients: a prospective cohort study. BMC Nephrol. 2022 Jun 28;23(1):231. doi: 10.1186/s12882-022-02862-z.
- Meijers B, Glorieux G, Poesen R, Bakker SJ. Nonextracorporeal methods for decreasing uremic solute concentration: a future way to go? Semin Nephrol. 2014 Mar;34(2):228-43. doi: 10.1016/j.semnephrol.2014.02.012.
- Lau WL, Savoj J, Nakata MB, Vaziri ND. Altered microbiome in chronic kidney disease: systemic effects of gut-derived uremic toxins. Clin Sci (Lond). 2018 Mar 9;132(5):509-522. doi: 10.1042/CS20171107. Print 2018 Mar 15.
- Vanholder R, De Smet R, Glorieux G, Argiles A, Baurmeister U, Brunet P, Clark W, Cohen G, De Deyn PP, Deppisch R, Descamps-Latscha B, Henle T, Jorres A, Lemke HD, Massy ZA, Passlick-Deetjen J, Rodriguez M, Stegmayr B, Stenvinkel P, Tetta C, Wanner C, Zidek W; European Uremic Toxin Work Group (EUTox). Review on uremic toxins: classification, concentration, and interindividual variability. Kidney Int. 2003 May;63(5):1934-43. doi: 10.1046/j.1523-1755.2003.00924.x.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 113097
- TTMHH-R1140050 (Otro número de subvención/financiamiento: TungsTMHH)
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
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. .