Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Ennustava A1c Perustuu CGM-tietoihin käyttäen CGM-tietoja (A1c)

sunnuntai 26. syyskuuta 2021 päivittänyt: Goran Petrovski, Sidra Medical and Research Center

A1c:n ennuste, joka perustuu CGM-tietoihin koneoppimismenetelmien soveltamisen kautta

Johdanto. Hemoglobiini A1C (HbA1c) heijastaa keskimääräistä verensokeritasoa viimeisen kahden tai kolmen kuukauden ajalta. Anturitekniikan viimeaikaiset edistysaskeleet helpottavat verensokerin päivittäistä seurantaa CGM-laitteiden avulla. CGM-tietoihin perustuvalla tulevaisuuden HbA1C-ennusteella on kriittinen merkitys diabetespotilaiden pitkän aikavälin terveyden ylläpitämisessä. Normaalia korkeampi HbA1c-arvo lisää suuresti diabetekseen liittyvien sydän- ja verisuonitautien todennäköisyyttä.

Päämäärä. Tämän tutkimuksen tavoitteena on ennustaa HbA1c etukäteen käyttämällä CGM-dataa koneoppimistekniikoiden avulla. Tämän tutkimuksen tulokset auttavat parantamaan diabeetikkojen terveyttä.

menetelmät. Tämä on retrospektiivinen analyysi. Tutkijat poistavat henkilöllisyyden ja analysoivat 120 T1D-potilasta, jotka ovat käyttäneet CGM-anturia viimeisen kolmen kuukauden ajan. Viimeisen 15 päivän CGM-tiedot analysoidaan ja erilaisia ​​glukoosin vaihteluominaisuuksia, kuten aika alueella (TIR), variaatiokerroin (CV), glykeemisen ekskursion keskiamplitudi (MAGE), päivittäisten erojen keskiarvo (MODD), jatkuva kokonaisnetto. glykeeminen vaikutus (CONGA) poistetaan. Koneoppimismalli laskee (ennustaa) HbA1c:n 2–3 kuukautta etukäteen näiden 15 päivän CGM-tietojen perusteella. Ehdotetun ennustemallin suorituskyvyn arvioimiseksi ennustettua HbA1c:tä verrataan todelliseen HbA1c:hen.

Tutkimuksen yleiskatsaus

Yksityiskohtainen kuvaus

Tämä on retrospektiivinen analyysi. Tutkijat poistavat henkilöllisyyden ja analysoivat 120 T1D-potilasta käyttämällä jatkuvaa glukoosivalvontajärjestelmää (CGM) viimeisen kolmen kuukauden aikana. Viimeisen 15 päivän CGM-tiedot analysoidaan ja erilaisia ​​glukoosin vaihteluominaisuuksia, kuten aika alueella (TIR), variaatiokerroin (CV), glykeemisen ekskursion keskiamplitudi (MAGE), päivittäisten erojen keskiarvo (MODD), jatkuva kokonaisnetto. glykeeminen vaikutus (CONGA) poistetaan. Näiden 15 päivän CGM-tietojen perusteella kehitetään koneoppimismalli ennustamaan HbA1c:tä 2–3 kuukautta etukäteen. Malli käyttää lineaarista regressiota, rangaistettua regressiota (Ridge-regressio, Lasso-regressio ja elastinen nettoregressio) yhdessä gradienttitehostuksen kanssa ennustavan A1c:n laskemiseen.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

60

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

    • Qa
      • Doha, Qa, Qatar, 26999
        • Sidra Medicine

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

2 vuotta - 18 vuotta (Lapsi, Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Potilaat, joilla on tyypin 1 diabetes ja glukoosin pikaseuranta

Kuvaus

Sisällyttämiskriteerit:

  • Tyypin 1 diabetes
  • Flash-glukoosinvalvontajärjestelmä

Poissulkemiskriteerit:

  • Alle 70 % CGM-tiedoista viimeisen 90 päivän aikana.

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Ennustavan A1c-tason ero CGM-tiedoista todellisen A1c-tason EMR:stä
Aikaikkuna: 3 kuukautta
Ero (%) ennustetun A1c:n ja laboratorion A1c:n välillä sähköisestä sairauskertomuksesta
3 kuukautta

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Tutkijat

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

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Maanantai 1. kesäkuuta 2020

Ensisijainen valmistuminen (Todellinen)

Maanantai 31. elokuuta 2020

Opintojen valmistuminen (Todellinen)

Keskiviikko 30. joulukuuta 2020

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Keskiviikko 27. maaliskuuta 2019

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Torstai 28. maaliskuuta 2019

Ensimmäinen Lähetetty (Todellinen)

Maanantai 1. huhtikuuta 2019

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Tiistai 28. syyskuuta 2021

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Sunnuntai 26. syyskuuta 2021

Viimeksi vahvistettu

Keskiviikko 1. syyskuuta 2021

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

PÄÄTTÄMÄTÖN

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Tilaa