- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT07502690
Validation de la photopléthysmographie à distance pour l'estimation non invasive de la glycémie et de l'HbA1c
Validation de la photopléthysmographie à distance pour l'estimation non invasive de la glycémie et de l'HbA1c dans une population communautaire à Jakarta
L'objectif de cette étude observationnelle est d'évaluer si une technologie de scan facial non invasive utilisant la photopléthysmographie à distance (rPPG) peut estimer avec précision la glycémie et les taux d'HbA1c chez les adultes vivant en communauté à Jakarta. L'étude se concentre sur les adultes âgés de 18 ans et plus, y compris les personnes avec ou sans diabète.
Les principales questions auxquelles elle cherche à répondre sont :
- Les estimations de la glycémie et de l'HbA1c par scan facial basé sur la rPPG peuvent-elles correspondre aux résultats des tests sanguins de laboratoire standard ?
- Dans quelle mesure la rPPG peut-elle identifier les personnes présentant une glycémie élevée ou un risque de diabète sur la base des valeurs seuils cliniques établies ?
Les chercheurs compareront les résultats du scan facial par rPPG avec les mesures de laboratoire standard de la glycémie à jeun et de l'HbA1c pour déterminer la précision et la fiabilité de cette technologie à des fins de dépistage.
Les participants devront :
- Fournir des informations de base telles que l'âge, le sexe et les antécédents médicaux
- Subir un scan facial non invasif à l'aide d'un système basé sur smartphone
- Faire prélever un échantillon de sang pour mesurer la glycémie à jeun et l'HbA1c
- Terminer toutes les évaluations lors d'une seule visite d'étude
Cette étude vise à déterminer si la rPPG peut servir d'outil simple, non invasif et accessible pour la détection précoce et la surveillance du diabète dans les milieux communautaires.
Aperçu de l'étude
Statut
Description détaillée
Introduction Le diabète sucré de type 2 (DT2) représente un fardeau majeur pour la santé mondiale, caractérisé par une hyperglycémie chronique et des complications associées. Les méthodes de surveillance standard, telles que la glycémie à jeun et l'hémoglobine glyquée (HbA1c), reposent sur un prélèvement sanguin invasif et l'accès à des installations de laboratoire, ce qui peut réduire l'observance des patients et limiter la détection précoce. La photopléthysmographie à distance (rPPG), une technique optique sans contact utilisant l'analyse vidéo du visage, est apparue comme une alternative prometteuse pour estimer les paramètres physiologiques et métaboliques. Cependant, les preuves concernant sa validité dans l'évaluation des marqueurs glycémiques restent limitées.
Objectif Cette étude vise à évaluer la validité et les performances diagnostiques de la technologie de scan facial basée sur la rPPG pour estimer les niveaux de glycémie et d'HbA1c par rapport aux mesures de laboratoire standard.
Méthodes Cette étude utilise un plan d'observation analytique avec une approche de validation diagnostique transversale menée à Kelurahan Semanan, Jakarta. Un total de 150 à 300 participants adultes sera recruté en utilisant une méthode d'échantillonnage communautaire. Chaque participant subira un prélèvement sanguin veineux pour la mesure en laboratoire de la glycémie à jeun et de l'HbA1c, ainsi qu'un scan facial rPPG sans contact utilisant un système basé sur smartphone. La concordance entre les méthodes sera évaluée à l'aide de l'analyse de Bland-Altman, tandis que l'analyse de corrélation (Pearson/Spearman) évaluera la force de l'association. Les performances diagnostiques, y compris la sensibilité et la spécificité, seront calculées en utilisant des seuils cliniques (≥126 mg/dL pour le glucose et ≥6,5 % pour l'HbA1c).
Résultats attendus Il est attendu que les estimations dérivées de la rPPG démontrent une corrélation modérée à bonne avec les mesures de laboratoire, avec une concordance acceptable à des fins de dépistage. On anticipe que la technologie montrera des performances diagnostiques raisonnables pour identifier les individus à risque glycémique élevé. Ces résultats pourraient soutenir la faisabilité de la rPPG en tant qu'outil de dépistage non invasif et accessible pour la surveillance du diabète dans les contextes communautaires.
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: Ernawati Ernawati, Dr.
- E-mail: ernawati@fk.untar.ac.id
Sauvegarde des contacts de l'étude
- Nom: Alexander Halim Santoso
- Numéro de téléphone: +6281381606869
- E-mail: alexanders@fk.untar.ac.id
Lieux d'étude
-
-
Jakarta Special Capital Region
-
Jakarta, Jakarta Special Capital Region, Indonésie
- Kelurahan Semanan
-
Contact:
- Wenny Sanwani
- Numéro de téléphone: +6281585013412
- E-mail: wenny.sanwani@gmail.com
-
Contact:
- Hanna Wijaya
- Numéro de téléphone: +6281223787878
- E-mail: hannwijaya@yahoo.com
-
Chercheur principal:
- Ernawati Ernawati
-
Sous-enquêteur:
- Enny Irawaty
-
Sous-enquêteur:
- Zita Atzmardina
-
Chercheur principal:
- Alexander Halim Santoso
-
Sous-enquêteur:
- Wikrama Lokapradhana
-
Sous-enquêteur:
- Amita Pradhani
-
Sous-enquêteur:
- William Kuswandi
-
Sous-enquêteur:
- Diana Dinali
-
Sous-enquêteur:
- Muhammad Fikri Dzakwan
-
Sous-enquêteur:
- Clement Drew
-
Sous-enquêteur:
- Silviana Tirtasari
-
Sous-enquêteur:
- Triyana Sari
-
Chercheur principal:
- Yohanes Firmansyah
-
Chercheur principal:
- David Wongso
-
Sous-enquêteur:
- Steve Geraldo Bustam
-
Sous-enquêteur:
- Bryan Anna Wijaya
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
Les participants seront recrutés par le biais d'activités de santé communautaires et de services de soins primaires.
La population comprend à la fois des personnes avec et sans diagnostic antérieur de diabète de type 2, représentant une population adulte générale pour le dépistage glycémique.
Les participants éligibles doivent pouvoir subir à la fois une analyse faciale non invasive par photopléthysmographie à distance (rPPG) et des tests sanguins de laboratoire standard.
Les personnes présentant des affections faciales interférant avec la détection du signal, une incapacité à rester immobiles pendant l'analyse ou des données incomplètes seront exclues.
La description
Critères d'inclusion :
- Adultes âgés de ≥ 18 ans
- Disposés à participer et à donner leur consentement éclairé
- Capables de subir un scan facial et un examen sanguin
- État clinique stable
Critères d'exclusion :
- Affections faciales interférant avec le signal rPPG (par ex., plaies, déformations)
- Utilisation de couvre-visages obstruant la détection par caméra
- Incapacité à rester immobile pendant le scan facial
- Données incomplètes ou retrait de l'étude
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
|---|
|
Adultes de la communauté subissant une évaluation glycémique par rPPG et en laboratoire
Cette cohorte inclut des adultes âgés de ≥18 ans provenant d'une population communautaire à Jakarta qui subissent à la fois un balayage facial non invasif par photopléthysmographie à distance (rPPG) et des tests de laboratoire standard.
Les participants recevront un balayage facial via smartphone pour estimer les taux de glycémie et d'HbA1c, suivi d'un prélèvement sanguin veineux pour la mesure de la glycémie à jeun et de l'HbA1c en utilisant des méthodes de laboratoire standard.
Aucune intervention thérapeutique n'est administrée, car il s'agit d'une étude de validation diagnostique comparant les estimations dérivées du rPPG avec les valeurs de référence de laboratoire.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Accord entre la glycémie dérivée de la rPPG et la glycémie de laboratoire
Délai: Évaluation unique au départ (pendant la visite d'étude)
|
Évaluation de l'accord entre les valeurs de glycémie obtenues par balayage facial de photopléthysmographie à distance (rPPG) et les mesures de glycémie à jeun en laboratoire standard à l'aide de l'analyse de Bland-Altman, incluant le biais moyen et les limites d'accord.
|
Évaluation unique au départ (pendant la visite d'étude)
|
|
Accord entre la HbA1c dérivée de la rPPG et celle de laboratoire
Délai: Évaluation unique au départ (lors de la visite d'étude)
|
Évaluation de l'accord entre les valeurs de HbA1c estimées à l'aide d'un scan facial rPPG et les mesures de HbA1c en laboratoire en utilisant l'analyse de Bland-Altman, incluant le biais et les limites d'accord.
|
Évaluation unique au départ (lors de la visite d'étude)
|
|
Corrélation et validation des estimations rPPG avec la glycémie de laboratoire et l'HbA1c
Délai: Évaluation unique au départ (pendant la visite d'étude)
|
Mesure de la force d'association entre les valeurs de glycémie et d'HbA1c dérivées par rPPG et mesurées en laboratoire à l'aide des coefficients de corrélation de Pearson ou de Spearman (Bland Altman)
|
Évaluation unique au départ (pendant la visite d'étude)
|
|
Performance Diagnostique du rPPG pour la Détection de l'Hyperglycémie et du Risque de Diabète
Délai: Évaluation unique à l'inclusion (lors de la visite d'étude)
|
Évaluation de la sensibilité, de la spécificité et de l'exactitude de la glycémie dérivée par rPPG (≥126 mg/dL) et de l'HbA1c (≥6,5 %) dans l'identification des individus présentant des niveaux glycémiques élevés par rapport aux normes de référence de laboratoire.
|
Évaluation unique à l'inclusion (lors de la visite d'étude)
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Chercheur principal: Yohanes Firmansyah, MD, Klinik Citra Semanan
- Directeur d'études: David Wongso, DexWellness
- Chercheur principal: Ernawati Ernawati, Universitas Tarumanagara
- Directeur d'études: Alexander Halim Santoso, Universitas Tarumanagara
- Directeur d'études: Ratheesh Nair, Watch Your Health
- Chaise d'étude: Sri Tiarti, Universitas Tarumanagara
- Chaise d'étude: Noer Saelan Tadjudin, Universitas Tarumanagara
- Chaise d'étude: Putu Tommy Yudha Sumatera Suyasa, Universitas Tarumanagara
- Directeur d'études: Kieren Nathan Wong, Monash University
- Directeur d'études: Jaydee Kirani Wong, Melbourne University
- Chaise d'étude: Meiske Yunithree Suparman, Universitas Tarumanagara
Publications et liens utiles
Publications générales
- Zeynali M, Alipour K, Tarvirdizadeh B, Ghamari M. Non-invasive blood glucose monitoring using PPG signals with various deep learning models and implementation using TinyML. Sci Rep. 2025 Jan 2;15(1):581. doi: 10.1038/s41598-024-84265-8.
- Zanelli S, Ammi M, Hallab M, El Yacoubi MA. Diabetes Detection and Management through Photoplethysmographic and Electrocardiographic Signals Analysis: A Systematic Review. Sensors (Basel). 2022 Jun 29;22(13):4890. doi: 10.3390/s22134890.
- Shi B, Dhaliwal SS, Soo M, Chan C, Wong J, Lam NWC, Zhou E, Paitimusa V, Loke KY, Chin J, Chua MT, Liaw KCS, Lim AWH, Insyirah FF, Yen SC, Tay A, Ang SB. Assessing Elevated Blood Glucose Levels Through Blood Glucose Evaluation and Monitoring Using Machine Learning and Wearable Photoplethysmography Sensors: Algorithm Development and Validation. JMIR AI. 2023 Oct 27;2:e48340. doi: 10.2196/48340.
- Santillan A, Travez Proano EI, Jaramillo Encalada IN, Abril Lopez PA, Tricallotis J, Acosta-Espana JD. Structured telemonitoring reduces HbA1c and emergency visits in insulin-treated type 2 diabetes: a controlled cohort study in Ecuador's public hospital. Front Clin Diabetes Healthc. 2026 Feb 9;7:1734589. doi: 10.3389/fcdhc.2026.1734589. eCollection 2026.
- Qawqzeh YK, Bajahzar AS, Jemmali M, Otoom MM, Thaljaoui A. Classification of Diabetes Using Photoplethysmogram (PPG) Waveform Analysis: Logistic Regression Modeling. Biomed Res Int. 2020 Aug 11;2020:3764653. doi: 10.1155/2020/3764653. eCollection 2020.
- Kwon TH, Kim KD. Machine-Learning-Based Noninvasive In Vivo Estimation of HbA1c Using Photoplethysmography Signals. Sensors (Basel). 2022 Apr 12;22(8):2963. doi: 10.3390/s22082963.
- Farenden E, Kelly J, Russell A, Menon A. Remote Monitoring for Type 2 Diabetes: What Do Patients, Healthcare Professionals, and Executives Think? Stud Health Technol Inform. 2024 Jan 25;310:1526-1527. doi: 10.3233/SHTI231276.
- Chu J, Yang WT, Lu WR, Chang YT, Hsieh TH, Yang FL. 90% Accuracy for Photoplethysmography-Based Non-Invasive Blood Glucose Prediction by Deep Learning with Cohort Arrangement and Quarterly Measured HbA1c. Sensors (Basel). 2021 Nov 24;21(23):7815. doi: 10.3390/s21237815.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Estimé)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 20260324
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Délai de partage IPD
Critères d'accès au partage IPD
Type d'informations de prise en charge du partage d'IPD
- PROTOCOLE D'ÉTUDE
- SÈVE
- CIF
- ANALYTIC_CODE
- RSE
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .