Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

A gépi tanulási módszereket használó MAFLD diagnosztikai biomarkereinek potenciális értéke és hatása

Ez egy eset-kontroll vizsgálat, amelynek célja, hogy gépi tanuláson alapuló prediktív modellt hozzon létre a MAFLD számára.

A tanulmány áttekintése

Állapot

Aktív, nem toborzó

Részletes leírás

A metabolikus diszfunkcióval összefüggő zsírmájbetegség (MAFLD), más néven nem alkoholos zsírmájbetegség (NAFLD), az egyik legelterjedtebb májbetegség világszerte, magas prevalenciával és gazdasági terhekkel, amely a világ felnőtt lakosságának 25%-át érinti. A MAFLD belső patofiziológiájának megértésére irányuló kiterjedt kutatás ellenére továbbra is növekszik jóváhagyó terápia nélkül. Ezért a megelőző intézkedések különösen fontosak a MAFLD diagnosztizálásában. Eddig a májbiopszia a MAFLD diagnosztizálásának arany standardja, azonban figyelembe véve az invazív folyamatot és a lehetséges kockázatokat, még mindig alacsony az elfogadottsága a tünetmentes betegek számára, ezért non-invazív módszerekre van szükség.

A tanulmány célja egy olyan előrejelzési modell felállítása a MAFLD-betegek azonosítására, amely pontosan meg tudja jósolni, hogy a résztvevők MAFLD-vel rendelkeznek-e a résztvevők releváns metabolikus mutatói alapján, anélkül, hogy invazív vizsgálatokra, például szövetbiopsziára lenne szükség.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

500

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

    • Zhejiang
      • Hangzhou, Zhejiang, Kína, 310003
        • The First Clinical Medical College of Zhejiang Chinese Medical University

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Igen

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

A 18 éves vagy idősebb kínai résztvevők képalkotó vizsgálata során MAFLD-vel diagnosztizáltak, egészséges önkénteseknél pedig MAFLD nélkül.

Leírás

Bevételi kritériumok:

  1. 18 és 75 év közöttiek;
  2. megfelel a MAFLD diagnosztikai kritériumainak;
  3. a képalkotó vizsgálat során egyéb szerves elváltozást nem találtak;
  4. hajlandó és képes aláírni a tájékozott beleegyezést.

Kizárási kritériumok:

  1. jelentős alkoholfogyasztás (heti alkoholfogyasztás ≥ 140 g férfiaknál, vagy heti alkoholfogyasztás ≥ 70 g nőknél);
  2. májzsugorodásra, vírusos hepatitisre, májrákra, gyógyszer okozta májkárosodásra, májcirrózisra és más máj- és epeúti betegségekre utaló bizonyítékok jelenléte;
  3. súlyos szervi működési zavarok, súlyos szisztémás betegségek, mentális egészségügyi problémák vagy a vizsgálat befejezésének képtelensége;
  4. terhes vagy terhességet tervező nő;
  5. fontos klinikai adatok hiányoznak.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
esetcsoport
MAFLD betegek
ellenőrző csoport
egészségügyi emberek

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Kúra alatti terület
Időkeret: 2022-2024
A térhálósodás alatti területet (AUC) a vevő működési jelleggörbéje alatti koordinátatengely által körülhatárolt területként határoztuk meg, 0,5 és 1,0 közötti értékekkel. Minél közelebb van az AUC értéke 1,0, annál hitelesebb a kimutatási módszer; minél közelebb van a 0,5-hez, annál alacsonyabb az észlelési módszer hitelessége; ha 0,5, akkor a hitelesség a legalacsonyabb, és nincs alkalmazási értéke.
2022-2024

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Pontosság
Időkeret: 2022-2024
A helyesen osztályozott minták számának az összes mintaszámhoz viszonyított aránya.
2022-2024
Pontosság
Időkeret: 2022-2024
A ténylegesen pozitív adatok aránya a pozitívnak ítélt adatok között.
2022-2024

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2023. június 1.

Elsődleges befejezés (Becsült)

2024. június 30.

A tanulmány befejezése (Becsült)

2024. december 31.

Tanulmányi regisztráció dátumai

Először benyújtva

2023. szeptember 25.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2023. szeptember 25.

Első közzététel (Tényleges)

2023. szeptember 29.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2023. szeptember 29.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2023. szeptember 25.

Utolsó ellenőrzés

2023. szeptember 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • 2021-KL-202-01

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

3
Iratkozz fel