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

Predikciós modell a diabeteses lábfekély kialakulásának kockázatára

2025. december 14. frissítette: Ulla Hellstrand Tang, Sahlgrenska University Hospital

Predikciós modell a diabéteszes lábfekély kialakulásának kockázatára

Bevezetés A diabetes mellitus (DM) lábfekélyei gyakori és súlyos szövődmények, amelyek fertőzéshez, amputációhoz és fokozott halálozáshoz vezethetnek. A magas kockázatú betegek korai azonosítása kulcsfontosságú a megelőző intézkedések időben történő bevezetéséhez. A cukorbetegségben szenvedők száma világszerte növekszik, 2021-ben 540 millióról 2045-re várhatóan 780 millióra emelkedik. A lábfekélyek jelentős szenvedést okoznak az egyén számára, és jelentős költségeket jelentnek az egészségügyi rendszer számára.

A nemzeti irányelvek ellenére, amelyek rendszeres, strukturált lábvizsgálatot és kockázatbecslést javasolnak a lábfekély kialakulásának kockázatának felmérésére, a jelenlegi kockázati modellek nem veszik figyelembe a kockázati tényezők és a társadalmi-gazdasági tényezők, mint a családi állapot, az iskolai végzettség és a lakóhely közötti összetett kölcsönhatásokat.

Az adatvezérelt fejlesztések és a mesterséges intelligencia (MI) új lehetőségeket kínálnak a kockázat azonosításának finomítására, de használatuk a diabéteszes lábfekély kockázatának előrejelzésében továbbra is korlátozott. A láb szűrésének igénye jelentős. Svédországban körülbelül 600 000 cukorbeteg beteg van, és feleük megnövekedett kockázattal él a lábak idegi károsodása miatt. Ez azt jelenti, hogy a kockázati szint alapján Svédországban körülbelül 300 000 beteg szorulhat megelőző beavatkozásokra, beleértve az orvosi lábápolást, egyedi lábbelit és a lábfekélyes betegek számára a szakellátáshoz való hozzáférést. A javított megelőző erőfeszítéseket hangsúlyozzák a lábfekély magas kockázatával élő cukorbetegek személyközpontú és integrált ellátási útján. Azonban a lábfekély kockázatának pontos azonosítása jelenleg hiányzik.

A megelőzés nemcsak az egyén jó életminőségéhez vezet, hanem csökkenti az egészségügyi költségeket is. Ragnarsson Tennvall becslései szerint egy nehezen gyógyuló fekély évente körülbelül 100 000 SEK-be kerül, míg egy amputáció körülbelül 300 000-500 000 SEK-be. Figyelembe véve a lábfekélyek 5%-os prevalenciáját a cukorbetegek között, a fekélyellátás éves költsége 3 milliárd SEK-t tesz ki. Ezen felül az amputációk költségei körülbelül 750 millió SEK-et tesznek ki, a SwedAmp minőségi nyilvántartás adatai szerint.

A tanulmány célja, hogy előrejelző modelleket (statisztikai és MI-alapú) fejlesszen, teszteljen és validáljon a lábfekély kialakulásának kockázatával élő DM-betegek azonosítására. A modellek a Västa Götaland régió (VGR) elsődleges ellátásának retrospektív elektronikus egészségügyi nyilvántartási adataira, valamint a Statisztikai Hivatal (SCB) demográfiai tényezőkre vonatkozó adataira, mint a családi állapot, az iskolai végzettség, a foglalkozás és a lakóhely, épülnek.

Módszerek A tanulmánynak két módszertani megközelítése van: MI-alapú modellezés és statisztikai modellezés.

MI-alapú megközelítés Gépi tanulási modelleket fejlesztenek a diabéteszes lábfekély kockázatával élő betegek előrejelzésére. A modelleket keresztvalidációval képezik ki egy nagy adathalmazon, ahol a változókat iteratívan kizárják. Konform előrejelzést alkalmaznak a betegszintű előrejelzések bizonytalanságának kvantifikálására. A kapott modelleket elemezik a legerősebb prediktorok azonosítására, és összehasonlítják a klasszikus statisztikai modellezéssel és az irodalmi eredményekkel.

Lépések az MI modellezésben:

Adatkinyerés: Elektronikus egészségügyi nyilvántartási adatok a VGR elsődleges ellátásából, kiegészítve az SCB társadalmi-demográfiai adataival.

Adatfeldolgozás: Diagnosztikai kódok (ICD-10), egészségügyi beavatkozások (KVÅ kódok), látogatási típusok, látogatási gyakoriság, EKG paraméterek és szabad szöveges adatok használata, többek között, prediktorok konstruálására.

Modellfejlesztés: Előrejelző modelleket fejlesztenek és keresztvalidációval képeznek ki. A bizonytalanság méréseit konform előrejelzéssel generálják.

Validálás: Egy külön kohorsz használatával tesztelik a modell teljesítményét (érzékenység, specifikitás, pozitív prediktív érték [PPV]).

Interpretáció: A modelleket áttekintik az átláthatóság és a klinikai értelmezhetőség szempontjából a betegképviselők, a klinikusok és a kutatók együttműködésében.

A statisztikai és MI-alapú modellek eredményeit összehasonlítják a saját előnyeik és gyengeségeik szempontjából.

Statisztikai modellezés Két populációt elemeznek: lábfekély nélküli cukorbetegeket és lábfekélyes cukorbetegeket. A kockázati tényezők és a lábfekélyek közötti kovarianciát és ok-okozati összefüggéseket azonosítanak. Egy modellt fejlesztenek, amely leírja a fekélykialakuláshoz vezető ok-okozati útvonalakat, és annak bizonyosságát és bizonytalanságát elemzik.

A tanulmány áttekintése

Állapot

Toborzás

Körülmények

Részletes leírás

Ebben a nyilvántartáson alapuló tanulmányban, amely a Västa Götaland régióban (VGR) található Närhälsan elektronikus egészségügyi nyilvántartási rendszeréből származó adatokat használ, valamint a Statisztikai Svéd Hivatal (SCB) adataival történő összekapcsolást, a kutatási kérdéseket mesterséges intelligencián alapuló modellek fejlesztésével és validálásával fogják megválaszolni. A folyamat későbbi szakaszában a mesterséges intelligencia modellek lábfekély előrejelzési képességét összehasonlítják a statisztikai modellekével.

A VGR-beli Närhälsan Asynja Whisp elektronikus egészségügyi nyilvántartási rendszeréből adatokat nyernek ki minden felnőtt beteg (18 év vagy annál idősebb) számára, akiknek diagnózisuk (ICD-10 szerint) vagy diabetes diagnózisuk (E10-E14) van, vagy akiknek 18 éves koruk után bármilyen diabetes gyógyszert írtak fel, a 2014-től 2025. június 30-ig terjedő időszakot lefedve.

A diagnosztikai kódok (ICD-10), eljáráskódok (KVÅ), látogatási típusok, látogatási gyakoriság, EKG paraméterek és szabad szöveg/klinikai megjegyzések között változók alapján előrejelzőket azonosítanak, mint például neuropátia, keringési zavar, korábbi fekélyek, antibiotikum kezelés, lábdeformitások és bőr állapot. Az adatokat validálják és szükség esetén kiegészítik további paraméterekkel.

Módszerek a kutatási kérdések megválaszolására

Gépi tanuláson alapuló modelleket fogunk kiképezni a lábfekély kialakulásának kockázatának előrejelzésére. Keresztvalidálást alkalmaznak az egyes modellek optimális hiperparamétereinek azonosítására. Az első fázisban a modellek képességét értékelik, hogy megkülönböztessék a diabéteszes lábfekéllyel rendelkező betegeket és a lábfekély nélküli betegeket. A második fázisban a modellek prospektív fekélykialakulás előrejelzési képességét értékelik. Redundáns változókat kizárnak, és a modelleket iteratív folyamatban újraképezik a robusztusság növelése érdekében.

A modelleket konformális előrejelzéssel kombinálják, hogy a bizonytalanság becslését integrálják az előrejelzésekbe, és azonosítsák azokat a betegeket, akikre a modell nem alkalmas előrejelzésre. Végül a leginkább előrejelző változókat Shapley-értékek (SHAP) segítségével azonosítják.

Statisztikai modellek

A VGR-beli elsődleges ellátás Asynja Whisp ellátási információs rendszeréből származó elektronikus egészségügyi nyilvántartási adatok, valamint SCB adatok és tudományos és empirikus bizonyítékok felhasználásával változókat és kategóriákat azonosítanak, amelyek potenciális kockázati tényezőket jelenthetnek a lábfekélyre. Eset-kontroll tervezetet alkalmaznak, amelyben a kontrollcsoport olyan cukorbetegekből áll, akiknek nem alakult ki lábfekélyük, összehasonlítva azokkal a betegekkel, akiknek kialakult lábfekélyük.

A statisztikai előrejelzési modellek fejlesztésében a munkafolyamat populációk elemzését foglalja magában, azaz az összes lábfekély nélküli cukorbeteg beteg összehasonlítását az összes lábfekéllyel rendelkező cukorbeteg beteggel. Ez lehetővé teszi a diabéteszes betegeknél előforduló lábfekélyek és egyéb tényezők közötti potenciális összefüggések vizsgálatát. Az orvosi szakma együttműködésével a lábfekélyek előfordulásának mögöttes ok-okozati összefüggéseit azonosítják. Kifejlesztenek egy modellt, amely leírja a diabéteszes betegeknél előforduló lábfekélyek kialakulásához vezető ok-okozati láncokat, és információt szolgáltatnak a modell bizonyossági fokáról.

A modellek (mind az AI által generált, mind a statisztikai) eredményei alapján összehasonlítják az egyes megközelítések erősségeit és gyengeségeit. A fejlesztett modellek validálását független adathalmazon végezzük el, hogy biztosítsuk az eredmények általánosíthatóságát és időbeli robusztusságát.

A validációs stratégia biztosítja, hogy a modell jól működjön új betegeken, és nem csak azon az adathalmazon, amelyből fejlesztették. A validáció eredménymutatói közé tartozik az érzékenység (mennyire jól azonosítja a modell azokat, akik valóban magas lábfekély kockázattal rendelkeznek), a specifikusság (mennyire kerüli el a modell a hamis riasztásokat) és a pozitív prediktív érték (PPV). Továbbá értelmezik a modellt, hogy biztosítsák az átláthatóságot és a klinikai értelmezhetőséget. A fejlesztést, tesztelést és validálást betegképviselők, klinikusok és kutatók együttműködésében végezzük.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

100000

Kapcsolatok és helyek

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

Tanulmányi kapcsolat

  • Név: Ulla Hellstrand Tang, Associate Professor
  • Telefonszám: +46706397913
  • E-mail: ulla.tang@vgregion.se

Tanulmányozza a kapcsolattartók biztonsági mentését

Tanulmányi helyek

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

Nem

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

A vizsgálati populáció minden jogosult felnőtt beteget magában foglal, aki Region Västra Götaland (VGR) területén elsődleges ellátásban részesül. Az adatok az Assynja Whisp rendszerből kerülnek kinyerésre, amelyet a Närhälsan, a VGR nyilvános elsődleges ellátója használ elektronikus egészségügyi nyilvántartási rendszerként. Az adathalmaz információkat tartalmaz minden olyan betegről, aki megfelel a bevonási kritériumoknak és a vizsgálati időszak alatt regisztrálva volt a rendszerben. A kinyert adatok rutinszerűen gyűjtött klinikai, diagnosztikai és receptinformációkat foglalnak magukban, lehetővé téve átfogó populáció-alapú elemzéseket.

Leírás

Bevételi kritériumok:

  • Felnőtt betegek, akik a bevétel időpontjában 18 évesek vagy idősebbek
  • E10-E14 ICD-10 kódok szerint cukorbetegséggel diagnosztizált betegek, és/vagy
  • Betegek, akiknek 18 éves kor után legalább egy cukorbetegséggel kapcsolatos gyógyszert írtak fel
  • Betegek, akiknek releváns diagnózisai és/vagy felírásai szerepelnek a tanulmány adatforrásaiban 2014. január 1. és 2025. június 30. között

Kizárási kritériumok:

  • Betegek, akik a cukorbetegség diagnózisának vagy felírásának időpontjában 18 évnél fiatalabbak
  • Betegek, akiknek nincs rögzített cukorbetegség diagnózisa (ICD-10 E10-E14) és nem írtak fel nekik cukorbetegség gyógyszert 18 éves kor után
  • Betegek, akiknél hiányzik vagy hiányos a modellfejlesztéshez vagy validáláshoz szükséges kulcsfontosságú adat (pl. hiányzó kimenetel vagy alapvető kovariánsok)

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
Diabéteszes betegek lábfekélyekkel
A Region Västra Götaland elsődleges ellátásában lévő, az elektronikus egészségügyi nyilvántartási rendszerbe bejegyzett, diabéteszben szenvedő és lábfekélyes betegek.
Diabeteses betegek lábfekély nélkül
Vásztragötaland régióbeli alapellátásban, az elektronikus orvosi nyilvántartási rendszerbe bejegyzett, lábfekély nélküli cukorbetegek.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A gépi tanuláson alapuló predikciós modellek teljesítménye a diabéteszes lábfekély kockázatára
Időkeret: A tanulmány kezdetétől 2027-12-31-ig

A fő eredmény a cukorbetegségben szenvedő betegeknél a diabéteszes lábfekély kockázatának becslésére kifejlesztett gépi tanuláson alapuló modellek prediktív teljesítménye. A modelleket felügyelt gépi tanulási technikákkal fogják betanítani, az optimális hiperparamétereket keresztvalidációval azonosítva.

A kezdeti értékelési fázisban a modell teljesítményét az értékelik, hogy képes-e megkülönböztetni a meglévő diabéteszes lábfekélyekkel rendelkező és azok nélküli betegeket. Egy későbbi fázisban a modellek prospektív előrejelzési képességét értékelik majd a diabéteszes lábfekélyek kialakulására vonatkozóan a követés során.

A modell robusztusságát iteratív folyamattal javítják, amelyben a redundáns változókat kizárják és a modelleket újratanítják. A prediktív teljesítményt bevált metrikákkal kvantifikálják, mint például a diszkrimináció, a kalibráció és az osztályozási pontosság.

Az egyedi előrejelzések bizonytalanságának figyelembevételéhez a végső modelleket Konformális Predikció módszerrel kombinálják

A tanulmány kezdetétől 2027-12-31-ig

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A diabéteszes láb fekély kialakulásának kockázati tényezőinek azonosítása és értelmezése
Időkeret: A tanulmány kezdetétől 2027-12-31-ig

A másodlagos kimenetel a klinikai, demográfiai és szocioökonómiai változók azonosítása és validálása, amelyek potenciális kockázati tényezők lehetnek a diabéteszes lábfekély kialakulásában cukorbetegek esetében. A változókat és kockázati tényező kategóriákat az Assynja Whisp elsődleges ellátási információs rendszer elektronikus egészségügyi nyilvántartási adatai alapján azonosítjuk a Västra Götaland régióból, amelyek összekapcsolásra kerülnek a Statisztikai Hivatal (SCB) nemzeti nyilvántartási adataival, valamint megalapozott tudományos és empirikus bizonyítékokkal.

Eset-kontroll vizsgálati tervezetet alkalmazunk, amelyben a diabéteszes lábfekélyt kialakító cukorbetegeket összehasonlítjuk egy olyan kontrollcsoporttal, amelyben a cukorbetegek nem fejlesztenek ki lábfekélyt. Populációs szintű elemzéseket végezünk annak vizsgálatára, hogy milyen kapcsolat és együttmozgás áll fenn a diabéteszes lábfekély előfordulása és más releváns tényezők között.

A tanulmány kezdetétől 2027-12-31-ig

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Nyomozók

  • Kutatásvezető: Ulla Hellstrand Tang, Associate Professor, The Department of Prosthetics & Orthotics at the Department for Biomedical Engineering and Medical Physics at Sahlgrenska University Hospital, Gothenburg, Sweden

Publikációk és hasznos linkek

A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.

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)

2014. január 30.

Elsődleges befejezés (Becsült)

2027. december 30.

A tanulmány befejezése (Becsült)

2027. december 30.

Tanulmányi regisztráció dátumai

Először benyújtva

2025. december 14.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2025. december 14.

Első közzététel (Tényleges)

2025. december 29.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2025. december 29.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2025. december 14.

Utolsó ellenőrzés

2025. december 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

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. .

Iratkozz fel