Machine-learning Algorithm for Prediction of CKD From Retinal Images (healthy route)
A Validation Study to Assess Performance Accuracy of a Machine-Learning Algorithm for the Prediction of Chronic Kidney Disease (CKD) From Digital Retinal Images
This is a non-interventional study being conducted to validate the performance of a machine learning algorithm for prediction of eGFR from digital retinal images in a target population for future intended use as a populated-based screening tool. Secondary objectives will include prediction of blood pressure (> or ≤ 140/90 mmHg) and presence or absence of T2DM as determined by glycated haemoglobin (HbA1c >6.5%) or on the basis of clinical history. Once validated, the methodology will be deployed for health screening to improve access to healthcare.
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Intervento / Trattamento
Intervento / Trattamento
Tipo di studio
Tipo di studio
Iscrizione (Stimato)
Iscrizione
Contatti e Sedi
Contatto studio
Contatto studio
- Nome: Mohamed Khalis, Professor
- Numero di telefono: +212 628-245023
- Email: mkhalis@um6ss.ma
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
The study population consists of adult patients diagnosed with chronic kidney disease (CKD), hypertension, diabetes mellitus, or without these conditions, attending routine outpatient clinics at Hôpital Universitaire International Cheikh Khalifa Ibn Zaid in Casablanca and Centre Hospitalier Universitaire Hassan II in Fez, Morocco.
Descrizione
Inclusion Criteria
Participants are eligible to be included in the study only if all of the following criteria apply:
- Participant must be ≥ 18 years of age, at the time of signing the informed consent.
- Previously documented eGFR ≥ 3months
- Any participant with a positive dipstick result for proteinuria of at least trace
- Capable of giving signed informed consent as described in Appendix A which includes compliance with the requirements and restrictions listed in the informed consent form and in this protocol
Exclusion Criteria:
-
Participants are excluded from the study if any of the following criteria apply:
- As judged by the investigator, any evidence of a condition which in the investigator's opinion makes it undesirable for the participant to participate in the study.
- Any known eye condition that may preclude clear imaging of the retina for example; cataracts
- Individuals with hypertensive emergencies and hyperglycemic or hypoglycemic emergencies
- Involvement in the planning and/or conduct of the study (applies to HHA/ AstraZeneca staff and/or staff at the study site).
- Judgment by the investigator that the participant should not participate in the study if the participant is unlikely to comply with study procedures, restrictions and requirements.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: CASE_CONTROL
- Prospettive temporali: CROSS_SECTIONAL
Numero di gruppi/coorti
Coorti e interventi
Gruppo / CoorteGruppo / Coorte |
Intervento / TrattamentoIntervento / Trattamento |
|---|---|
|
CKD Cases
350 participants (cases) with diabetes and/or hypertension and/or CKD with previously documented eGFR < 60 ml/min/1.73m2 ≥3 months |
A machine learning-based algorithm analyzes retinal images to assess its ability to detect chronic kidney disease |
|
Controls
150 (controls) with previously documented eGFR ≥ 60 ml/min/1.73m2 ≥ 3 months |
A machine learning-based algorithm analyzes retinal images to assess its ability to detect chronic kidney disease |
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
The accuracy of a machine-learning based algorithm to predict high risk CKD from digital retinal images
Lasso di tempo: Baseline
|
To quantify the discrimination of the machine-learning algorithm for identifying the binary target condition of persistent eGFR <60 mL/min/1.73 m², using standard-of-care serum creatinine as the reference standard and the AUROC with a 95% confidence interval as the primary performance measure |
Baseline
|
Misure di risultato secondarie
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Accuracy of the Machine Learning Algorithm for Detection of Hypertension and T2DM
Lasso di tempo: Baseline
|
To quantify the sensitivity, specificity, and discriminative performance of a machine-learning-based algorithm for identifying SBP >140 mmHg from digital retinal images, using standard-of-care assessment as the reference standard and the AUROC with a 95% confidence interval as the primary performance measure |
Baseline
|
Collaboratori e investigatori
Sponsor
Sponsor
Collaboratori
Collaboratori
Studiare le date dei record
Studia le date principali
Inizio studio (Stimato)
Inizio studio
Completamento primario (Stimato)
Completamento primario
Completamento dello studio (Stimato)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
- Malattie urogenitali
- Malattie del sistema endocrino
- Malattie vascolari
- Malattia cardiovascolare
- Processi patologici
- Malattie urogenitali maschili
- Malattie renali
- Malattie urologiche
- Malattie urogenitali femminili
- Malattie urogenitali femminili e complicanze della gravidanza
- Malattia cronica
- Attributi della malattia
- Malattie metaboliche
- Disturbi del metabolismo del glucosio
- Diabete mellito
- Insufficienza renale
- Condizioni patologiche, segni e sintomi
- Malattie nutrizionali e metaboliche
- Ipertensione
- Diabete mellito, tipo 2
- Insufficienza renale cronica
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- CKD-AI-2026-07
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .