- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT05345106
Interrelazioni tra glucosio, cervello, microbiota intestinale e microRNA (IRONmiRNA). (IRONmiRNA)
Interrelazioni tra riserve di ferro, metagenoma intestinale, livelli di glucosio e diversi domini cognitivi: il ruolo dei microRNA circolanti (studio IRONmiRNA).
Il cervello è un bersaglio riconosciuto della deposizione di ferro. Questo processo è potenziato dalla presenza di obesità e iperglicemia e ha un impatto sulle funzioni cognitive. Esistono prove che suggeriscono che la composizione del microbiota intestinale modula questo processo. È stato proposto che i microRNA siano mediatori nel dialogo tra la composizione e la funzionalità del microbiota intestinale e l’aumento della deposizione di ferro nel cervello.
L’ipotesi è che i microRNA circolanti siano associati a parametri di disfunzione cognitiva, microbiota intestinale, contenuto di ferro nel cervello, livelli di glucosio e attività fisica in soggetti con e senza obesità.
Lo studio comprende sia un disegno trasversale (confronto di soggetti con e senza obesità) che un disegno longitudinale (valutazione un anno dopo la perdita di peso indotta dalla chirurgia bariatrica o dalla dieta in pazienti con obesità) per valutare le associazioni tra microRNA circolanti, glucosio continuo monitoraggio, il contenuto di ferro nel cervello (mediante risonanza magnetica), la funzione cognitiva (mediante test cognitivi), l’attività fisica (misurata mediante dispositivo di monitoraggio dell’attività e del sonno) e la composizione del microbiota, valutata mediante metagenomica.
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Materie e metodi:
A. Studio trasversale:
I pazienti con obesità precedentemente inseriti nel Servizio di Endocrinologia, Diabete e Nutrizione (UDEN) dell'Ospedale "Dr. Josep Trueta" di Girona (Spagna) sarà reclutato e studiato. Anche i soggetti senza obesità verranno reclutati tramite annuncio pubblico.
Verrà inserito un sensore glicemico per dieci giorni, nonché un dispositivo di monitoraggio dell'attività e del sonno (Fitbit) per registrare l'attività fisica durante questo periodo di tempo. Le concentrazioni di glucosio sottocutaneo interstiziale saranno monitorate in regime ambulatoriale per un periodo di 10 giorni consecutivi utilizzando un sensore di glucosio convalidato dalla Food and Drug Administration (Dexcom G6 ®). Il sensore verrà inserito il giorno 0 e verrà ritirato il giorno 10 a metà mattinata.
Le registrazioni della glicemia saranno valutate preferibilmente nei giorni dal 2 al 9 per evitare la distorsione causata dall'inserimento e dalla rimozione del sensore, che impedisce una sufficiente stabilizzazione del sistema di monitoraggio. Il profilo glicemico caratteristico di ciascun paziente sarà calcolato in media dai profili ottenuti nei giorni dal 2 al 9.
Alla fine della settimana verrà effettuata una risonanza magnetica per valutare il contenuto di ferro nel cervello e parametri di "Diffusion Tensor Imaging" in diversi territori cerebrali.
Verranno effettuati test cognitivi e verranno raccolte feci e urine per lo studio del microbiota. Inoltre, verranno raccolti campioni di sangue per l'estrazione e la purificazione dell'RNA circolante e quindi la retrotrascrizione dei miRNA circolanti e la preamplificazione.
Il progetto sarà condotto in soggetti con obesità (20 uomini, 20 donne in premenopausa e 20 donne in postmenopausa, indice di massa corporea (BMI) > = 30 kg/m2) e soggetti senza obesità, simili per età, sesso e stato menopausale ( 20 uomini, 20 donne in premenopausa e 20 donne in postmenopausa, BMI <30 kg/m2).
B. Studio longitudinale:
Dopo un anno di follow-up, in cui i soggetti con obesità verranno sottoposti a trattamento convenzionale (dieta ipocalorica e consigli di attività fisica) o intervento di chirurgia bariatrica per la perdita di peso, verrà effettuata una seconda visita.
Per confronto, verrà ripetuto lo stesso protocollo dello studio trasversale. Vedi le informazioni sopra.
RACCOLTA DATI DI SOGGETTI DI STUDI TRASVERSALI E LONGITUDINALI:
- Dati sussidiari: età, sesso e data di nascita.
Variabili cliniche:
- Peso
- altezza,
- indice di massa corporea
- perimetri della vita e dei fianchi
- rapporto vita-fianchi
- pressione arteriosa (sistolica e diastolica)
- massa grassa e massa magra (impedenza bioelettrica e DEXA)
- stato di fumatore
- assunzione di alcol
- registro dei medicinali abituali
- storia personale di trasfusioni e/o donazioni di sangue
- una storia familiare di obesità, eventi cardiovascolari e diabete
- storia di disturbi psichiatrici e alimentari.
Variabili di laboratorio: 15cc di sangue verranno estratti da soggetti a digiuno per determinare le seguenti variabili utilizzando le consuete tecniche di routine del laboratorio clinico:
- emogramma
- glucosio
- bilirubina
- aspartato aminotransferasi (AST/GOT)
- alanina aminotransferasi (ALT/GPT)
- gamma-glutamil transpeptidasi (GGT)
- urea
- creatinina
- acido urico
- proteine totali,
- albumina
- colesterolo totale | Colesterolo HDL | colesterolo LDL
- trigliceridi,
- emoglobina glicata (HbA1c)
- ferritina | recettore solubile della transferrina
- proteina C reattiva ultrasensibile
- velocità di sedimentazione eritrocitaria
- proteina legante il lipopolisaccaride
- tiroxina libera (T4 libera) | ormone stimolante la tiroide (TSH) | cortisolo-insulina plasmatica basale
- marcatori di infiammazione | interleuchina 6 (IL-6). Verranno estratti ulteriori 15 cc di sangue (plasma-EDTA) per ulteriori analisi.
Raccolta campioni di feci: verrà fornito un campione di feci per ciascun paziente. Il campione deve essere raccolto a casa o in ospedale, inviato al laboratorio entro 4 ore dalla raccolta, frammentato e conservato a -80ºC.
Analisi del microbiota intestinale nelle feci:
*Determinazione del DNA e dell'mRNA batterico e studio della proteina legante LBP nel sangue per l'individuazione della traslocazione batterica. Proteina legante LBP nel sangue per il rilevamento della traslocazione batterica. Tecnologia Hiseq e Nextseq (qPCR e analisi delle proteine (WB, ELISA), OMICS (RNAseq, 16S, Metabolomics, Metagenomics).
- Raccolta dei campioni di urina: necessaria per determinare le alterazioni nelle vie metaboliche coinvolte nel metabolismo del triptofano e per determinare il ruolo del microbiota intestinale in questi cambiamenti metabolici.
- Imaging a risonanza magnetica: tutti gli esami MRI verranno eseguiti su uno scanner da 1,5 T (Ingenia ®; Philips Medical Systems). Innanzitutto, verrà utilizzata una sequenza FLAIR (fluid-attenuated inversion recovery) per escludere soggetti con lesioni cerebrali preesistenti. Il carico di ferro nel cervello sarà valutato mediante i valori R2*. I dati di rilassamento T2* verranno acquisiti con una sequenza gradient-echo multi-eco con 10 echi equidistanti (primo eco=4,6 ms; spaziatura tra gli echi=4,6 ms; tempo di ripetizione=1300ms). T2* sarà calcolato adattando i singoli termini esponenziali alle curve di decadimento del segnale dei rispettivi dati multi-eco. I valori R2* saranno calcolati come R2*=1/T2* ed espressi in Hz. Inoltre, i valori R2* verranno convertiti in unità μmol Fe/g come precedentemente convalidato su test fantasma. Le immagini del ferro cerebrale dei soggetti di controllo verranno normalizzate in uno spazio standard utilizzando un'immagine modello per questo scopo (modello EPI MNI). Successivamente, su tutte le immagini normalizzate verrà calcolata la media per la determinazione del normale contenuto di ferro. I valori normali (media e DS) saranno calcolati anche per le regioni anatomiche di interesse utilizzando diverse maschere atlante, tenendo conto delle possibili differenze tra sesso ed età. Il confronto del ferro cerebrale tra soggetti di controllo e soggetti obesi verrà eseguito utilizzando l'analisi basata su voxel. Le immagini dei soggetti obesi verranno normalizzate in uno spazio standard. L'immagine normalizzata verrà confrontata con la popolazione normale utilizzando l'analisi t-test con età e sesso come covariabili. Di conseguenza, una mappa parametrica mostrerà le differenze individuali nella deposizione di ferro. Sulla base di precedenti studi osservazionali che mostrano un aumento del carico di ferro nel cervello in alcune regioni specifiche e sull'evidenza che suggerisce cambiamenti nell'ippocampo e nell'ipotalamo in associazione con l'obesità e la resistenza all'insulina, le analisi statistiche e di immagine si concentreranno sulle differenze di ferro a livello del caudato, del lenticolare, del talamo e dell'ipotalamo. , ippocampo e amigdala.
- Esame neuropsicologico: verranno esplorati diversi domini cognitivi: memoria (Test aprendizaje verbal-TAVEC, Rey-Osterrieth Complex Figure), attenzione e funzioni esecutive (WAIS-IV, Trail making test (Part A y B), Stroop test), sociali cognizione (POFA e BFRT), linguaggio (animali). Inoltre, depressione (PHQ9), ansia (State-Trait Anxiety Inventory (STAI)), impulsività (Impulsive Behavior Scale (UPPS-P)), sensibilità alla punizione e alla ricompensa (Sensibilità alla punizione e sensibilità alla ricompensa (SRSPQ)), cibo la dipendenza (Yale Food Addiction Scale (YFAS II)), il benessere soggettivo, gli affetti positivi e negativi (Positive and Negative Affect Schedule (PANAS)) saranno esplorati attraverso test psicologici.
Profilo dei miRNA circolanti
- Estrazione e purificazione dell'RNA circolante: il plasma sarà ottenuto mediante puntura venosa standard e centrifugazione utilizzando provette Vacutainer rivestite con EDTA (Becton-Dickinson, Franklin Lakes, NJ). La separazione del plasma verrà eseguita mediante doppia centrifugazione utilizzando una centrifuga da laboratorio (Beckman J-6M Induction Drive Centrifuge, Beckman Instruments Inc). L'estrazione dell'RNA verrà eseguita da un volume iniziale di 300 μL di plasma utilizzando il kit di isolamento mirVana PARIS (Applied Biosystems, Darmstadt, Germania).
- Retrotrascrizione dei miRNA circolanti e preamplificazione: un volume fisso di 3 μL di soluzione di RNA dall'eluato da 40 mL dell'isolato di RNA verrà utilizzato come input per la retrotrascrizione utilizzando il kit di trascrizione inversa TaqMan miRNA (Life Technology, Darmstadt, Germania). La preamplificazione verrà effettuata utilizzando il TaqMan PreAmp Master Mix (Life Technology, Darmstadt, Germania).
- Analisi dei singoli miRNA mediante sonde di idrolisi TaqMan: l'espressione genica sarà valutata mediante PCR in tempo reale utilizzando il sistema PCR in tempo reale LightCycler 480 (Roche Diagnostics, Barcellona, Spagna), utilizzando l'appropriata tecnologia TaqMan per la quantificazione dell'espressione genica relativa.
Le informazioni rimarranno registrate in un quaderno e saranno informatizzate nel database dello studio.
METODI STATICI:
Dimensione del campione: non ci sono dati precedenti che mostrino differenze attese per la stima della dimensione del campione per quanto riguarda la variabilità del glucosio, l’attività fisica, la composizione del microbiota intestinale e la funzione cognitiva. In uno studio precedente, sono state osservate differenze nel contenuto di ferro nel cervello in 20 soggetti obesi rispetto a 20 soggetti non obesi. Pertanto, la dimensione del campione proposta è di almeno 20 individui per gruppo, con una rappresentanza equilibrata di età e sesso (donne in pre- e postmenopausa).
Analisi statistiche: in primo luogo verranno testate la distribuzione normale e l'omogeneità delle varianze. Per determinare le differenze tra i gruppi di studio, verrà utilizzato il χ2 per le variabili categoriali, il test t di Student non appaiato per le variabili quantitative normali e il test U di Mann-Whitney per le variabili quantitative non normali. L'analisi di Spearman non parametrica verrà utilizzata per determinare la correlazione tra variabili quantitative. Gli stessi test verranno utilizzati anche per studiare le differenze prima e dopo il follow-up. Le associazioni significative, siano esse positive o negative, verranno esplorate più approfonditamente (analisi di regressione lineare semplice e multivariata).
La composizione del microbiota verrà analizzata e confrontata utilizzando R "ALDEx2". Le specie batteriche e le funzioni associate al ferro cerebrale e ai microRNA circolanti saranno identificate utilizzando robusti modelli di regressione lineare implementati nel pacchetto R (Limma R). Inoltre, i valori p saranno aggiustati per confronti multipli utilizzando il pacchetto R "SGoF". Le misure della variabilità glicemica saranno calcolate utilizzando il software Matlab (R2018a).
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
Girona
-
Girona, Girona, Spagna, 17007
- Institut d'Investigació Biomèdica de Girona (IDIBGI)
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
I pazienti con obesità, senza diabete di tipo 2 noto, precedentemente inseriti nel Servizio di Endocrinologia, Diabete e Nutrizione (UDEN) dell'Ospedale "Dr. Josep Trueta" di Girona (Spagna) sarà reclutato e studiato.
Anche i soggetti senza obesità verranno reclutati tramite annuncio pubblico.
Descrizione
Criterio di inclusione:
- Uomini e donne di età compresa tra 30 e 65 anni.
- Consenso informato per la partecipazione allo studio.
Criteri di esclusione:
- Grave malattia sistemica non correlata all'obesità come cancro, grave malattia renale o epatica, noto diabete di tipo 1 o di tipo 2.
- Malattie sistemiche con attività infiammatoria intrinseca come l'artrite reumatoide, il morbo di Crohn, l'asma, l'infezione cronica (ad esempio HIV, tubercolosi attiva) o qualsiasi tipo di malattia infettiva.
- Gravidanza e allattamento.
- Pazienti con gravi disturbi del comportamento alimentare.
- Persone la cui libertà è soggetta a requisiti legali o amministrativi.
- Sintomi e segni clinici di infezione nel mese precedente.
- Trattamento antibiotico, antifungino o antivirale nei 3 mesi precedenti.
- Trattamento antinfiammatorio cronico con farmaci antinfiammatori steroidei e/o non steroidei.
- Principali antecedenti psichiatrici.
- Consumo eccessivo di alcol, sia acuto che cronico (assunzione di alcol superiore a 40 g al giorno (donne) o 80 g/giorno (uomini)) o abuso di droghe.
- Attività degli enzimi epatici sierici (AST, ALT) oltre il doppio del limite superiore della norma.
- Anamnesi di disturbi dell'equilibrio del ferro (ad esempio, emocromatosi genetica, emosiderosi di qualsiasi causa, atransferrinemia, emoglobinuria parossistica notturna).
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: Caso di controllo
- Prospettive temporali: Prospettiva
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Donne in premenopausa con obesità
|
I soggetti con obesità (N=60) saranno sottoposti a dieta ipocalorica e follow up periodico, inoltre 30 di loro saranno sottoposti a chirurgia bariatrica
|
|
Donne in postmenopausa con obesità
|
I soggetti con obesità (N=60) saranno sottoposti a dieta ipocalorica e follow up periodico, inoltre 30 di loro saranno sottoposti a chirurgia bariatrica
|
|
Uomini con obesità
|
I soggetti con obesità (N=60) saranno sottoposti a dieta ipocalorica e follow up periodico, inoltre 30 di loro saranno sottoposti a chirurgia bariatrica
|
|
Donne in premenopausa senza obesità
|
|
|
Donne in postmenopausa senza obesità
|
|
|
Uomini senza obesità
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Concentrazione di agonisti del recettore dei prodotti finali della glicazione avanzata (AGE).
Lasso di tempo: 30 mesi
|
Saggio di immunoassorbimento enzimatico (ELISA).
|
30 mesi
|
|
Variabilità glicemica.
Lasso di tempo: 30 mesi
|
Media e deviazione standard delle misure del glucosio in mg/dL utilizzando un monitoraggio continuo del glucosio per 10 giorni.
|
30 mesi
|
|
La percentuale di tempo nell'intervallo target glicemico (livello di glucosio 100 mg/dl-125 mg/dl)
Lasso di tempo: 30 mesi
|
30 mesi
|
|
|
Il rischio glicemico misurato con il basso indice di glicemia (LBGI)
Lasso di tempo: 30 mesi
|
Il basso indice glicemico (LBGI) è un parametro che quantifica il rischio glicemico
|
30 mesi
|
|
Il rischio glicemico misurato con l’indice glicemico elevato (HBGI)
Lasso di tempo: 30 mesi
|
L'indice glicemico elevato (HBGI) è un parametro che quantifica il rischio glicemico
|
30 mesi
|
|
La variabilità glicemica misurata con l'ampiezza media delle escursioni glicemiche (MAGE)
Lasso di tempo: 30 mesi
|
misurato in mg/dl
|
30 mesi
|
|
Minuti di sonno leggero
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei minuti di sonno leggero misurati in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Minuti di sonno profondo
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei minuti di sonno profondo misurati in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Minuti di movimento rapido degli occhi (REM)
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei minuti REM misurati in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Effetto sulla struttura del cervello.
Lasso di tempo: 30 mesi
|
La struttura del cervello sarà valutata mediante risonanza magnetica.
|
30 mesi
|
|
Effetto sul microbiota intestinale.
Lasso di tempo: 30 mesi
|
Il microbiota intestinale sarà analizzato mediante metagenomica e metabolomica.
|
30 mesi
|
|
Cambiamenti rispetto al basale nella concentrazione circolante di agonisti del recettore AGE e variabilità glicemica un anno di follow-up dopo la perdita di peso in associazione con cambiamenti nella struttura cerebrale e nel microbiota intestinale.
Lasso di tempo: 30 mesi
|
I soggetti con obesità verranno sottoposti a trattamento convenzionale o chirurgia bariatrica per la perdita di peso; i controlli non subiranno alcuna misura aggiuntiva.
|
30 mesi
|
|
Stato d'ansia
Lasso di tempo: 30 mesi
|
Sarà misurato dallo State-Trate Anxiety Inventory (STAI).
|
30 mesi
|
|
Memoria audioverbale
Lasso di tempo: 30 mesi
|
Sarà misurato dal California Verbal Learning Test (CVLT).
Valori di scala minimo/massimo (0-16), dove 16 è una migliore memoria audioverbale.
|
30 mesi
|
|
Memoria visiva
Lasso di tempo: 30 mesi
|
Sarà misurato dalla figura complessa di Rey-Osterrieth.
Valori di scala minimo/massimo (0-36), dove 36 è una migliore memoria visiva
|
30 mesi
|
|
Sintomatologia depressiva
Lasso di tempo: 30 mesi
|
Sarà misurato dal Questionario sulla salute del paziente-9 (PHQ-9).
Valori minimo/massimo della scala (0-27), dove ≥ 20 è depressione grave.
|
30 mesi
|
|
Impulsività
Lasso di tempo: 30 mesi
|
Sarà misurato mediante la scala del comportamento impulsivo (UPPS-P).
Il test valuta: Negativo
|
30 mesi
|
|
Dipendenza da cibo
Lasso di tempo: 30 mesi
|
Sarà misurato dalla Yale Food Addiction Scale. È un punteggio dei sintomi compreso tra 0 e 11, basato sui criteri del Manuale diagnostico e statistico dei disturbi mentali (DSM-IV), per la dipendenza da sostanze.
La dipendenza da cibo viene diagnosticata se vengono riportati ≥3 sintomi.
|
30 mesi
|
|
Inibizione comportamentale
Lasso di tempo: 30 mesi
|
Sarà misurato dalla sensibilità alla punizione e dalla sensibilità alla ricompensa (SPSRQ).
La scala della sensibilità alla punizione è correlata al sistema di inibizione comportamentale.
Si compone di due sottoscale di 24 item ciascuna, dove maggiore è il punteggio, maggiore è la sensibilità alla punizione.
|
30 mesi
|
|
Attivazione comportamentale
Lasso di tempo: 30 mesi
|
Sarà misurato dalla sensibilità alla punizione e dalla sensibilità alla ricompensa (SPSRQ).
La scala di sensibilità alla ricompensa è correlata al sistema di attivazione comportamentale.
Si compone di due sottoscale di 24 item ciascuna, dove maggiore è il punteggio, maggiore è la sensibilità alla premiazione.
|
30 mesi
|
|
Funzione visocostruttiva
Lasso di tempo: 30 mesi
|
Sarà misurato dalla figura complessa di Rey-Osterrieth.
Valori di scala minimo/massimo (0-36), dove 36 è una migliore funzione visocostruttiva.
|
30 mesi
|
|
Attenzione selettiva e alternata
Lasso di tempo: 30 mesi
|
Sarà misurato mediante Trail making test (Parte A e B).
|
30 mesi
|
|
Attenzione e memoria di lavoro
Lasso di tempo: 30 mesi
|
Sarà misurato dal subtest Digits di Wechsler Adult Intelligence Scales, Fourth Edition (WAIS-IV).
|
30 mesi
|
|
Inibizione
Lasso di tempo: 30 mesi
|
Sarà misurato con Stroop Color-Word Test.
|
30 mesi
|
|
Fluidità verbale fonemica
Lasso di tempo: 30 mesi
|
Sarà misurato mediante PMR.
|
30 mesi
|
|
Fluidità verbale semantica
Lasso di tempo: 30 mesi
|
Sarà misurato dal test sugli animali.
La persona deve nominare quanti più animali possibile in 1 minuto.
Il risultato è corretto da punteggi standard, in base all'età e al livello di istruzione.
|
30 mesi
|
|
Riconoscimento facciale
Lasso di tempo: 30 mesi
|
Sarà misurato mediante il Picture of Facial Recognition Test (POFA).
|
30 mesi
|
|
Riconoscimento delle emozioni
Lasso di tempo: 30 mesi
|
Verrà misurato mediante il Benton Facial Recognition Test (BFRT). Questo test valuta il riconoscimento delle cinque emozioni fondamentali: felicità, tristezza, sorpresa, disgusto e rabbia.
|
30 mesi
|
|
Sequenze cerebrali di imaging del tensore di diffusione
Lasso di tempo: 30 mesi
|
L'imaging del tensore di diffusione è stato acquisito a 1,5 T (Philips ingenia) utilizzando una sequenza spin echo a colpo singolo con imaging eco-planare (EPI), 50 sezioni contigue, dimensione del voxel 2x2x2,5 mm3, TE/TR di 72/3581 ms/ms , un fattore di ponderazione della diffusione b = 800 s/mm2 e codifica della diffusione lungo 32 direzioni.
|
30 mesi
|
|
Accumulo di ferro nel cervello
Lasso di tempo: 30 mesi
|
Sarà valutato utilizzando la risonanza magnetica utilizzando (R2 *)
|
30 mesi
|
|
Sequenze cerebrali funzionali allo stato di riposo
Lasso di tempo: 30 mesi
|
Sarà valutato mediante risonanza magnetica (imaging ecoplanare pesato in T2*).
I dati di rilassamento T2 * saranno acquisiti con una sequenza gradiente multieco con 10 echi equidistanti (prima eco = 4.6ms; spaziatura dell'eco = 4.6ms; tempo di ripetizione = 1300ms).
Il valore del valore di T2 * verrà calcolato regolando i termini esponenziali semplici per il decadimento del segnale dei rispettivi valori del tempo di eco.
|
30 mesi
|
|
Resistenza all'insulina
Lasso di tempo: 30 mesi
|
Sarà misurato da HOMA
|
30 mesi
|
|
Marcatori di infiammazione cronica: proteina C-reattiva, IL-6, adiponectina e frazioni solubili del recettore del fattore di necrosi tumorale-α.
Lasso di tempo: 30 mesi
|
Saggio di immunoassorbimento enzimatico (ELISA) e reazione a catena della polimerasi quantitativa (qPCR)
|
30 mesi
|
|
Valore dell'emoglobina glicosilata (HbA1c).
Lasso di tempo: 30 mesi
|
Emoglobina glicosilata (HbA1c) in % o mmol/mol
|
30 mesi
|
|
La percentuale di tempo in iperglicemia (livello di glucosio superiore a 250 mg/dl)
Lasso di tempo: 30 mesi
|
30 mesi
|
|
|
La percentuale di tempo in ipoglicemia (livello di glucosio inferiore a 70 mg/dl)
Lasso di tempo: 30 mesi
|
30 mesi
|
|
|
La percentuale di tempo nell'intervallo glicemico (livello di glucosio inferiore a 100 mg/dl)
Lasso di tempo: 30 mesi
|
30 mesi
|
|
|
La percentuale di tempo nell'intervallo di glucosio (livello di glucosio tra 126-139 mg/dl)
Lasso di tempo: 30 mesi
|
30 mesi
|
|
|
La percentuale di tempo nell'intervallo di glucosio (livello di glucosio tra 140-199 mg/dl)
Lasso di tempo: 30 mesi
|
30 mesi
|
|
|
La percentuale di tempo nell'intervallo glicemico (livello di glucosio superiore a 200 mg/dl)
Lasso di tempo: 30 mesi
|
30 mesi
|
|
|
Calorie bruciate
Lasso di tempo: 30 mesi
|
Media e deviazione standard delle calorie bruciate misurate in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Passi
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei passi misurati in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Distanza
Lasso di tempo: 30 mesi
|
Media e deviazione standard delle misure di distanza in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Minuti di attività nulli
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei minuti di attività nulla misurati in base all'attività e al sonno
|
30 mesi
|
|
Minuti di leggera attività
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei minuti di attività lieve misurati in base all'attività e al sonno
|
30 mesi
|
|
I minuti significano attività
Lasso di tempo: 30 mesi
|
La media e la deviazione standard dei minuti indicano le misurazioni dell'attività in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Minuti di alta attività
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei minuti di attività elevata misurate in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Calorie
Lasso di tempo: 30 mesi
|
Media e deviazione standard delle calorie misurate in base all'attività e al dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Minuti di sonno
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei minuti di sonno misurati in base all'attività e al monitoraggio del sonno
|
30 mesi
|
|
Minuti svegli
Lasso di tempo: 30 mesi
|
Media e deviazione standard dei minuti di veglia misurati in base al monitoraggio dell'attività e del sonno
|
30 mesi
|
|
Ora di andare a letto
Lasso di tempo: 30 mesi
|
Media e deviazione standard delle misurazioni dell'ora di andare a letto per attività e dispositivo di monitoraggio del sonno.
|
30 mesi
|
|
Numero del tempo in cui sei sveglio
Lasso di tempo: 30 mesi
|
Media e deviazione standard delle misurazioni del tempo di veglia in base all'attività e al sonno
|
30 mesi
|
Collaboratori e investigatori
Investigatori
- Investigatore principale: José Manuel Fernández-Real, M.D., Ph.D., Institut d'Investigacio Biomedica de Girona Dr. Josep Trueta
Pubblicazioni e link utili
Pubblicazioni generali
- Finch C. Regulators of iron balance in humans. Blood. 1994 Sep 15;84(6):1697-702. No abstract available.
- Fernandez-Real JM, Ricart-Engel W, Arroyo E, Balanca R, Casamitjana-Abella R, Cabrero D, Fernandez-Castaner M, Soler J. Serum ferritin as a component of the insulin resistance syndrome. Diabetes Care. 1998 Jan;21(1):62-8. doi: 10.2337/diacare.21.1.62.
- Fernandez-Real JM, Lopez-Bermejo A, Ricart W. Cross-talk between iron metabolism and diabetes. Diabetes. 2002 Aug;51(8):2348-54. doi: 10.2337/diabetes.51.8.2348.
- Fernandez-Real JM, Manco M. Effects of iron overload on chronic metabolic diseases. Lancet Diabetes Endocrinol. 2014 Jun;2(6):513-26. doi: 10.1016/S2213-8587(13)70174-8. Epub 2013 Dec 30.
- Fernandez-Real JM, Blasco G, Puig J, Moreno M, Xifra G, Sanchez-Gonzalez J, Maria Alustiza J, Pedraza S, Ricart W, Maria Moreno-Navarrete J. Adipose tissue R2* signal is increased in subjects with obesity: A preliminary MRI study. Obesity (Silver Spring). 2016 Feb;24(2):352-8. doi: 10.1002/oby.21347. Epub 2015 Dec 26.
- Moreno-Navarrete JM, Blasco G, Xifra G, Karczewska-Kupczewska M, Stefanowicz M, Matulewicz N, Puig J, Ortega F, Ricart W, Straczkowski M, Fernandez-Real JM. Obesity Is Associated With Gene Expression and Imaging Markers of Iron Accumulation in Skeletal Muscle. J Clin Endocrinol Metab. 2016 Mar;101(3):1282-9. doi: 10.1210/jc.2015-3303. Epub 2016 Jan 14.
- Moreno-Navarrete JM, Moreno M, Puig J, Blasco G, Ortega F, Xifra G, Ricart W, Fernandez-Real JM. Hepatic iron content is independently associated with serum hepcidin levels in subjects with obesity. Clin Nutr. 2017 Oct;36(5):1434-1439. doi: 10.1016/j.clnu.2016.09.022. Epub 2016 Sep 29.
- Moreno-Navarrete JM, Rodriguez A, Becerril S, Valenti V, Salvador J, Fruhbeck G, Fernandez-Real JM. Increased Small Intestine Expression of Non-Heme Iron Transporters in Morbidly Obese Patients With Newly Diagnosed Type 2 Diabetes. Mol Nutr Food Res. 2018 Jan;62(2). doi: 10.1002/mnfr.201700301. Epub 2017 Dec 29.
- Fernandez Real JM, Moreno-Navarrete JM, Manco M. Iron influences on the Gut-Brain axis and development of type 2 diabetes. Crit Rev Food Sci Nutr. 2019;59(3):443-449. doi: 10.1080/10408398.2017.1376616. Epub 2017 Oct 17.
- Kharabian Masouleh S, Beyer F, Lampe L, Loeffler M, Luck T, Riedel-Heller SG, Schroeter ML, Stumvoll M, Villringer A, Witte AV. Gray matter structural networks are associated with cardiovascular risk factors in healthy older adults. J Cereb Blood Flow Metab. 2018 Feb;38(2):360-372. doi: 10.1177/0271678X17729111. Epub 2017 Aug 31.
- Ryan CM, Freed MI, Rood JA, Cobitz AR, Waterhouse BR, Strachan MW. Improving metabolic control leads to better working memory in adults with type 2 diabetes. Diabetes Care. 2006 Feb;29(2):345-51. doi: 10.2337/diacare.29.02.06.dc05-1626.
- Weinstein G, Maillard P, Himali JJ, Beiser AS, Au R, Wolf PA, Seshadri S, DeCarli C. Glucose indices are associated with cognitive and structural brain measures in young adults. Neurology. 2015 Jun 9;84(23):2329-37. doi: 10.1212/WNL.0000000000001655. Epub 2015 May 6.
- Rolandsson O, Backestrom A, Eriksson S, Hallmans G, Nilsson LG. Increased glucose levels are associated with episodic memory in nondiabetic women. Diabetes. 2008 Feb;57(2):440-3. doi: 10.2337/db07-1215. Epub 2007 Oct 31.
- Marden JR, Mayeda ER, Tchetgen Tchetgen EJ, Kawachi I, Glymour MM. High Hemoglobin A1c and Diabetes Predict Memory Decline in the Health and Retirement Study. Alzheimer Dis Assoc Disord. 2017 Jan-Mar;31(1):48-54. doi: 10.1097/WAD.0000000000000182.
- Blasco G, Puig J, Daunis-I-Estadella J, Molina X, Xifra G, Fernandez-Aranda F, Pedraza S, Ricart W, Portero-Otin M, Fernandez-Real JM. Brain iron overload, insulin resistance, and cognitive performance in obese subjects: a preliminary MRI case-control study. Diabetes Care. 2014 Nov;37(11):3076-83. doi: 10.2337/dc14-0664. Epub 2014 Aug 14.
- Blasco G, Moreno-Navarrete JM, Rivero M, Perez-Brocal V, Garre-Olmo J, Puig J, Daunis-I-Estadella P, Biarnes C, Gich J, Fernandez-Aranda F, Alberich-Bayarri A, Moya A, Pedraza S, Ricart W, Lopez M, Portero-Otin M, Fernandez-Real JM. The Gut Metagenome Changes in Parallel to Waist Circumference, Brain Iron Deposition, and Cognitive Function. J Clin Endocrinol Metab. 2017 Aug 1;102(8):2962-2973. doi: 10.1210/jc.2017-00133.
- Arnoriaga Rodriguez M, Blasco G, Coll C, Biarnes C, Contreras-Rodriguez O, Garre-Olmo J, Puig J, Gich J, Ricart W, Ramio-Torrenta L, Fernandez-Real JM. Glycated Hemoglobin, but not Insulin Sensitivity, is Associated with Memory in Subjects with Obesity. Obesity (Silver Spring). 2019 Jun;27(6):932-942. doi: 10.1002/oby.22457. Epub 2019 Apr 15.
- Kau AL, Ahern PP, Griffin NW, Goodman AL, Gordon JI. Human nutrition, the gut microbiome and the immune system. Nature. 2011 Jun 15;474(7351):327-36. doi: 10.1038/nature10213.
- Kang SS, Jeraldo PR, Kurti A, Miller ME, Cook MD, Whitlock K, Goldenfeld N, Woods JA, White BA, Chia N, Fryer JD. Diet and exercise orthogonally alter the gut microbiome and reveal independent associations with anxiety and cognition. Mol Neurodegener. 2014 Sep 13;9:36. doi: 10.1186/1750-1326-9-36.
- Moloney GM, Dinan TG, Clarke G, Cryan JF. Microbial regulation of microRNA expression in the brain-gut axis. Curr Opin Pharmacol. 2019 Oct;48:120-126. doi: 10.1016/j.coph.2019.08.005. Epub 2019 Oct 4.
- Liu S, da Cunha AP, Rezende RM, Cialic R, Wei Z, Bry L, Comstock LE, Gandhi R, Weiner HL. The Host Shapes the Gut Microbiota via Fecal MicroRNA. Cell Host Microbe. 2016 Jan 13;19(1):32-43. doi: 10.1016/j.chom.2015.12.005.
- Horne R, St Pierre J, Odeh S, Surette M, Foster JA. Microbe and host interaction in gastrointestinal homeostasis. Psychopharmacology (Berl). 2019 May;236(5):1623-1640. doi: 10.1007/s00213-019-05218-y. Epub 2019 Mar 21.
- Chen JJ, Zeng BH, Li WW, Zhou CJ, Fan SH, Cheng K, Zeng L, Zheng P, Fang L, Wei H, Xie P. Effects of gut microbiota on the microRNA and mRNA expression in the hippocampus of mice. Behav Brain Res. 2017 Mar 30;322(Pt A):34-41. doi: 10.1016/j.bbr.2017.01.021. Epub 2017 Jan 16.
- Teng Y, Ren Y, Sayed M, Hu X, Lei C, Kumar A, Hutchins E, Mu J, Deng Z, Luo C, Sundaram K, Sriwastva MK, Zhang L, Hsieh M, Reiman R, Haribabu B, Yan J, Jala VR, Miller DM, Van Keuren-Jensen K, Merchant ML, McClain CJ, Park JW, Egilmez NK, Zhang HG. Plant-Derived Exosomal MicroRNAs Shape the Gut Microbiota. Cell Host Microbe. 2018 Nov 14;24(5):637-652.e8. doi: 10.1016/j.chom.2018.10.001. Epub 2018 Oct 25.
- Moloney GM, O'Leary OF, Salvo-Romero E, Desbonnet L, Shanahan F, Dinan TG, Clarke G, Cryan JF. Microbial regulation of hippocampal miRNA expression: Implications for transcription of kynurenine pathway enzymes. Behav Brain Res. 2017 Sep 15;334:50-54. doi: 10.1016/j.bbr.2017.07.026. Epub 2017 Jul 20.
- Hoban AE, Stilling RM, M Moloney G, Moloney RD, Shanahan F, Dinan TG, Cryan JF, Clarke G. Microbial regulation of microRNA expression in the amygdala and prefrontal cortex. Microbiome. 2017 Aug 25;5(1):102. doi: 10.1186/s40168-017-0321-3.
- Foster JA, Lyte M, Meyer E, Cryan JF. Gut Microbiota and Brain Function: An Evolving Field in Neuroscience. Int J Neuropsychopharmacol. 2016 Apr 29;19(5):pyv114. doi: 10.1093/ijnp/pyv114. Print 2016 May.
- Stilling RM, Moloney GM, Ryan FJ, Hoban AE, Bastiaanssen TF, Shanahan F, Clarke G, Claesson MJ, Dinan TG, Cryan JF. Social interaction-induced activation of RNA splicing in the amygdala of microbiome-deficient mice. Elife. 2018 May 29;7:e33070. doi: 10.7554/eLife.33070.
- Picao-Osorio J, Johnston J, Landgraf M, Berni J, Alonso CR. MicroRNA-encoded behavior in Drosophila. Science. 2015 Nov 13;350(6262):815-20. doi: 10.1126/science.aad0217. Epub 2015 Oct 22.
- Haramati S, Navon I, Issler O, Ezra-Nevo G, Gil S, Zwang R, Hornstein E, Chen A. MicroRNA as repressors of stress-induced anxiety: the case of amygdalar miR-34. J Neurosci. 2011 Oct 5;31(40):14191-203. doi: 10.1523/JNEUROSCI.1673-11.2011.
- Griggs EM, Young EJ, Rumbaugh G, Miller CA. MicroRNA-182 regulates amygdala-dependent memory formation. J Neurosci. 2013 Jan 23;33(4):1734-40. doi: 10.1523/JNEUROSCI.2873-12.2013.
- Bocchio-Chiavetto L, Maffioletti E, Bettinsoli P, Giovannini C, Bignotti S, Tardito D, Corrada D, Milanesi L, Gennarelli M. Blood microRNA changes in depressed patients during antidepressant treatment. Eur Neuropsychopharmacol. 2013 Jul;23(7):602-11. doi: 10.1016/j.euroneuro.2012.06.013. Epub 2012 Aug 25.
- Arnoriaga-Rodriguez M, Mayneris-Perxachs J, Burokas A, Contreras-Rodriguez O, Blasco G, Coll C, Biarnes C, Miranda-Olivos R, Latorre J, Moreno-Navarrete JM, Castells-Nobau A, Sabater M, Palomo-Buitrago ME, Puig J, Pedraza S, Gich J, Perez-Brocal V, Ricart W, Moya A, Fernandez-Real X, Ramio-Torrenta L, Pamplona R, Sol J, Jove M, Portero-Otin M, Maldonado R, Fernandez-Real JM. Obesity Impairs Short-Term and Working Memory through Gut Microbial Metabolism of Aromatic Amino Acids. Cell Metab. 2020 Oct 6;32(4):548-560.e7. doi: 10.1016/j.cmet.2020.09.002.
- Arnoriaga-Rodriguez M, Mayneris-Perxachs J, Contreras-Rodriguez O, Burokas A, Ortega-Sanchez JA, Blasco G, Coll C, Biarnes C, Castells-Nobau A, Puig J, Garre-Olmo J, Ramos R, Pedraza S, Brugada R, Vilanova JC, Serena J, Barretina J, Gich J, Perez-Brocal V, Moya A, Fernandez-Real X, Ramio-Torrenta L, Pamplona R, Sol J, Jove M, Ricart W, Portero-Otin M, Maldonado R, Fernandez-Real JM. Obesity-associated deficits in inhibitory control are phenocopied to mice through gut microbiota changes in one-carbon and aromatic amino acids metabolic pathways. Gut. 2021 Dec;70(12):2283-2296. doi: 10.1136/gutjnl-2020-323371. Epub 2021 Jan 29.
- Ortega FJ, Mercader JM, Catalan V, Moreno-Navarrete JM, Pueyo N, Sabater M, Gomez-Ambrosi J, Anglada R, Fernandez-Formoso JA, Ricart W, Fruhbeck G, Fernandez-Real JM. Targeting the circulating microRNA signature of obesity. Clin Chem. 2013 May;59(5):781-92. doi: 10.1373/clinchem.2012.195776. Epub 2013 Feb 8.
- Ortega FJ, Mercader JM, Moreno-Navarrete JM, Rovira O, Guerra E, Esteve E, Xifra G, Martinez C, Ricart W, Rieusset J, Rome S, Karczewska-Kupczewska M, Straczkowski M, Fernandez-Real JM. Profiling of circulating microRNAs reveals common microRNAs linked to type 2 diabetes that change with insulin sensitization. Diabetes Care. 2014;37(5):1375-83. doi: 10.2337/dc13-1847. Epub 2014 Jan 29.
- Lukiw WJ, Pogue AI. Induction of specific micro RNA (miRNA) species by ROS-generating metal sulfates in primary human brain cells. J Inorg Biochem. 2007 Sep;101(9):1265-9. doi: 10.1016/j.jinorgbio.2007.06.004. Epub 2007 Jun 13.
- Pedersen HK, Gudmundsdottir V, Nielsen HB, Hyotylainen T, Nielsen T, Jensen BA, Forslund K, Hildebrand F, Prifti E, Falony G, Le Chatelier E, Levenez F, Dore J, Mattila I, Plichta DR, Poho P, Hellgren LI, Arumugam M, Sunagawa S, Vieira-Silva S, Jorgensen T, Holm JB, Trost K; MetaHIT Consortium; Kristiansen K, Brix S, Raes J, Wang J, Hansen T, Bork P, Brunak S, Oresic M, Ehrlich SD, Pedersen O. Human gut microbes impact host serum metabolome and insulin sensitivity. Nature. 2016 Jul 21;535(7612):376-81. doi: 10.1038/nature18646. Epub 2016 Jul 13.
- Geijselaers SLC, Sep SJS, Stehouwer CDA, Biessels GJ. Glucose regulation, cognition, and brain MRI in type 2 diabetes: a systematic review. Lancet Diabetes Endocrinol. 2015 Jan;3(1):75-89. doi: 10.1016/S2213-8587(14)70148-2. Epub 2014 Aug 24.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Stimato)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- IRONmiRNA-2022.043
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 .