Onderzoek naar nieuwe biomarkers voor emfyseemdetectie (ENBED)
Onderzoek naar nieuwe biomarkers voor emfyseemdetectie: de ENBED-studie
Het doel van deze klinische studie is om te evalueren of stem- of capnometrie, alleen of in combinatie met andere (niet-invasieve) biomarkers, kan worden gebruikt om emfyseem te detecteren op CT-scan van de borst bij mensen met chronische obstructieve longziekte (COPD). De belangrijkste vraag die het wil beantwoorden is:
• Kan een op machine learning gebaseerd algoritme worden ontwikkeld dat de omvang van emfyseem op een CT-thoraxscan van patiënten met COPD kan classificeren op basis van stem- en/of capnometrie?
Deelnemers zullen:
- verschillende spraakgerelateerde taken uitvoeren
- twee keer capnometrie uitvoeren (voor/na inspanning)
- een lichte bewegingstaak uitvoeren tussen de taken door (5-zit-naar-stand-test)
- één venapunctie ondergaan
Studie Overzicht
Toestand
Interventie / Behandeling
Gedetailleerde beschrijving
Dit is een cross-sectioneel onderzoek in één centrum. In de kliniek zullen patiënten met COPD worden uitgenodigd om verschillende stemgerelateerde taken uit te voeren (leestempo, aanhoudende klinkers, hoesten, rustige ademhaling) en zullen ze worden geïnstrueerd om capnometriemetingen uit te voeren. Deze metingen worden uitgevoerd voor en na een lichte inspanningstaak (5-STS: 5-sit-to-stand test).
Klinische karakterisering van patiënten, waaronder longfunctietesten (spirometrie, lichaamsplethysmografie, diffusiecapaciteit) en CT-scans zijn bij alle patiënten uitgevoerd als onderdeel van routinematig onderzoek in het COPD-zorgtraject. Emfyseem zal worden gekwantificeerd als gebieden met lage verzwakking met een dichtheid van minder dan -950 Hounsfield-eenheden (HU) met behulp van Syngovia (Siemens, Erlangen, Duitsland).
De primaire uitkomst past in een eenvoudig machine learning-classificatiemodel (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om een logistisch regressiemodel te classificeren voor de uitkomst van emfyseem (>25% vs ≤ 25%) van spraak functies en capnometrie. met verklarende variabelen van spraakkenmerken. Soortgelijke classificatiemethoden met incrementele modellen die gebruik maken van capnografische kenmerken zullen worden onderzocht. Voorafgaand aan het uitvoeren van de bovenstaande analyses, moeten gegevens worden voorbewerkt, inclusief het samenvoegen van gegevens, kwaliteitscontrole, het afhandelen van ontbrekende gegevens en het extraheren van kenmerken.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: Sami Simons, MD PhD
- Telefoonnummer: +31 043 3876543
- E-mail: sami.simons@mumc.nl
Studie Locaties
-
-
Limburg
-
Maastricht, Limburg, Nederland, 6202 AZ
- Werving
- Dept of Respiratory Medicine, Maastricht University Medical Centre
-
Contact:
- Sami Simons, MD PhD
- Telefoonnummer: +31433876543
- E-mail: sami.simons@mumc.nl
-
Roermond, Limburg, Nederland, 6043 CV
- Nog niet aan het werven
- Laurentius ziekenhuis
-
Contact:
- Ragnar Lunde, MD
- Telefoonnummer: +31-(0)475 382 222
- E-mail: r.lunde@lzr.nl
-
Contact:
- Telefoonnummer: +31-(0)475 382 222
-
Onderonderzoeker:
- Martijn Cuijpers, Msc
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
Diagnose COPD op basis van richtlijn COPD Gold 2023, inclusief
- huidige ademhalingssymptomen (kortademigheid, hoesten of sputum)
- spirometrie bevestigde de diagnose van een niet-volledig reversibele luchtstroomobstructie, gedefinieerd als een post-bronchusverwijdend geforceerd expiratoir volume op één seconde/geforceerde vitale capaciteit (FEV1/FVC-ratio) < 0,7
- aanwezigheid van risicofactoren of oorzaken geassocieerd met COPD
- thorax-CT-scan uitgevoerd in de afgelopen 12 maanden voorafgaand aan opname in het onderzoek
- Nederlands kunnen begrijpen, lezen en schrijven
Uitsluitingscriteria:
- acute exacerbatie van COPD binnen 8 weken na aanvang van de studie
- comorbiditeiten die de spraak- of ademhalingscoördinatie beïnvloeden (neuromusculaire ziekte, CVA)
- comorbiditeiten die de spraakkenmerken van kortademigheid beïnvloeden (ernstig hartfalen, interstitiële longziekte)
- comorbiditeiten die het ademhalingssysteem aantasten, inclusief maar niet exclusief astma of cystische fibrose
- comorbiditeiten die significant interfereren met de interpretatie van spraak (audiosignalen), zoals de ziekte van Parkinson, bulbaire verlamming of verlamming van de stembanden.
- onvermogen om een capnografische opname uit te voeren.
- de onzekerheid van de onderzoeker over de bereidheid of het vermogen van de patiënten om te voldoen aan de protocolvereisten.
- deelname aan een ander onderzoek met onderzoeksproducten. Deelname aan observationele studies is toegestaan.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
COPD en/of emfyseem
COPD wordt gedefinieerd volgens COPD Gold 2023 -richtlijnen.
Emfyseem gedefinieerd aan acording naar Fleischner -criteria (2024)
|
Patiënten met COPD zullen in rust verschillende stemgerelateerde taken en capnometrie uitvoeren.
Daarna volgt een 5-STS en wordt de stemgerelateerde taak/capnometrie herhaald
Patiënten met COPD zullen in rust verschillende stemgerelateerde taken en capnometrie uitvoeren.
Daarna volgt een 5-STS en wordt de stemgerelateerde taak/capnometrie herhaald
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
percentage deelnemers met matig tot ernstig emfyseem op een thorax-CT (gedefinieerd als > 25%)
Tijdsspanne: basislijn
|
Een baseline CT-thorax-scan van elke deelnemer zal worden geanalyseerd met behulp van longparenchymanalysesoftware met geautomatiseerde 3D-kwantificering van emfyseem.
Emfyseem wordt gedefinieerd als gebieden met lage verzwakking met een dichtheid van minder dan -950 Hounsfield-eenheden.
Patiënten worden geclassificeerd als laag emfyseem (minder dan of gelijk aan 25% van het emfyseem op de CT-scan van de borst) of matig tot hoog emfyseem (meer dan 25% van het emfyseem op de CT-scan van de borst).
|
basislijn
|
|
aantal (niet-taalkundige) inademingen per lettergreep van aanhoudende klinker
Tijdsspanne: basislijn
|
Deelnemers zullen een aanhoudende klinker uitvoeren ('a' zeggen) in rust en na lichte inspanning waaruit verschillende metingen kunnen worden verkregen: lettergrepen per ademhalingsgroep, spreeksnelheid, articulatiesnelheid, gemiddelde frequentie, gemiddelde intensiteit, toonhoogtevariabiliteit, gemiddeld zwaartepunt , inademingen, niet-taalkundige inademingen, verhouding stem/stilte-intervallen. Op basis van eerder onderzoek (Merkus J, 2020) waren HNR, shimer, klinkerduur en aantal (niet-talige) inademingen per lettergreep vermeende vocale biomarkers bij COPD. De eerste belangrijke bepalende factor is daarom het aantal (niet-taalkundige) inhalaties per lettergreep tijdens aanhoudende klinker van elke deelnemer. Dit zal worden gebruikt als invoer voor classificatiemodellen voor machinaal leren (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25% vs ≤ 25%) |
basislijn
|
|
harmonischen-ruisverhouding van aanhoudende klinker
Tijdsspanne: basislijn
|
Deelnemers zullen een aanhoudende klinker uitvoeren ('a' zeggen) in rust en na lichte inspanning waaruit verschillende metingen kunnen worden verkregen: lettergrepen per ademhalingsgroep, spreeksnelheid, articulatiesnelheid, gemiddelde frequentie, gemiddelde intensiteit, toonhoogtevariabiliteit, gemiddeld zwaartepunt , inademingen, niet-taalkundige inademingen, verhouding stem/stilte-intervallen. Op basis van eerder onderzoek (Merkus J, 2020) waren HNR, shimer, klinkerduur en aantal (niet-talige) inademingen per lettergreep vermeende vocale biomarkers bij COPD. De tweede belangrijke bepalende factor is daarom de verhouding tussen harmonischen en ruis tijdens aanhoudende klinkers. Dit zal worden gebruikt als invoer voor classificatiemodellen voor machinaal leren (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25% vs ≤ 25%) |
basislijn
|
|
klinkerduur van aanhoudende klinker
Tijdsspanne: basislijn
|
Deelnemers zullen een aanhoudende klinker uitvoeren ('a' zeggen) in rust en na lichte inspanning waaruit verschillende metingen kunnen worden verkregen: lettergrepen per ademhalingsgroep, spreeksnelheid, articulatiesnelheid, gemiddelde frequentie, gemiddelde intensiteit, toonhoogtevariabiliteit, gemiddeld zwaartepunt , inademingen, niet-taalkundige inademingen, verhouding stem/stilte-intervallen. Op basis van eerder onderzoek (Merkus J, 2020) waren HNR, shimer, klinkerduur en aantal (niet-talige) inademingen per lettergreep vermeende vocale biomarkers bij COPD. De derde sleutelbepalende factor is daarom de klinkerduur (in seconden) tijdens aanhoudende klinker. Dit zal worden gebruikt als invoer voor classificatiemodellen voor machinaal leren (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25% vs ≤ 25%) |
basislijn
|
|
glinstering van aanhoudende klinker
Tijdsspanne: basislijn
|
Deelnemers zullen een aanhoudende klinker uitvoeren ('a' zeggen) in rust en na lichte inspanning waaruit verschillende metingen kunnen worden verkregen: lettergrepen per ademhalingsgroep, spreeksnelheid, articulatiesnelheid, gemiddelde frequentie, gemiddelde intensiteit, toonhoogtevariabiliteit, gemiddeld zwaartepunt , inademingen, niet-taalkundige inademingen, verhouding stem/stilte-intervallen. Op basis van eerder onderzoek (Merkus J, 2020) waren HNR, shimer, klinkerduur en aantal (niet-talige) inademingen per lettergreep vermeende vocale biomarkers bij COPD. De vierde sleutelbepalende factor is daarom shimmer (in Hz) tijdens aanhoudende klinker. Dit zal worden gebruikt als invoer voor classificatiemodellen voor machinaal leren (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25% vs ≤ 25%) |
basislijn
|
|
end-tidal CO2 uit capnografie (ETCO2)
Tijdsspanne: basislijn
|
Deelname doe een rustige ademhaling (ademvolume) in rust en na lichte inspanning om CO2 te meten tijdens uitademing (capnogram) waaruit verschillende parameters kunnen worden gemeten, waarvan end-tidal CO2 (etCO2), fase 2 helling en fase 3 helling de meeste zijn onderscheidend voor COPD-fenotypering (Pereira 2016). De eerste belangrijke determinant van capnografie is daarom end-tidal CO2 (in mm Hg). Dit zal worden gebruikt als invoer voor classificatiemodellen voor machinaal leren (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25% vs ≤ 25%) |
basislijn
|
|
fase-2 helling van capnografie (slp2)
Tijdsspanne: basislijn
|
Deelname doe een rustige ademhaling (ademvolume) in rust en na lichte inspanning om CO2 te meten tijdens uitademing (capnogram) waaruit meerdere (meer dan 80) parameters kunnen worden gemeten, waaronder end-tidal CO2 (etCO2), fase 2 helling en fase 3-helling zijn het meest onderscheidend voor COPD-fenotypering (Pereira 2016). De tweede belangrijke bepalende factor van capnografie is daarom fase 2-helling (in mm Hg/L). Dit zal worden gebruikt als invoer voor classificatiemodellen voor machinaal leren (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25% vs ≤ 25%) |
basislijn
|
|
fase-2 helling van capnografie (slp3)
Tijdsspanne: basislijn
|
Deelname doe een rustige ademhaling (ademvolume) in rust en na lichte inspanning om CO2 te meten tijdens uitademing (capnogram) waaruit verschillende parameters kunnen worden gemeten, waarvan end-tidal CO2, fase 2 helling en fase 3 helling het meest kenmerkend zijn voor COPD fenotypering (Pereira 2016). De derde belangrijkste bepalende factor van capnografie is daarom fase 3-helling (in mm Hg/L). Dit zal worden gebruikt als invoer voor classificatiemodellen voor machinaal leren (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25% vs ≤ 25%) |
basislijn
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
serum sRAGE
Tijdsspanne: basislijn
|
Serum oplosbare receptor voor geavanceerde glycatie-eindproducten (sRAGE) uit perifeer bloed zal bij elke deelnemer worden bepaald.
Serum sRAGE wordt beschouwd als een bloedbiomarker voor emfyseem (Klont 2022).
Serum sRAGE-niveaus (in ng/ml) van elke deelnemer zullen worden gebruikt als invoervariabele voor machine learning-classificatiemodellen (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige bossen en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25 % versus ≤ 25%)
|
basislijn
|
|
verhouding van restvolume tot totale longcapaciteit (RV/TLC) op lichaamsplethysmografie
Tijdsspanne: basislijn
|
Emfyseem kan worden gemeten met behulp van lichaamsplethysmografie.
Verschillende variabelen kunnen worden gemeten met lichaamsplethysmografie: totale longcapaciteit (TLC), inspiratoire capaciteit (IC), functionele restcapaciteit (FRC), restvolume (RV), verhouding IC/TLC, verhouding FRC/TLC en verhouding RV/TLC .
De verhouding van RV/TLC is misschien wel de meest gevoelige maatstaf voor airtrapping als het eerste teken van emfyseem en wordt daarom gekozen als de belangrijkste uitkomstmaat van lichaamsplethysmografie.
RV/TLC-ratio (uitgedrukt als Z-score) van elke deelnemer zal worden gebruikt als invoervariabele voor machine learning-classificatiemodellen (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren ( >25% versus ≤ 25%)
|
basislijn
|
|
diffusiecapaciteit van de longen voor koolmonoxide
Tijdsspanne: basislijn
|
De diffusiecapaciteit van de longen voor koolmonoxide (DLCO) is een maatstaf voor het vermogen van de longen om gas uit de lucht naar de bloedstroom over te brengen en een afname van de DLCO wordt in verband gebracht met de mate van emfyseem in CT-scans op de borst.
DLCO (uitgedrukt als een Z-score) bij elke deelnemer wordt gemeten en gebruikt als invoervariabele voor machine learning-classificatiemodellen (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (> 25% versus ≤ 25%)
|
basislijn
|
|
geforceerd expiratoir volume in één seconde
Tijdsspanne: basislijn
|
Geforceerd expiratoir volume in één seconde (FEV1) is een maat voor de ernst van de onderliggende COPD.
postbronchodilatator FEV1 (uitgedrukt als een Z-score) bij elke deelnemer zal worden gemeten via spirometrie.
volgens ERS/ATS-richtlijnen.
FEV1 (Z-score) zal worden gebruikt als invoervariabele voor machine learning-classificatiemodellen (bijv. met behulp van logistische regressie, ondersteunende vectormachines, willekeurige forests en/of beslissingsboom) om emfyseem op CT-scan te classificeren (>25% vs ≤ 25%)
|
basislijn
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Sami Simons, MD PhD, Maastricht University
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- NL83173.068.22/METC22-071
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
product vervaardigd in en geëxporteerd uit de V.S.
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .