Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

De potentiële waarde en impact van diagnostische biomarkers voor MAFLD met behulp van machine learning-methoden

Dit is een case-control studie die tot doel heeft een voorspellend model voor MAFLD te bouwen op basis van machinaal leren.

Studie Overzicht

Toestand

Actief, niet wervend

Gedetailleerde beschrijving

Metabole dysfunctie-geassocieerde leververvetting (MAFLD), ook bekend als niet-alcoholische leververvetting (NAFLD), is wereldwijd een van de meest voorkomende leverziekten met een hoge prevalentie en economische last, die 25% van de volwassen wereldbevolking treft. Ondanks uitgebreid onderzoek naar het begrijpen van de innerlijke pathofysiologie van MAFLD, blijft de ziekte nog steeds groeien zonder goedkeuringstherapie. Daarom zijn preventieve maatregelen bijzonder belangrijk bij het diagnosticeren van MAFLD. Tot nu toe is de leverbiopsie nog steeds de gouden standaard voor de diagnose van MAFLD, maar gezien het invasieve proces en de potentiële risico's wordt deze nog steeds weinig geaccepteerd door asymptomatische patiënten. Daarom zijn niet-invasieve methoden noodzakelijk.

Het doel van deze studie is om een ​​voorspellingsmodel op te zetten om MAFLD-patiënten te identificeren, dat nauwkeurig kan voorspellen of de deelnemers MAFLD hebben volgens de relevante metabolische indicatoren van de deelnemers, zonder de noodzaak van invasieve onderzoeken zoals weefselbiopsie.

Studietype

Observationeel

Inschrijving (Geschat)

500

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studie Locaties

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

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Bij Chinese deelnemers van 18 jaar of ouder werd bij beeldvorming de diagnose MAFLD gesteld en bij gezonde vrijwilligers zonder MAFLD.

Beschrijving

Inclusiecriteria:

  1. in de leeftijd van 18 tot 75 jaar;
  2. voldoen aan de diagnostische criteria van MAFLD;
  3. bij beeldvormend onderzoek werden geen andere organische laesies gevonden;
  4. bereid en in staat zijn om geïnformeerde toestemming te ondertekenen.

Uitsluitingscriteria:

  1. significante drinkgeschiedenis (wekelijkse alcoholconsumptie ≥ 140 g voor mannen, of wekelijkse alcoholconsumptie ≥ 70 g voor vrouwen);
  2. aanwezigheid van bewijs voor hepatische steatose, virale hepatitis, voorgeschiedenis van leverkanker, door geneesmiddelen veroorzaakte leverbeschadiging, levercirrose en andere lever- en galwegziekten;
  3. ernstige orgaanstoringen, ernstige systemische ziekten, geestelijke gezondheidsproblemen of het onvermogen om onderzoek af te ronden;
  4. zwanger of zwangerschapsplanning vrouw;
  5. ontbreken van belangrijke klinische gegevens.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Cohorten en interventies

Groep / Cohort
casus groep
MAFLD-patiënten
controlegroep
gezondheid mensen

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Gebied onder behandeling
Tijdsspanne: 2022-2024
Area under curing (AUC) werd gedefinieerd als het gebied dat wordt omsloten door de coördinatenas onder de karakteristieke curve van de ontvanger, met waarden variërend van 0,5 tot 1,0. Hoe dichter de AUC bij 1,0 ligt, hoe hoger de authenticiteit van de detectiemethode; hoe dichter bij 0,5, hoe lager de authenticiteit van de detectiemethode; indien gelijk aan 0,5 is de authenticiteit het laagst en heeft deze geen toepassingswaarde.
2022-2024

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Nauwkeurigheid
Tijdsspanne: 2022-2024
De verhouding tussen het aantal correct geclassificeerde monsters en het totale aantal monsters.
2022-2024
Precisie
Tijdsspanne: 2022-2024
Het deel van de gegevens dat daadwerkelijk positief is onder de gegevens waarvan is vastgesteld dat ze positief zijn.
2022-2024

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 juni 2023

Primaire voltooiing (Geschat)

30 juni 2024

Studie voltooiing (Geschat)

31 december 2024

Studieregistratiedata

Eerst ingediend

25 september 2023

Eerst ingediend dat voldeed aan de QC-criteria

25 september 2023

Eerst geplaatst (Werkelijk)

29 september 2023

Updates van studierecords

Laatste update geplaatst (Werkelijk)

29 september 2023

Laatste update ingediend die voldeed aan QC-criteria

25 september 2023

Laatst geverifieerd

1 september 2023

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 2021-KL-202-01

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

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 .

3
Abonneren