- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT06280729
AI-voorspelde ziektetrajecten bij diabetes: een retrospectief onderzoek (AI-TRYDIA)
Een retrospectief observationeel onderzoek naar het gebruik van kunstmatige intelligentie voor het voorspellen van ziektebeelden bij diabetes
Studie Overzicht
Toestand
Interventie / Behandeling
Gedetailleerde beschrijving
Het voorgestelde onderzoek heeft tot doel de kracht van kunstmatige intelligentie (AI) en machine learning (ML) te benutten om tegemoet te komen aan kritische klinische behoeften bij de behandeling van Diabetes Mellitus (DM), een chronische en niet-remissieve ziekte die een aanzienlijke impact heeft op het leven van patiënten. Ondanks de beschikbaarheid van hypoglycemische therapieën blijft de preventie van zowel microvasculaire (retinopathie, nefropathie, neuropathie) als macrovasculaire (cardiovasculaire, cerebrovasculaire ziekte en perifere arteriële ziekte) complicaties een uitdaging, waarbij diabetespatiënten een hoger risico lopen in vergelijking met de algemene bevolking.
De studie richt zich op twee primaire doelstellingen: ten eerste: het a priori identificeren van patiënten met verschillende kansen op het ontwikkelen van DM-complicaties, waardoor een meer middelenintensieve aanpak mogelijk wordt voor degenen die een groter risico lopen; ten tweede, om de meest effectieve therapeutische keuzes vast te stellen, afgestemd op individuele patiëntprofielen. Deze doelstellingen vloeien voort uit verschillende klinische kenmerken en behoeften bij de behandeling van type 1 DM (T1DM) en type 2 DM (T2DM). Voor T1DM suggereert het fenomeen van gedeeltelijke klinische remissie na de diagnose, gekenmerkt door een verminderde insulinebehoefte en glycemische variabiliteit, een venster voor verbeterde langetermijnresultaten. Omgekeerd ontbeert het management van T2DM duidelijke richtlijnen voor gepersonaliseerde medicatieregimes na metformine, wat een leemte in de optimalisatie van de behandeling benadrukt.
Het gebruik van AI en ML voor de analyse van multidimensionale en longitudinale gezondheidsgegevens biedt een innovatieve benadering voor het voorspellen van ziektetrajecten en therapeutische resultaten bij DM. Deze observationele, retrospectieve studie, aanvankelijk monocentrisch met potentieel voor bredere data-integratie, zal zich verdiepen in elektronische medische dossiers (EPD) met behulp van de Smart Digital Clinic Software (Meteda). Door patiënten te screenen op basis van specifieke geschiktheidscriteria, waaronder DM-typeclassificatie en historische gezondheidsmarkers, streeft dit onderzoek ernaar twee verschillende patiëntencohorten te genereren voor diepgaande analyse.
Deze studie richt zich niet alleen op een dringende klinische noodzaak door te streven naar het verbeteren van gepersonaliseerd DM-management en het voorkomen van complicaties, maar draagt ook bij aan het opkomende veld van AI-toepassing in de gezondheidszorg. Door deze verkenning wil het onderzoek nieuwe inzichten bieden, het nut van AI en ML in medische voorspellingen valideren en een basis leggen voor toekomstig onderzoek en klinische praktijken die technologische vooruitgang omarmen voor een betere patiëntenzorg.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: Lorenzo Piemonti, MD
- Telefoonnummer: +390226432706
- E-mail: piemonti.lorenzo@hsr.it
Studie Locaties
-
-
Lombardy
-
Milan, Lombardy, Italië, 20132
- Diabetes Research Institute-IRCCS Ospedale San Raffaele
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Diagnose: Personen met een bevestigde diagnose van T1DM of T2DM, zoals aangegeven door hun EPD-labels of een voorgeschiedenis van geglycosyleerd hemoglobinegehalte en medicijngebruik in overeenstemming met diabetesmanagement.
- Leeftijd: Er wordt rekening gehouden met patiënten van alle leeftijden, waarbij mogelijk subgroepen worden gedefinieerd voor meer gedetailleerde analyse (bijv. pediatrisch, volwassen, senior).
- Behandelingsgeschiedenis: Zowel patiënten bij wie de diagnose nieuw is gesteld als patiënten met een gevestigde geschiedenis van diabetesbehandeling, waaronder insuline en orale hypoglycemische middelen, zijn opgenomen om een breed spectrum van ziektetrajecten vast te leggen.
Uitsluitingscriteria:
- Onvolledige dossiers: Patiënten met onvolledige medische dossiers die onvoldoende informatie verschaffen over hun diabetesdiagnose, behandelgeschiedenis of follow-upgegevens worden uitgesloten.
- Andere significante ziekten: Individuen met comorbide aandoeningen die het natuurlijke beloop van diabetes of de behandeling ervan aanzienlijk kunnen veranderen (bijv. terminale nierziekte die geen verband houdt met diabetes, actieve kankerbehandeling) kunnen worden uitgesloten om ervoor te zorgen dat het onderzoek zich op het diabetestraject concentreert.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
T1DM-cohort
A. T1DM-label bijgevoegd in het EPD OF B. patiënten met ten minste een record van geglyceerd hemoglobinegehalte van >6,5% (48 mmol/mol) EN < 45 jaar oud EN geen gebruik van orale antidiabetica EN positiviteit van ≥2 anti-diabetica antilichamen tegen eilandjes
|
De studie zal classificatie (dwz logistische regressie, beslissingsboom, willekeurig bos, ondersteuningsvectormachine, K dichtstbijzijnde buur, naïeve bayes) ML-modellen en ML-modellen voor het schatten van behandelingseffecten (T-leerling, X-leerling..) onderzoeken.
|
|
T2DM-cohort:
A. T2DM-label bijgevoegd in het EPD OF B. patiënten met ten minste een record van geglyceerd hemoglobinegehalte van >6,5% (48 mmol/mol) EN Medicatiegeschiedenis van antidiabeticum dat al dan niet insuline bevat
|
De studie zal classificatie (dwz logistische regressie, beslissingsboom, willekeurig bos, ondersteuningsvectormachine, K dichtstbijzijnde buur, naïeve bayes) ML-modellen en ML-modellen voor het schatten van behandelingseffecten (T-leerling, X-leerling..) onderzoeken.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Primair eindpunt
Tijdsspanne: 0-36 maand
|
Ontwikkeling en validatie van een model om Partiële Klinische Remissie (PCR) te voorspellen om individuen met de diagnose T1D te identificeren die de meeste kans hebben om PCR te ondergaan in de vroege stadia van het natuurlijke beloop van de ziekte.
De definitie voor PCR, namelijk geglyceerd hemoglobine aangepast voor de insulinedosis (IDAA1c), zal 6 en 12 maanden na het ontstaan van diabetes worden geëvalueerd.
Remitters en niet-remitters worden dichotoom verdeeld door IDAA1c ≤9 en IDAA1c >9
|
0-36 maand
|
|
Primair eindpunt
Tijdsspanne: 0-36 maand
|
Ontwikkeling en validatie van een model om de ontwikkeling van chronische complicaties bij patiënten met diabetes te voorspellen
|
0-36 maand
|
|
Primair eindpunt
Tijdsspanne: 0-36 maand
|
Ontwikkeling en validatie van een model om de respons op verschillende tweede therapielijnen naast metformine te voorspellen bij patiënten met type 2 diabetes die de eerste lijn met alleen metformine niet hebben gehaald.
|
0-36 maand
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Verkennende doelstellingen
Tijdsspanne: 0-36 maand
|
Doe ervaring op met de AI-workflow in de gezondheidszorg, van data-acquisitie tot modelontwikkeling en testen.
|
0-36 maand
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Hoofdonderzoeker: Lorenzo Piemonti, MD, IRCCS Ospedale San Raffaele SRL
- Studie directeur: Emanuele Bosi, MD, IRCCS Ospedale San Raffaele SRL
Studie record data
Bestudeer belangrijke data
Studie start (Geschat)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Geschat)
Updates van studierecords
Laatste update geplaatst (Geschat)
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
- AI-TRYDIA
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
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 .