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

AI-voorspelde ziektetrajecten bij diabetes: een retrospectief onderzoek (AI-TRYDIA)

23 februari 2024 bijgewerkt door: Lorenzo Piemonti, IRCCS San Raffaele

Een retrospectief observationeel onderzoek naar het gebruik van kunstmatige intelligentie voor het voorspellen van ziektebeelden bij diabetes

De studie onderzoekt het gebruik van kunstmatige intelligentie (AI) om ziekteprogressietrajecten bij patiënten met diabetes te voorspellen. Door historische gegevens uit een retrospectief cohort te analyseren, willen we patronen en voorspellers van de evolutie van ziekten identificeren. De aanpak streeft ernaar gepersonaliseerde behandelstrategieën te verbeteren en de resultaten te verbeteren door potentiële complicaties en ziektemijlpalen te voorzien. De bevindingen kunnen de weg vrijmaken voor een doelgerichter en effectiever beheer van diabetes door middel van AI-gestuurde inzichten.

Studie Overzicht

Toestand

Nog niet aan het werven

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

Observationeel

Inschrijving (Geschat)

10000

Contacten en locaties

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

Studiecontact

Studie Locaties

    • Lombardy
      • Milan, Lombardy, Italië, 20132
        • Diabetes Research Institute-IRCCS Ospedale San Raffaele

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

  • Kind
  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

De onderzoekspopulatie bestaat uit personen met de diagnose Diabetes Mellitus, waaronder zowel Type 1 Diabetes Mellitus (T1DM) als Type 2 Diabetes Mellitus (T2DM). Deze populatie wordt geïdentificeerd aan de hand van medische dossiers die zijn ondergebracht in het Electronic Health Record (EPD)-systeem, waarbij specifiek gebruik wordt gemaakt van gegevens die zijn gegenereerd door de Smart Digital Clinic Software (Meteda) sinds de introductie ervan in onze ziekenhuisomgeving.

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

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
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

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

Onderzoekers

  • Hoofdonderzoeker: Lorenzo Piemonti, MD, IRCCS Ospedale San Raffaele SRL
  • Studie directeur: Emanuele Bosi, MD, IRCCS Ospedale San Raffaele SRL

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 (Geschat)

1 maart 2024

Primaire voltooiing (Geschat)

1 maart 2025

Studie voltooiing (Geschat)

1 maart 2026

Studieregistratiedata

Eerst ingediend

15 februari 2024

Eerst ingediend dat voldeed aan de QC-criteria

23 februari 2024

Eerst geplaatst (Geschat)

28 februari 2024

Updates van studierecords

Laatste update geplaatst (Geschat)

28 februari 2024

Laatste update ingediend die voldeed aan QC-criteria

23 februari 2024

Laatst geverifieerd

1 februari 2024

Meer informatie

Termen gerelateerd aan deze studie

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

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 .

Abonneren