- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05735288
Hemodialyseresultater og pasientstyrkestudie 03 (HOPE-03)
Pilotskala, enarms, observasjonsstudie for å vurdere nytten av en maskinlæringsalgoritme for å vurdere væskestatus hos hemodialysepasienter
Dette er en prospektiv, enarms observasjonsstudie som tar sikte på å vurdere validiteten og reproduserbarheten til en algoritme for å vurdere væskestatus i en kohort av dialysepasienter.
Studien skal eksternt validere en eksisterende algoritme for tørrvektprediksjon i sanntid i en kohort av dialysepasienter.
Studieoversikt
Status
Forhold
Detaljert beskrivelse
Volumoverbelastning er en medvirkende årsak til den høye forekomsten av kardiovaskulær dødelighet og dødelighet av alle årsaker hos hemodialysepasienter. For tiden eksisterer ingen metode som konsekvent kan avgrense volumstatus og gi pasienter tilbakemelding for å tillate justeringer av væskeinntaket. Gjeldende standarder som brukes for å vurdere volum er enten dårlig prediktive for væskestatus, tungvinte å bruke eller mangler et adekvat pasientgrensesnitt.
En automatisert, nøyaktig og periodisk vurdering av tørrvekt vil være klinisk nyttig, rimelig og raskt skalerbar. Maskinlæringsmetoder har blitt mye studert innen nefrologi. Store mengder presise hemodialysedata, samlet inn og lagret elektronisk med jevne mellomrom, har potensial til å bli utnyttet i prediksjonen av pasientenes ekstracellulære volum eller ideelle væskestatus.
En rekke proof-of-concept maskinlæringsmodeller for prediksjon av tørrvekt i hemodialysedata er laget ved å bruke retrospektive data. Denne studien vil evaluere brukbarheten til maskinlæringsmodellene for å håndtere væskevolum hos hemodialysepasienter, samtidig som de vurderer deres validitet og reproduserbarhet mot validerte målinger; i dette tilfellet Body Composition Monitor (BCM) av Fresenius.
Ettersom maskinlæringsmodellen for å vurdere væskestatus ble trent og testet på retrospektive data, er det tilstrekkelig begrunnelse for å teste modellens ytelse, akseptabilitet og brukbarhet i en kontrollert, observasjonsprospektiv studie.
Dette vil være en 8-ukers prøveperiode med en 2-ukers innkjøringsperiode utført i et enkelt senter i Beaumont, Dublin, Irland. Bioimpedansmålinger ved bruk av Fresenius BCM vil bli utført annenhver uke. Hemodialysedata vil bli behandlet kontinuerlig gjennom hele forsøket. Algoritmen vil bruke hemodialysedata for å forutsi BCM-utgangen. Algoritmeprediksjonen vil bli sammenlignet med BCM-prediksjonen for å vurdere brukervennligheten.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
Leinster
-
Dublin, Leinster, Irland, 9
- Beaumont Hospital
-
Dublin, Leinster, Irland, D09V2N0
- Beaumont Hospital
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Motta vedlikeholdshemodialyse i ambulerende omsorgsmiljø
- Har fylt 18 år
- Viser forståelse for studiekravene.
- Villig til å gi skriftlig informert samtykke.
Ekskluderingskriterier:
- Forhold som utelukker nøyaktig bruk av bioimpedans (f.eks. amputasjoner av lemmer, alvorlig underernæring, graviditet, hjerteresynkroniseringsenheter, pacemakere).
- Betydelig forvirring eller enhver samtidig medisinsk tilstand som vil begrense pasientens evne til å registrere symptomer eller andre parametere.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
|---|
|
Hemodialysepasienter
Hemodialysepasienter som går til hemodialyse i en poliklinisk setting på Beaumont Hospital, Irland.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Hovedmålet er å bestemme gyldigheten av maskinlæringsmodellen ved å estimere bioimpedansbestemt tørrvekt hos hemodialysepasienter.
Tidsramme: 8 uker
|
Tørrvekt (kg) estimert av estimeringsmodellen for maskinlæring vil bli sammenlignet med bioimpedansnormohydreringsvekten i kg.
|
8 uker
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Akseptabilitet
Tidsramme: 8 uker
|
Akseptabiliteten av maskinlæringsmodellens resultater fra et klinisk helsevesenperspektiv vil bli vurdert.
|
8 uker
|
Samarbeidspartnere og etterforskere
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: O'Seaghdha, Royal College of Surgeons in Ireland
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Guo X, Zhou W, Lu Q, Du A, Cai Y, Ding Y. Assessing Dry Weight of Hemodialysis Patients via Sparse Laplacian Regularized RVFL Neural Network with L2,1-Norm. Biomed Res Int. 2021 Feb 4;2021:6627650. doi: 10.1155/2021/6627650. eCollection 2021.
- Collins AJ, Foley RN, Herzog C, Chavers BM, Gilbertson D, Ishani A, Kasiske BL, Liu J, Mau LW, McBean M, Murray A, St Peter W, Guo H, Li Q, Li S, Li S, Peng Y, Qiu Y, Roberts T, Skeans M, Snyder J, Solid C, Wang C, Weinhandl E, Zaun D, Arko C, Chen SC, Dalleska F, Daniels F, Dunning S, Ebben J, Frazier E, Hanzlik C, Johnson R, Sheets D, Wang X, Forrest B, Constantini E, Everson S, Eggers PW, Agodoa L. Excerpts from the US Renal Data System 2009 Annual Data Report. Am J Kidney Dis. 2010 Jan;55(1 Suppl 1):S1-420, A6-7. doi: 10.1053/j.ajkd.2009.10.009. No abstract available.
- Flythe JE, Chang TI, Gallagher MP, Lindley E, Madero M, Sarafidis PA, Unruh ML, Wang AY, Weiner DE, Cheung M, Jadoul M, Winkelmayer WC, Polkinghorne KR; Conference Participants. Blood pressure and volume management in dialysis: conclusions from a Kidney Disease: Improving Global Outcomes (KDIGO) Controversies Conference. Kidney Int. 2020 May;97(5):861-876. doi: 10.1016/j.kint.2020.01.046. Epub 2020 Mar 8.
- Tomasev N, Glorot X, Rae JW, Zielinski M, Askham H, Saraiva A, Mottram A, Meyer C, Ravuri S, Protsyuk I, Connell A, Hughes CO, Karthikesalingam A, Cornebise J, Montgomery H, Rees G, Laing C, Baker CR, Peterson K, Reeves R, Hassabis D, King D, Suleyman M, Back T, Nielson C, Ledsam JR, Mohamed S. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 2019 Aug;572(7767):116-119. doi: 10.1038/s41586-019-1390-1. Epub 2019 Jul 31.
- Lee H, Yun D, Yoo J, Yoo K, Kim YC, Kim DK, Oh KH, Joo KW, Kim YS, Kwak N, Han SS. Deep Learning Model for Real-Time Prediction of Intradialytic Hypotension. Clin J Am Soc Nephrol. 2021 Mar 8;16(3):396-406. doi: 10.2215/CJN.09280620. Epub 2021 Feb 11.
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- 21/82
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .