- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT06195566
Utvikling av PI-ML-algoritme for prediksjon av sanntidsrisiko for utvikling av pre-diabetes (PRAESIIDIUM)
Fysikkinformert maskinlæringsbasert prediksjon og reversering av svekket fastende glukosebehandling
I denne prospektive, ikke-randomiserte, monosentriske studien vil data bli samlet inn fra ellers friske individer med overvekt/fedme grad I for å øke datatilgjengeligheten i pre-diabetes-feltet (svekket glukoseintoleranse), og for å validere utdataene til en algoritme for "fysikk-informert maskinlæring (PIML)" designet for å estimere sanntidsrisikoen for prediabetes. Hver deltaker vil delta i studien i 4 måneder, inkludert 3 besøk på stedet.
Under screeningbesøket vil deltakernes kvalifisering bli bestemt ved å sjekke inkluderings- og eksklusjonskriteriene etter detaljert informasjon og innhente informert samtykke fra etterforskeren. Blod vil bli tatt ut for utelukkelse av eksisterende prediabetes/diabetes ved fastende tilstand. For kvinner i reproduktiv alder vil det bli utført en uringraviditetstest. Etter å ha fått resultatene av blodprøver (glukose og HbA1c), vil deltakerne bli bedt om å delta i studien.
På besøk 1 vil kvalifiserte deltakere ankomme studiesenteret i fastende tilstand. Det vil bli tatt blodprøver og deltakerne får hetteglass og instruksjoner for innsamling av avførings- og urinprøver. Antropometriske data, livsstilsvaner (sigarett, alkoholforbruk) og familiehistorie vil bli samlet inn. En 6-minutters gangtest for å bestemme VO2-maks vil deretter bli utført. Deltakerne vil motta en blindet Abbott Libre Pro glukosesensor, som de vil ha på seg de neste 14 dagene. Videre vil deltakerne få et Fitbit Charge 5 helse- og treningsarmbånd. For valideringsformål vil en del av studiedeltakerne bli bedt om å teste nyutviklet håndleddsbåret enhet (EDIBit). Ved hjelp av 24-timers tilbakekalling av mat, vil studieobjekter bli opplært av medisinsk personell i hvordan de skal legge inn matinntaket riktig i Study-appen for å fullføre digitale 3-dagers matdagbøker. De vil bli bedt om å fylle ut dagbøkene i 3 dager etter studiebesøk1 og 3 dager før studiebesøk2. De vil også motta et spørreskjema om matfrekvens under besøk1.
Det andre studiebesøket vil forløpe nesten identisk med studiebesøk1 (bortsett fra spørreskjemaet om matfrekvens som vil bli utelatt). Under dette besøket vil deltakerne motta informasjonsark om fysisk aktivitet og kostholdsanbefalinger.
Det tredje og siste besøket vil forløpe nesten identisk med studiebesøket2, bortsett fra at ingen ny glukosesensor vil bli satt inn og heller ikke avføringsprøver vil bli tatt.
Studieoversikt
Status
Detaljert beskrivelse
Ikke-smittsomme sykdommer (NCD) som kreft, hjerte- og karsykdommer og diabetes representerer 74 % av sykdomsbyrden globalt og er de viktigste årsakene til for tidlig dødsfall som kan forebygges. (1,2).
Diabetes er en kronisk NCD preget av forhøyede blodsukkernivåer. I 2021 var prevalensen av diabetes i Europa 1 av 11 voksne (61 millioner), et tall anslått å stige til 69 millioner innen 2045. (3) Den globale behandlingen og behandlingen av diabetes kostet 988 milliarder dollar i 2021. Til tross for disse utgiftene er diabetes fortsatt den tredje ledende dødsårsaken, og står for 6,7 millioner dødsfall, med 1,1 millioner av disse i Europa alene. Blant de forskjellige typene utgjør type 2-diabetes (T2D) 90 % av de totale diabetestilfellene, hovedsakelig i voksen alder. (3,4) Risikofaktorer for T2D inkluderer genetisk predisposisjon, familiehistorie, metabolsk syndrom, fedme, fysisk inaktivitet, alder og etnisitet. Det er 541 millioner voksne over hele verden med nedsatt glukosetoleranse (IGT), en betydelig risikofaktor for T2D. (5,6) IGT og Impaired Fasting Glucose (IFG) representerer mellomliggende tilstander innenfor "sunn-til-T2D-overgangen" og er symptomer på prediabetes. (7,8) Spesielt representerer prediabetes en tilstand i tidlig stadium som kan reverseres. Studier viser at T2D-progresjon kan reduseres med omtrent 58 % innen tre år gjennom livsstilsendringer. Fysisk aktivitet på 30-54 minutter minst 2-5 dager i uken anbefales, samt et sunt kosthold. (9) Det er gjort innsats for å utvikle ikke-invasive diabetesrisikoprediksjonsmodeller basert på klinisk tilgjengelige parametere. (10) Utbruddet av T2D involverer komplekse multiskalamekanismer som starter fra molekyl-, vev- og organnivåer, noe som fører til dysfunksjon i fysiologiske prosesser. Kroniske inflammatoriske biomarkører spiller en betydelig rolle i T2D-patogenesen. Å anerkjenne denne tilnærmingen på flere nivåer er et skritt mot personlig tilpasset sykdomsdiagnose. Det er imidlertid fortsatt utfordringer knyttet til modellering av "sunn-til-prediabetes-overgangen" fra både casestudie og metodologiske perspektiver. (5,13,14) Målet med dette prosjektet er utviklingen av et prototypeverktøy, rettet mot sanntidsprediksjon av prediabetisk risiko. Dette verktøyet vil inkludere en serie pasientspesifikke matematiske modeller som simulerer metabolisme, bukspyttkjertelhormonproduksjon, mikrobiometabolitter, inflammatoriske prosesser og immunsystemrespons. Disse modellene ble opprinnelig utviklet under FP7 MISSION-T2D-prosjektet og videreutviklet til implementering av en integrert, flernivå- og pasientspesifikk modell, som inkluderer genetiske, metabolske og ernæringsmessige data for simulering og prediksjon av metabolske og inflammatoriske prosesser i utbrudd og progresjon av T2D. (14-18) Prediksjonsalgoritmen vil bruke en "fysikk-informert maskinlæring" (PIML) tilnærming, som kombinerer et omfattende datasett fra både eksisterende og nye kliniske studier, med kontinuerlig datainngang gjennom bærbare sensorer. (19) Den endelige algoritmen vil være vert på en nettbasert plattform der både medisinsk fagpersonell og pasienter kan legge inn data fra flere kilder.
En dedikert prospektiv observasjonsstudie beskrevet i denne søknaden vil bli utført i Latvia som rekrutterer voksne deltakere med metabolske risikofaktorer - overvekt og fedme grad I, for datainnsamlingsformål for å validere den utviklede maskinlærings-PIML-algoritmen for sanntidsrisikoprediksjon før diabetes.
Datainnsamlinger har tre hovedformål: I. Inndata for in-silico MT2D-modellen:
Inndataene til simuleringene inkluderer følgende diskrete startparametere: kjønn (M/F); vekt; høyde; antall økter med fysisk aktivitet (0, 1, 2, 3); varigheten av anfallet av fysisk aktivitet (30, 60, 90 min); intensitet i form av % VO2max (40, 60); 3 måltider per dag; i hvert måltid spesifiseres karbohydrater (lav, middels, høy), proteiner (lav, middels, høy) og fett (lav, middels, høy).
II. Validering av MT2D-utgangene: Utgangsnumeriske verdier for simuleringene fra modellen inkluderer:
1) Betennelsesmarkører (registrert hver 8. time): B-celler (B-1, B-2), PBL, TH (Th1, Th2, Th17, Treg), CTL, Treg, NK, MA, DC, EP, ADIP ( antall, volum), IgM, IgG (IgG1, IgG2), IC, IL-2, IL-12, IFN-g, IL-4, TNF-a, TGF-b, IL-10, IL-6, IL- 18, IL-23, IFN-b, IL-lb, LPS, leptin;
a) Metabolske utfall (registrert hvert minutt): arterielle konsentrasjoner (glu, pyr, lac, ala, gly, FFA, tgl, O2, CO2); organer (22 metabolitter); hormoner (insulin, glukagon, adrenalin);fastende glukose; utseendehastighet (glukose, alanin, triglyserider);total daglig energibalanse; %VO2max; antropometriske mål: BW, BMI, fettmasse, fettfri masse.
III. Data for trening/validering av den fysikkinformerte maskinlæringsalgoritmen (PIML): demografiske data; helserelaterte data; livsstilsdata (f.eks. data om matforbruk og fysisk aktivitetsdata); kontinuerlig inntak gjennom bærbare sensorer (kontinuerlig glukoseovervåking (CGM og sporing av fysisk aktivitet, f.eks. Fitbit Charge 5, EDIBit.) Disse enhetene, som smartklokker og trenings-/aktivitetsmålere (f.eks. Fitbit, Fibion, Apple Watch), er utstyrt med sensorer som kan spore en rekke helsemålinger, inkludert fysisk aktivitet, hjertefrekvens, søvnmønster og i økende grad også for glukoseovervåking (ikke-invasiv kontinuerlig glukoseovervåking er fortsatt under utvikling). (20,21) Disse dataene kan brukes til å identifisere mønstre og trender i en persons helse, noe som kan hjelpe med tidlig oppdagelse av diabetes/prediabetes. (22) Maskinlæringsmodeller (ML) viser potensial for å forbedre tidlig oppdagelse ved å analysere ulike risikofaktorer og forutsi utfall. Men før disse modellene integreres i helsesystemer og klinisk praksis, må de evalueres grundig. En av de mest robuste metodene for slik evaluering er gjennom ekstern validering ved bruk av longitudinelle kohorter. (23-26) Under den kliniske studien kan deltakerne få støtte av en digital assistent som kan brukes til å foreta automatiske taleanrop til deltakerne for å samle inn data og gi brukerstøtte og oppfølging. Den digitale assistenten bruker forhåndsdefinerte dialoger (designet av prøvepersonell) og vokale svar fra deltakerne registreres som tekst/data i prøvedatabasen. Funksjonen til den digitale assistenten betraktes som et supplement til andre metoder for datafangst som spørreskjemaer, wearables, meldinger, vanlige telefonsamtaler.
Et undersett av deltakeren vil motta et studiededikert e-SIM (for å unngå å bruke en annen mobiltelefon), på hvilket nummer deltakeren kan bli oppringt av den digitale assistenten. Deltakerne vil bli informert om abonnentnummeret som brukes av den digitale assistenten, slik at de kan gjenkjenne innkommende anrop og fritt bestemme om de vil akseptere eller avvise dem, etter eget valg. Deltakere vil kunne stoppe denne automatiserte tjenesten når som helst.
I løpet av den kliniske studien kan deltakerne bli støttet av en digital assistent for å hjelpe folk bedre å overholde den kliniske studien.
Et undersett av deltakeren vil motta et studiededikert e-SIM (for å unngå å bruke en annen mobiltelefon), på hvilket nummer deltakeren kan bli oppringt av den digitale assistenten. Deltakerne vil bli informert om abonnentnummeret som brukes av den digitale assistenten, slik at de kan gjenkjenne innkommende anrop og fritt bestemme om de vil akseptere eller avvise dem, etter eget valg. Deltakere vil kunne stoppe denne automatiserte tjenesten når som helst.
Tidslinje og probands: Studien vil pågå i 15 måneder. I løpet av denne perioden vil 75 individer bli fulgt i 4 måneder. Rekrutteringen vil foregå fra januar 2024 til mars 2025, parallelt med studieperioden.
Emneidentifikasjon: For hver deltaker som har signert skjemaet for informert samtykke for deltaker, må etterforskeren tildele et unikt deltakeridentifikasjonsnummer på to bokstaver og tresifret.
Alle dokumenter, skjemaer og data (inkludert biomaterialer - urin-, blod- og avføringsprøver) filer vil merkes med denne deltaker-ID. Hver deltaker, kvalifisert og ikke kvalifisert, vil bli dokumentert i screenings- og påmeldingsloggen.
Databehandling: Dataene til deltakerne vil bli lagt inn i en eCRFs. En eCRF vil bli levert av prosjektkonsortiets partnere Spindox Labs og CheckHealth. eCRF vil bli vedlikeholdt av ansatte ved Universitetet i Latvia. Alle studiedata vil bli fanget opp i eCRF og overvåket av monitoren. Alle prosesser vil bli håndtert i henhold til standard driftsprosedyrer (SOPs).
Innsamlede data fra bærbare sensorer og fjernassisterte spørreskjemaer vil bli administrert av LinkWatch skybasert lagring under hele prosjektets varighet. Dette inkluderer vanlige sikkerhetskopieringsprosedyrer og sikkerhetsbestemmelser i samsvar med GDPR og CHKs sikkerhetspolicy. Sikkerhetspolitikken er basert på rammeverket anbefalt av den svenske beredskapsmyndigheten (Reg. 2016/679/UE), etter ISO/IEEE 27000.
Ingen papirskjemaer for spørreskjemaene vil bli brukt, bortsett fra informert form. Samtykkeskjema vil bli lagret i arkivet ved University of Latvia.
Matinntak av makronæringsstoffer vil bli oppnådd gjennom en tredagers matdagbok. Det vil bli gitt på forskjellige måter - initialisering av makronæringsstoffdatabasen med Finelli-databasen ferdig, ved å bruke åpen matfakta for pakket mat. I mellomtiden vil deltakerne bli bedt om å doble informasjonen, skrive matdagbok manuelt i tre dager.
I besøk 1 og besøk 3 spørreskjema for matfrekvens og i hvert besøk vil 24 timers tilbakekalling bli innhentet. Fysisk aktivitet vil bli sporet med en kommersielt tilgjengelig FitBit Charge 5-tracker.
Mellom besøk 1 og besøk 2 vil det ikke gis spesifikke anbefalinger. Denne fasen vil tjene som en datainnsamlingsperiode for nøyaktig å vurdere deltakernes nåværende livsstilsfaktorer. For å gi et større mangfold av innsamlede data, vil anbefalinger for fysisk aktivitet og et sunt kosthold bli gitt til deltakerne ved besøk 2. Disse reseptene vil samsvare med de relevante WHO-retningslinjene og oppsummeres i utlevert materiale.
Hos pasienter med T2DM øker regelmessig trening insulinfølsomhet og sekresjon, og forbedrer glukosetoleransen. Det bemerkes at en enkelt treningsøkt kan øke insulinfølsomheten, mens langvarig trening er nødvendig for å forbedre bukspyttkjertelfunksjonen hos T2DM-pasienter. Myokiner er utskilte faktorer fra skjelettmuskulatur, fettvev, lever, tarm osv. foreslått som cross-talk organmediatorer involvert i metabolske tilpasninger til trening. IL-6, IL-2, IL-10, leptin, vil bli vurdert for PIML-valideringsformål.
Blodprøver fra registrerte pasienter ved de tre kohortbesøkene (besøk 1, besøk 2 og besøk 3) vil bli samlet inn og først behandlet for å få plasmaprøver og midlertidig lagret (ved -80 °C) av rekrutteringsstedet (se nedenfor behandling av blodprøver før sending).
Plasmaprøver vil bli sendt til prosjektpartneren Italian Liver Foundation (FIF) i Basovizza, Trieste (Italia). Ved FIF vil plasmaprøver lagres ved temperatur (-80°C) og tilgangskontrollert fryser i 10 år.
Ved FIF vil batchprøver bli ufrosset og videre behandlet for å bestemme plasmamengder av interleukiner (IL-2, IL-6, IL-10 og leptin).
Blod vil bli samlet inn for bestemmelse av kliniske blodprøver på studiestedet og for prøveoverføring til FIF for videre biomarkøranalyse og konservering ved Universitetet i Latvia.
Deltakerne vil samle avføringsprøvene sine hjemme (til sammen to prøver - henholdsvis ved første og andre besøk). Hovedmålet med innsamling av avføringsprøver er å skape en langvarig PRAESIIDIUM-biobank. I et påfølgende øyeblikk kan avføringsprøver bli behandlet for mikrobiomanalyse. Etter ankomst til lokalt sykehus bør prøven fryses ved -80°C frem til behandling. Videre behandling - ved tilgjengelighet av ytterligere midler (Fondazione Italiana Fegato ONLUS, Italia).
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Zane Smite, Mg. Sci
- Telefonnummer: (+371) 28761602
- E-post: zane.smite@lu.lv
Studer Kontakt Backup
- Navn: Sabine Skrebinska
- Telefonnummer: (+371) 26235325
- E-post: sabine.skrebinska@gmail.com
Studiesteder
-
-
-
Riga, Latvia
- University of Latvia, Faculty of Medicine
-
Ta kontakt med:
- Aleksejs Fedulovs
- Telefonnummer: (+371) 28807671
- E-post: aleksejs.fedulovs@lu.lv
-
Ta kontakt med:
- Irena Puzirevska
- Telefonnummer: (+371) 29180748
- E-post: irena.puzirevska@lu.lv
-
Hovedetterforsker:
- Jelizaveta Sokolovska, Dr.med.
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Friske voksne frivillige (alder ≥ 18 år);
- Overvektige (BMI 25 - 29,9 kg/m2) og overvektige grad I individer (med BMI 30 - 34,9 kg/m2);
- Skriftlig samtykke fra deltakeren etter å ha blitt informert;
- Eierskap av en smarttelefon som kjører Android eller iOS.
Ekskluderingskriterier:
- Ikke-overholdelse;
- Pågående behandling med immunsuppressive og/eller antiinflammatoriske medisiner (NSAIDs, glukokortikoider, kjemoterapi, biologiske midler);
- Pågående behandling med glukosesenkende legemidler, unntatt hvis antidiabetisk medisin ikke er stoppet - for metformin en måned, for GLP-1 RA, tirzepatid - to måneder før registrering;
- Tilstedeværelse av autoimmun og/eller inflammatorisk sykdom (autoimmun skjoldbruskkjertelsykdom, psoriasis, inflammatorisk tarmsykdom);
- Hudforhold som hindrer bruk av kontinuerlige glukoseovervåkingssystemer;
- Diabetes eller prediabetes som diagnostisert av ADA/WHO-kriterier i henhold til fastende glukose og/eller HbA1c;
- Høyrisiko alkoholforbruk - ifølge NIAAA - National Institute on Alcohol Abuse and Alcoholism (for menn - mer enn 4 drinker på en dag eller mer enn 14 drinker per uke; for kvinner - mer enn 3 drinker på en dag eller mer enn 7 drinker per uke);
- Faktorer som ellers begrenser deltakelsen i studien i henhold til etterforskerens vurdering;
- Graviditet eller intensjon om å bli gravid i løpet av studiens tidslinje.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Validering av Mission T2D (MT2D) algoritmeutganger, som forutsier sanntidsrisikoen for å utvikle pre-diabetes.
Tidsramme: Studiet vil vare i 15 måneder. I løpet av denne perioden vil 75 individer bli fulgt i 4 måneder, inkludert screeningbesøk og tre besøk på stedet, hvis deltakerne oppfyller de forhåndsbestemte inklusjonskriteriene. Tidsramme mellom besøk er 65 dager (± 10
|
Datainnsamlinger har tre hovedformål inputdata for in-silico MT2D-modellen (kjønn, vekt, høyde, antall økter med fysisk aktivitet, varighet av anfall av fysisk aktivitet, intensitet i form av %VO2max, 3 måltider per dag (spesifisert makronæringsstoffer). Validering av MT2D-utdataene inkluderer betennelsesmarkører, metabolske utfall. De tredje dataene for trening/validering av den fysikkinformerte maskinlæringsalgoritmen (PIML): demografiske data; helserelaterte data; livsstilsdata (f.eks. data om matforbruk og fysisk aktivitetsdata); kontinuerlig inntak gjennom bærbare sensorer (kontinuerlig glukoseovervåking (CGM og sporing av fysisk aktivitet, f.eks. Fitbit Charge 5, EDIBit.) |
Studiet vil vare i 15 måneder. I løpet av denne perioden vil 75 individer bli fulgt i 4 måneder, inkludert screeningbesøk og tre besøk på stedet, hvis deltakerne oppfyller de forhåndsbestemte inklusjonskriteriene. Tidsramme mellom besøk er 65 dager (± 10
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Jelizaveta Sokolovska, Dr.med., University of Latvia, Faculty of Medicine
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Tabak AG, Herder C, Rathmann W, Brunner EJ, Kivimaki M. Prediabetes: a high-risk state for diabetes development. Lancet. 2012 Jun 16;379(9833):2279-90. doi: 10.1016/S0140-6736(12)60283-9. Epub 2012 Jun 9.
- American Diabetes Association. 2. Classification and Diagnosis of Diabetes: Standards of Medical Care in Diabetes-2021. Diabetes Care. 2021 Jan;44(Suppl 1):S15-S33. doi: 10.2337/dc21-S002. Erratum In: Diabetes Care. 2021 Sep;44(9):2182.
- Bleeker SE, Moll HA, Steyerberg EW, Donders AR, Derksen-Lubsen G, Grobbee DE, Moons KG. External validation is necessary in prediction research: a clinical example. J Clin Epidemiol. 2003 Sep;56(9):826-32. doi: 10.1016/s0895-4356(03)00207-5.
- Ezzati M, Riboli E. Can noncommunicable diseases be prevented? Lessons from studies of populations and individuals. Science. 2012 Sep 21;337(6101):1482-7. doi: 10.1126/science.1227001.
- Piovani D, Nikolopoulos GK, Bonovas S. Non-Communicable Diseases: The Invisible Epidemic. J Clin Med. 2022 Oct 8;11(19):5939. doi: 10.3390/jcm11195939.
- International Diabetes Federation. IDF Diabetes Atlas, 10th Edn. Brussels, Belgium: 2021. Available at: Https://www.Diabetesatlas.Org.
- Centers for Disease Control and Prevention. National Diabetes Statistics Report 2020 Website. https://www.cdc.gov/diabetes/pdfs/data/statistics/national-diabetes-statistics-report.pdf
- Ley SH, Schulze MB, Hivert MF, Meigs JB, Hu FB. Risk Factors for Type 2 Diabetes. In: Cowie CC, Casagrande SS, Menke A, Cissell MA, Eberhardt MS, Meigs JB, Gregg EW, Knowler WC, Barrett-Connor E, Becker DJ, Brancati FL, Boyko EJ, Herman WH, Howard BV, Narayan KMV, Rewers M, Fradkin JE, editors. Diabetes in America. 3rd edition. Bethesda (MD): National Institute of Diabetes and Digestive and Kidney Diseases (US); 2018 Aug. CHAPTER 13. Available from http://www.ncbi.nlm.nih.gov/books/NBK567966/
- Yang J, Qian F, Chavarro JE, Ley SH, Tobias DK, Yeung E, Hinkle SN, Bao W, Li M, Liu A, Mills JL, Sun Q, Willett WC, Hu FB, Zhang C. Modifiable risk factors and long term risk of type 2 diabetes among individuals with a history of gestational diabetes mellitus: prospective cohort study. BMJ. 2022 Sep 21;378:e070312. doi: 10.1136/bmj-2022-070312.
- Almeda-Valdes P, Cuevas-Ramos D, Aguilar-Salinas CA. Metabolic syndrome and non-alcoholic fatty liver disease. Ann Hepatol. 2009;8 Suppl 1:S18-24.
- Hegde H, Shimpi N, Panny A, Glurich I, Christie P, Acharya A. Development of non-invasive diabetes risk prediction models as decision support tools designed for application in the dental clinical environment. Inform Med Unlocked. 2019;17:100254. doi: 10.1016/j.imu.2019.100254. Epub 2019 Oct 16.
- Bernabe-Ortiz A, Perel P, Miranda JJ, Smeeth L. Diagnostic accuracy of the Finnish Diabetes Risk Score (FINDRISC) for undiagnosed T2DM in Peruvian population. Prim Care Diabetes. 2018 Dec;12(6):517-525. doi: 10.1016/j.pcd.2018.07.015. Epub 2018 Aug 18.
- Jolle A, Midthjell K, Holmen J, Carlsen SM, Tuomilehto J, Bjorngaard JH, Asvold BO. Validity of the FINDRISC as a prediction tool for diabetes in a contemporary Norwegian population: a 10-year follow-up of the HUNT study. BMJ Open Diabetes Res Care. 2019 Nov 28;7(1):e000769. doi: 10.1136/bmjdrc-2019-000769. eCollection 2019.
- Tsalamandris S, Antonopoulos AS, Oikonomou E, Papamikroulis GA, Vogiatzi G, Papaioannou S, Deftereos S, Tousoulis D. The Role of Inflammation in Diabetes: Current Concepts and Future Perspectives. Eur Cardiol. 2019 Apr;14(1):50-59. doi: 10.15420/ecr.2018.33.1.
- Castiglione F, Tieri P, De Graaf A, Franceschi C, Lio P, Van Ommen B, Mazza C, Tuchel A, Bernaschi M, Samson C, Colombo T, Castellani GC, Capri M, Garagnani P, Salvioli S, Nguyen VA, Bobeldijk-Pastorova I, Krishnan S, Cappozzo A, Sacchetti M, Morettini M, Ernst M. The onset of type 2 diabetes: proposal for a multi-scale model. JMIR Res Protoc. 2013 Oct 31;2(2):e44. doi: 10.2196/resprot.2854.
- Palumbo MC, de Graaf AA, Morettini M, Tieri P, Krishnan S, Castiglione F. A computational model of the effects of macronutrients absorption and physical exercise on hormonal regulation and metabolic homeostasis. Comput Biol Med. 2023 Sep;163:107158. doi: 10.1016/j.compbiomed.2023.107158. Epub 2023 Jun 16.
- Stolfi P, Valentini I, Palumbo MC, Tieri P, Grignolio A, Castiglione F. Potential predictors of type-2 diabetes risk: machine learning, synthetic data and wearable health devices. BMC Bioinformatics. 2020 Dec 14;21(Suppl 17):508. doi: 10.1186/s12859-020-03763-4.
- Prana V, Tieri P, Palumbo MC, Mancini E, Castiglione F. Modeling the Effect of High Calorie Diet on the Interplay between Adipose Tissue, Inflammation, and Diabetes. Comput Math Methods Med. 2019 Feb 3;2019:7525834. doi: 10.1155/2019/7525834. eCollection 2019.
- Palumbo MC, Morettini M, Tieri P, Diele F, Sacchetti M, Castiglione F. Personalizing physical exercise in a computational model of fuel homeostasis. PLoS Comput Biol. 2018 Apr 26;14(4):e1006073. doi: 10.1371/journal.pcbi.1006073. eCollection 2018 Apr.
- Karniadakis GE, Kevrekidis IG, Lu L, Perdikaris P, Wang S, Yang L. Physics-informed machine learning. Nat Rev Phys. 2021;3(6):422-440. doi:10.1038/s42254-021-00314-5
- Zafar H, Channa A, Jeoti V, Stojanovic GM. Comprehensive Review on Wearable Sweat-Glucose Sensors for Continuous Glucose Monitoring. Sensors (Basel). 2022 Jan 14;22(2):638. doi: 10.3390/s22020638.
- Yao H, Shum AJ, Cowan M, Lahdesmaki I, Parviz BA. A contact lens with embedded sensor for monitoring tear glucose level. Biosens Bioelectron. 2011 Mar 15;26(7):3290-6. doi: 10.1016/j.bios.2010.12.042. Epub 2010 Dec 31.
- Ellahham S. Artificial Intelligence: The Future for Diabetes Care. Am J Med. 2020 Aug;133(8):895-900. doi: 10.1016/j.amjmed.2020.03.033. Epub 2020 Apr 20.
- Al-Shamsi S, Govender RD, King J. External validation and clinical usefulness of three commonly used cardiovascular risk prediction scores in an Emirati population: a retrospective longitudinal cohort study. BMJ Open. 2020 Oct 28;10(10):e040680. doi: 10.1136/bmjopen-2020-040680.
- Rodrigues PM, Madeiro JP, Marques JAL. Enhancing Health and Public Health through Machine Learning: Decision Support for Smarter Choices. Bioengineering (Basel). 2023 Jul 2;10(7):792. doi: 10.3390/bioengineering10070792.
- Riley RD, Ensor J, Snell KI, Debray TP, Altman DG, Moons KG, Collins GS. External validation of clinical prediction models using big datasets from e-health records or IPD meta-analysis: opportunities and challenges. BMJ. 2016 Jun 22;353:i3140. doi: 10.1136/bmj.i3140. Erratum In: BMJ. 2019 Jun 25;365:l4379.
Studierekorddatoer
Studer hoveddatoer
Studiestart (Antatt)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Antatt)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 101095672
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
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. .
Kliniske studier på Kroppsvekt
-
University of FloridaNational Institute on Aging (NIA)RekrutteringLewy Body demens med atferdsforstyrrelse | Lewy Body Parkinsons sykdom | Lewy kroppssykdomForente stater
-
The Touro College and University SystemAktiv, ikke rekrutterendeMedical School Syndrome | Mind Body AwarenessForente stater
-
Ludwig-Maximilians - University of MunichFullførtInklusjonskroppsmyositt, sporadisk | Inclusion Body Myopati, Autosomal-recessiv | Inclusion Body Myopati, Autosomal-dominant | Medfødt grå stær, ansiktsdysmorfisme og nevropatiTyskland
-
University of PennsylvaniaNational Institute on Aging (NIA)RekrutteringParkinsons sykdom | Lewy Body demens med atferdsforstyrrelse | Lewy Body Parkinsons sykdom | Parkinsons sykdom demensForente stater
-
VA Salt Lake City Health Care SystemMind Body Bridging CharityAvsluttetSelvmordstanker | Mind Body BridgingForente stater
-
Medtronic Spine LLCFullførtVertebral Body Compression Fractures (VCF)Tyskland, Forente stater, Belgia
-
Assistance Publique - Hôpitaux de ParisRekrutteringInklusjonskroppsmyosittFrankrike
-
Abcuro, Inc.Syneos HealthAktiv, ikke rekrutterendeInklusjonskroppsmyosittForente stater, Australia, Belgia, Frankrike, Canada, Tyskland, Storbritannia
-
Centre Hospitalier Universitaire de NiceFullførtInklusjonskroppsmyosittFrankrike
-
Richard Barohn, MDFullførtInklusjonskroppsmyosittForente stater, Storbritannia