Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

AI-predikerte sykdomsbaner i diabetes: En retrospektiv studie (AI-TRYDIA)

23. februar 2024 oppdatert av: Lorenzo Piemonti, IRCCS San Raffaele

En retrospektiv observasjonsstudie for å bruke kunstig intelligens for å forutsi sykdomsforløp ved diabetes

Studien utforsker bruken av kunstig intelligens (AI) for å forutsi sykdomsprogresjonsbaner hos pasienter med diabetes. Ved å analysere historiske data fra en retrospektiv kohort, tar vi sikte på å identifisere mønstre og prediktorer for sykdomsutvikling. Tilnærmingen søker å forbedre personlige behandlingsstrategier og forbedre resultatene ved å forutse potensielle komplikasjoner og sykdomsmilepæler. Funnene kan bane vei for mer målrettet og effektiv behandling av diabetes gjennom AI-drevet innsikt.

Studieoversikt

Status

Har ikke rekruttert ennå

Intervensjon / Behandling

Detaljert beskrivelse

Den foreslåtte studien tar sikte på å utnytte kraften til kunstig intelligens (AI) og maskinlæring (ML) for å møte kritiske kliniske behov i behandlingen av Diabetes Mellitus (DM), en kronisk og ikke-remissiv sykdom som har betydelig innvirkning på pasientenes liv. Til tross for tilgjengeligheten av hypoglykemiske terapier, er forebygging av både mikrovaskulære (retinopati, nefropati, nevropati) og makrovaskulære (kardiovaskulær, cerebrovaskulær sykdom og perifer arteriell sykdom) komplikasjoner fortsatt en utfordring, med diabetespasienter med høyere risiko sammenlignet med befolkningen generelt.

Studien fokuserer på to primære mål: For det første å på forhånd identifisere pasienter med varierende sannsynlighet for å utvikle DM-komplikasjoner, noe som muliggjør en mer ressurskrevende tilnærming for de med større risiko; for det andre å finne de mest effektive terapeutiske valgene skreddersydd til individuelle pasientprofiler. Disse målene stammer fra distinkte kliniske egenskaper og behov i håndteringen av Type 1 DM (T1DM) og Type 2 DM (T2DM). For T1DM antyder fenomenet med delvis klinisk remisjon etter diagnose, preget av redusert insulinbehov og glykemisk variasjon, et vindu for forbedrede langsiktige resultater. Motsatt mangler T2DM-behandling tydelig veiledning for personlige medisineringsregimer etter metformin, noe som fremhever et gap i behandlingsoptimalisering.

Å utnytte AI og ML for analyse av multidimensjonale og longitudinelle helsedata presenterer en innovativ tilnærming til å forutsi sykdomsbaner og terapeutiske utfall i DM. Denne observasjonelle, retrospektive studien, opprinnelig monosentrisk med potensial for bredere dataintegrasjon, vil fordype seg i elektroniske helsejournaler (EHR) ved hjelp av Smart Digital Clinic Software (Meteda). Ved å screene pasienter basert på spesifikke kvalifikasjonskriterier, inkludert DM-typeklassifisering og historiske helsemarkører, har denne forskningen som mål å generere to distinkte pasientkohorter for dybdeanalyse.

Denne studien adresserer ikke bare en presserende klinisk nødvendighet ved å ta sikte på å forbedre personlig DM-behandling og forhindre komplikasjoner, men bidrar også til det begynnende feltet av AI-anvendelse i helsevesenet. Gjennom denne utforskningen søker studien å tilby ny innsikt, validere AI og MLs nytte i medisinske spådommer, og etablere et grunnlag for fremtidig forskning og klinisk praksis som omfavner teknologiske fremskritt for forbedret pasientbehandling.

Studietype

Observasjonsmessig

Registrering (Antatt)

10000

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studiesteder

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

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

  • Barn
  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

Studiepopulasjonen omfatter individer diagnostisert med diabetes mellitus, som omfatter både type 1 diabetes mellitus (T1DM) og type 2 diabetes mellitus (T2DM). Denne populasjonen er identifisert gjennom medisinske journaler som er plassert i systemet for elektronisk helsejournal (EPJ), og bruker spesifikt data generert av Smart Digital Clinic-programvaren (Meteda) siden oppstarten i vårt sykehusmiljø.

Beskrivelse

Inklusjonskriterier:

  • Diagnose: Personer med en bekreftet diagnose av T1DM eller T2DM, som indikert av deres EPJ-etiketter eller en historie med glykert hemoglobinnivå og medisinbruk i samsvar med diabetesbehandling.
  • Alder: Pasienter i alle aldre vurderes, med undergrupper muligens definert for mer detaljert analyse (f.eks. pediatrisk, voksen, senior).
  • Behandlingshistorie: Både pasienter som er nylig diagnostisert og de med en etablert historie med diabetesbehandling, inkludert insulin og orale hypoglykemiske midler, er inkludert for å fange opp et bredt spekter av sykdomsbaner.

Ekskluderingskriterier:

  • Ufullstendige journaler: Pasienter med ufullstendige journaler som ikke gir tilstrekkelig informasjon om diabetesdiagnose, behandlingshistorie eller oppfølgingsdata er ekskludert.
  • Andre betydelige sykdommer: Individer med komorbide tilstander som kan endre den naturlige historien til diabetes eller behandling av den (f.eks. nyresykdom i sluttstadiet som ikke er relatert til diabetes, aktiv kreftbehandling) kan ekskluderes for å sikre at studien fokuserer på diabetesbanen.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
T1DM-kohort
A. T1DM-etikett festet i EPJ ELLER B. pasienter med minst en registrering av glykert hemoglobinnivå på >6,5 % (48 mmol/mol) OG < 45 år gammel OG ingen bruk av oralt antidiabetisk medikament OG positivitet på ≥2 anti- holme antistoffer
Studien vil undersøke klassifisering (dvs. logistisk regresjon, beslutningstre, tilfeldig skog, støttevektormaskin, K nærmeste nabo, naive bukter) ML-modeller og behandlingseffektestimering ML-modeller (T-learner, X-learner..).
T2DM-kohort:
A. T2DM-etikett festet i EPJ ELLER B. pasienter med minst en registrering av glykert hemoglobinnivå på >6,5 % (48 mmol/mol) OG medisinhistorie med antidiabetisk medikament som omfatter insulin eller ikke
Studien vil undersøke klassifisering (dvs. logistisk regresjon, beslutningstre, tilfeldig skog, støttevektormaskin, K nærmeste nabo, naive bukter) ML-modeller og behandlingseffektestimering ML-modeller (T-learner, X-learner..).

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Primært endepunkt
Tidsramme: 0-36 måneder
Utvikling og validering av en modell for å forutsi Partiell Clinical Remission (PCR) for å identifisere individer diagnostisert med T1D som mest sannsynlig vil gjennomgå PCR i de tidlige stadiene av sykdommens naturlige historie. Definisjonen for PCR, nemlig glykert hemoglobin justert for insulindose (IDAA1c), vil bli evaluert 6 og 12 måneder etter utbruddet av diabetes. Avsendere og ikke-avsendere vil bli dikotomt delt på IDAA1c ≤9 og IDAA1c >9
0-36 måneder
Primært endepunkt
Tidsramme: 0-36 måneder
Utvikling og validering av en modell for å forutsi utviklingen av kroniske komplikasjoner hos pasienter med diabetes
0-36 måneder
Primært endepunkt
Tidsramme: 0-36 måneder
Utvikling og validering av en modell for å forutsi respons på forskjellige andre behandlingslinjer i tillegg til metformin hos pasienter med T2D som har mislyktes i første linje med metformin alene.
0-36 måneder

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Utforskende mål
Tidsramme: 0-36 måneder
Samle erfaring med AI-arbeidsflyten i helsevesenet, fra datainnsamling til modellutvikling og testing.
0-36 måneder

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Etterforskere

  • Hovedetterforsker: Lorenzo Piemonti, MD, IRCCS Ospedale San Raffaele SRL
  • Studieleder: Emanuele Bosi, MD, IRCCS Ospedale San Raffaele SRL

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Antatt)

1. mars 2024

Primær fullføring (Antatt)

1. mars 2025

Studiet fullført (Antatt)

1. mars 2026

Datoer for studieregistrering

Først innsendt

15. februar 2024

Først innsendt som oppfylte QC-kriteriene

23. februar 2024

Først lagt ut (Antatt)

28. februar 2024

Oppdateringer av studieposter

Sist oppdatering lagt ut (Antatt)

28. februar 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

23. februar 2024

Sist bekreftet

1. februar 2024

Mer informasjon

Begreper knyttet til denne studien

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

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. .

Abonnere