- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT06280729
AI-predikerte sykdomsbaner i diabetes: En retrospektiv studie (AI-TRYDIA)
En retrospektiv observasjonsstudie for å bruke kunstig intelligens for å forutsi sykdomsforløp ved diabetes
Studieoversikt
Status
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
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Lorenzo Piemonti, MD
- Telefonnummer: +390226432706
- E-post: piemonti.lorenzo@hsr.it
Studiesteder
-
-
Lombardy
-
Milan, Lombardy, Italia, 20132
- Diabetes Research Institute-IRCCS Ospedale San Raffaele
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
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
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
Sponsor
Etterforskere
- Hovedetterforsker: Lorenzo Piemonti, MD, IRCCS Ospedale San Raffaele SRL
- Studieleder: Emanuele Bosi, MD, IRCCS Ospedale San Raffaele SRL
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
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- AI-TRYDIA
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. .