- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05735288
Wyniki hemodializy i badanie wzmocnienia pozycji pacjenta 03 (HOPE-03)
Pilotażowe, jednoramienne badanie obserwacyjne mające na celu ocenę przydatności algorytmu uczenia maszynowego w ocenie stanu płynów u pacjentów poddawanych hemodializie
Jest to prospektywne, jednoramienne badanie obserwacyjne, którego celem jest ocena ważności i odtwarzalności algorytmu oceny stanu płynów w kohorcie pacjentów dializowanych.
Badanie pozwoli na zewnętrzną weryfikację istniejącego algorytmu przewidywania suchej masy ciała w czasie rzeczywistym w kohorcie dializowanych pacjentów.
Przegląd badań
Status
Warunki
Szczegółowy opis
Przeciążenie objętościowe jest czynnikiem przyczyniającym się do wysokiego wskaźnika śmiertelności z przyczyn sercowo-naczyniowych i ogólnej śmiertelności wykazanej u pacjentów poddawanych hemodializie. Obecnie nie istnieje żadna metoda, która mogłaby konsekwentnie udoskonalać stan objętości i dostarczać pacjentom informacji zwrotnych, aby umożliwić dostosowanie przyjmowanych przez nich płynów. Obecne standardy stosowane do oceny objętości albo słabo przewidują stan płynów, są uciążliwe w użyciu, albo brakuje im odpowiedniego interfejsu pacjenta.
Zautomatyzowana, dokładna i okresowa ocena suchej masy byłaby użyteczna klinicznie, tania i szybko skalowalna. Metody uczenia maszynowego były szeroko badane w nefrologii. Duże ilości precyzyjnych danych dotyczących hemodializy, gromadzonych i przechowywanych elektronicznie w regularnych odstępach czasu, mogą zostać wykorzystane do przewidywania objętości zewnątrzkomórkowej pacjentów lub idealnego stanu płynów.
Na podstawie danych retrospektywnych stworzono szereg modeli uczenia maszynowego potwierdzających słuszność koncepcji do przewidywania suchej masy w danych z hemodializy. Badanie to oceni użyteczność modeli uczenia maszynowego w zarządzaniu objętością płynów u pacjentów hemodializowanych, jednocześnie oceniając ich ważność i odtwarzalność w porównaniu z zatwierdzonymi pomiarami; w tym przypadku Body Composition Monitor (BCM) firmy Fresenius.
Ponieważ model uczenia maszynowego do oceny stanu płynów został przeszkolony i przetestowany na danych retrospektywnych, istnieje wystarczające uzasadnienie dla testowania wydajności, akceptowalności i użyteczności modelu w kontrolowanym, obserwacyjnym badaniu prospektywnym.
Będzie to 8-tygodniowa próba z 2-tygodniowym okresem wstępnym prowadzona w jednym ośrodku w Beaumont, Dublin, Irlandia. Pomiary bioimpedancji za pomocą Fresenius BCM będą wykonywane co 2 tygodnie. Dane dotyczące hemodializy będą przetwarzane w sposób ciągły przez cały czas trwania badania. Algorytm wykorzysta dane z hemodializy do przewidywania wyniku BCM. Przewidywanie algorytmu zostanie porównane z przewidywaniem BCM, aby ocenić jego użyteczność.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Leinster
-
Dublin, Leinster, Irlandia, 9
- Beaumont Hospital
-
Dublin, Leinster, Irlandia, D09V2N0
- Beaumont Hospital
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Otrzymywanie hemodializy podtrzymującej w warunkach opieki ambulatoryjnej
- Wiek co najmniej 18 lat
- Wykazuje zrozumienie wymagań dotyczących studiów.
- Chęć wyrażenia pisemnej świadomej zgody.
Kryteria wyłączenia:
- Warunki uniemożliwiające dokładne wykorzystanie bioimpedancji (np. amputacje kończyn, ciężkie niedożywienie, ciąża, urządzenia do resynchronizacji serca, rozruszniki serca).
- Znaczne splątanie lub jakikolwiek współistniejący stan chorobowy, który ograniczałby zdolność pacjenta do rejestrowania objawów lub innych parametrów.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
|---|
|
Pacjenci hemodializowani
Pacjenci poddawani hemodializie poddawani hemodializie w warunkach ambulatoryjnych w szpitalu Beaumont w Irlandii.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Głównym celem jest określenie przydatności modelu uczenia maszynowego w szacowaniu suchej masy pacjentów hemodializowanych określanej na podstawie bioimpedancji.
Ramy czasowe: 8 tygodni
|
Sucha masa (kg) oszacowana przez model estymacji uczenia maszynowego zostanie porównana z masą bioimpedancji po normohydratacji w kg.
|
8 tygodni
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dopuszczalność
Ramy czasowe: 8 tygodni
|
Oceniona zostanie akceptowalność wyników modelu uczenia maszynowego z perspektywy klinicznej opieki zdrowotnej.
|
8 tygodni
|
Współpracownicy i badacze
Współpracownicy
Śledczy
- Główny śledczy: O'Seaghdha, Royal College of Surgeons in Ireland
Publikacje i pomocne linki
Publikacje ogólne
- 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.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
- 21/82
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .