- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT06195566
Opracowanie algorytmu PI-ML do przewidywania w czasie rzeczywistym ryzyka rozwoju stanu przedcukrzycowego (PRAESIIDIUM)
Przewidywanie i odwracanie zaburzonej kontroli poziomu glukozy na czczo w oparciu o fizykę
W tym prospektywnym, nierandomizowanym, monocentrycznym badaniu dane zostaną zebrane od skądinąd zdrowych osób z nadwagą/otyłością I stopnia w celu zwiększenia dostępności danych w zakresie stanu przedcukrzycowego (nieprawidłowa nietolerancja glukozy) oraz w celu sprawdzenia wyników algorytmu „uczenie maszynowe oparte na fizyce (PIML)”, którego zadaniem jest szacowanie w czasie rzeczywistym ryzyka stanu przedcukrzycowego. Każdy uczestnik weźmie udział w badaniu przez 4 miesiące, w tym 3 wizyty terenowe.
Podczas wizyty przesiewowej kwalifikowalność uczestników zostanie ustalona poprzez sprawdzenie kryteriów włączenia i wykluczenia po uzyskaniu szczegółowych informacji i uzyskaniu świadomej zgody badacza. Krew zostanie pobrana w celu wykluczenia istniejącego stanu przedcukrzycowego/cukrzycy na czczo. U kobiet w wieku rozrodczym zostanie wykonany test ciążowy z moczu. Po otrzymaniu wyników badań krwi (glukozy i HbA1c) uczestnicy zostaną poproszeni o wzięcie udziału w badaniu.
Podczas pierwszej wizyty kwalifikujący się uczestnicy przybędą do ośrodka badawczego na czczo. Zostaną pobrane próbki krwi, uczestnicy otrzymają fiolki oraz instrukcję pobierania próbek kału i moczu. Zbierane będą dane antropometryczne, styl życia (papierosy, spożycie alkoholu) oraz wywiad rodzinny. Następnie zostanie przeprowadzony 6-minutowy test marszu w celu określenia VO2 max. Uczestnicy otrzymają zaślepiony czujnik glukozy Abbott Libre Pro, który będą nosić przez kolejne 14 dni. Ponadto uczestnicy otrzymają opaskę zdrowotną i fitness Fitbit Charge 5. Dla celów weryfikacji część uczestników badania zostanie poproszona o przetestowanie nowo opracowanego urządzenia noszonego na nadgarstku (EDIBit). Za pomocą 24-godzinnego przypominania o jedzeniu uczestnicy badania zostaną przeszkoleni przez personel medyczny w zakresie prawidłowego wprowadzania spożycia pokarmu w aplikacji Study w celu wypełnienia cyfrowych 3-dniowych dzienników posiłków. Zostaną poproszeni o wypełnienie dzienniczków przez 3 dni po wizycie studyjnej1 i 3 dni przed wizytą studyjną2. Podczas wizyty otrzymają także kwestionariusz dotyczący częstotliwości spożywania posiłków1.
Druga wizyta studyjna będzie przebiegać niemal identycznie jak wizyta studyjna1 (z wyjątkiem kwestionariusza dotyczącego częstotliwości spożywania posiłków, który zostanie pominięty). Podczas tej wizyty uczestnicy otrzymają ulotki informacyjne dotyczące aktywności fizycznej oraz zalecenia dietetyczne.
Trzecia i ostatnia wizyta będzie przebiegać niemal identycznie jak wizyta studyjna2, z tą różnicą, że nie będzie zakładany nowy sensor glukozy i nie będą pobierane próbki kału.
Przegląd badań
Status
Szczegółowy opis
Choroby niezakaźne, takie jak nowotwory, choroby układu krążenia i cukrzyca, stanowią 74% obciążenia chorobami na całym świecie i są głównymi przyczynami przedwczesnych zgonów, którym można zapobiec. (1,2).
Cukrzyca jest przewlekłą chorobą niezakaźną charakteryzującą się podwyższonym poziomem glukozy we krwi. W 2021 r. częstość występowania cukrzycy w Europie wynosiła 1 na 11 osób dorosłych (61 mln), a według przewidywań do 2045 r. liczba ta wzrośnie do 69 mln. (3) Globalne zarządzanie i leczenie cukrzycy będzie kosztować 988 miliardów dolarów w 2021 roku. Pomimo tych wydatków cukrzyca pozostaje trzecią najczęstszą przyczyną zgonów, odpowiadając za 6,7 miliona zgonów, z czego 1,1 miliona w samej Europie. Spośród różnych typów cukrzyca typu 2 (T2D) stanowi 90% wszystkich przypadków cukrzycy, ujawniając się głównie w wieku dorosłym. (3,4) Czynniki ryzyka T2D obejmują predyspozycje genetyczne, wywiad rodzinny, zespół metaboliczny, otyłość, brak aktywności fizycznej, wiek i pochodzenie etniczne. Na całym świecie 541 milionów dorosłych cierpi na nieprawidłową tolerancję glukozy (IGT), stanowiącą istotny czynnik ryzyka T2D. (5,6) IGT i nieprawidłowa glukoza na czczo (IFG) stanowią stany pośrednie w ramach „przejścia od zdrowia do T2D” i są objawami stanu przedcukrzycowego. (7,8) Warto zauważyć, że stan przedcukrzycowy stanowi stan na wczesnym etapie, który można odwrócić. Badania pokazują, że progresję T2D można zmniejszyć o około 58% w ciągu trzech lat poprzez modyfikację stylu życia. Zalecana jest aktywność fizyczna trwająca 30–54 minut przynajmniej 2–5 dni w tygodniu oraz zdrowa dieta. (9) Podjęto wysiłki w celu opracowania nieinwazyjnych modeli przewidywania ryzyka cukrzycy w oparciu o parametry dostępne klinicznie. (10) Początek T2D obejmuje złożone, wieloskalowe mechanizmy, począwszy od poziomu molekularnego, tkankowego i narządowego, prowadzące do dysfunkcji procesów fizjologicznych. Przewlekłe biomarkery zapalne odgrywają znaczącą rolę w patogenezie T2D. Dostrzeżenie tego wielopoziomowego podejścia jest krokiem w kierunku spersonalizowanej diagnozy choroby. Jednakże nadal istnieją wyzwania związane z modelowaniem „przejścia ze stanu zdrowia do stanu przedcukrzycowego” zarówno z perspektywy studium przypadku, jak i metodologii. (5,13,14) Celem tego projektu jest opracowanie prototypowego narzędzia, którego zadaniem będzie przewidywanie w czasie rzeczywistym ryzyka stanu przedcukrzycowego. Narzędzie to będzie zawierać szereg dostosowanych do potrzeb pacjenta modeli matematycznych symulujących metabolizm, produkcję hormonów trzustki, metabolity mikrobiomu, procesy zapalne i odpowiedź układu odpornościowego. Modele te zostały początkowo opracowane w ramach projektu MISSION-T2D 7PR, a następnie rozwinięte w celu wdrożenia zintegrowanego, wielopoziomowego i dostosowanego do potrzeb pacjenta modelu, obejmującego dane genetyczne, metaboliczne i żywieniowe na potrzeby symulacji i przewidywania procesów metabolicznych i zapalnych w organizmie. początek i progresja T2D. (14-18) Algorytm przewidywania będzie wykorzystywał podejście „uczenia maszynowego opartego na fizyce” (PIML), łącząc kompleksowy zestaw danych z zarówno istniejących, jak i nowych badań klinicznych, z ciągłym wprowadzaniem danych przez czujniki do noszenia. (19) Ostateczny algorytm będzie umieszczony na platformie internetowej, na której zarówno pracownicy służby zdrowia, jak i pacjenci będą mogli wprowadzać dane z wielu źródeł.
Specjalne prospektywne badanie obserwacyjne opisane we wniosku zostanie przeprowadzone na Łotwie, z rekrutacją dorosłych uczestników z metabolicznymi czynnikami ryzyka – nadwagą i otyłością I stopnia, do celów gromadzenia danych w celu walidacji opracowanego algorytmu PIML opartego na uczeniu maszynowym do przewidywania w czasie rzeczywistym ryzyka stanu przedcukrzycowego.
Zbieranie danych ma trzy główne cele: I. Dane wejściowe dla modelu in-silico MT2D:
Dane wejściowe do symulacji obejmują następujące dyskretne parametry początkowe: płeć (M/K); waga; wysokość; liczba sesji aktywności fizycznej (0, 1, 2, 3); czas trwania wysiłku fizycznego (30, 60, 90 min); intensywność w % VO2max (40, 60); 3 posiłki dziennie; w każdym posiłku wyszczególniono węglowodany (niski, średni, wysoki), białka (niski, średni, wysoki) i tłuszcze (niski, średni, wysoki).
II. Walidacja wyników MT2D: Wyjściowe wartości liczbowe symulacji z modelu obejmują:
1) Markery stanu zapalnego (rejestrowane co 8 godzin): komórki B (B-1, B-2), PBL, TH (Th1, Th2, Th17, Treg), CTL, Treg, NK, MA, DC, EP, ADIP ( liczba, objętość), 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-1b, LPS, leptyna;
a) Wyniki metaboliczne (zapisywane co minutę): stężenia tętnicze (glu, pyr, lac, ala, gly, FFA, tgl, O2, CO2); narządy (22 metabolity); hormony (insulina, glukagon, epinefryna); glukoza na czczo; szybkość pojawiania się (glukoza, alanina, trójglicerydy); całkowity dzienny bilans energetyczny; %VO2maks.; pomiary antropometryczne: BW, BMI, masa tłuszczowa, masa beztłuszczowa.
III. Dane do szkolenia/walidacji algorytmu uczenia maszynowego opartego na fizyce (PIML): dane demograficzne; Dane dotyczące zdrowia; Dane dotyczące stylu życia (np. dane dotyczące spożycia żywności i dane dotyczące aktywności fizycznej); ciągłe przyjmowanie za pomocą czujników do noszenia (ciągłe monitorowanie poziomu glukozy (CGM i moduł śledzący aktywność fizyczną, np. Fitbit Charge 5, EDIBit.) Urządzenia te, takie jak smartwatche i urządzenia do śledzenia kondycji/aktywności (np. Fitbit, Fibion, Apple Watch), są wyposażone w czujniki, które mogą śledzić różne wskaźniki zdrowotne, w tym aktywność fizyczną, tętno, wzorce snu, a coraz częściej także monitorują poziom glukozy (nieinwazyjne metody ciągłego monitorowania glikemii są wciąż w fazie rozwoju). (20,21) Dane te można wykorzystać do identyfikacji wzorców i trendów w zdrowiu danej osoby, co może pomóc we wczesnym wykryciu cukrzycy/stanu przedcukrzycowego. (22) Modele uczenia maszynowego (ML) wykazują potencjał w zakresie poprawy wczesnego wykrywania poprzez analizę różnych czynników ryzyka i przewidywanie wyników. Zanim jednak modele te zostaną włączone do systemów opieki zdrowotnej i praktyk klinicznych, należy je rygorystycznie ocenić. Jedną z najsolidniejszych metod takiej oceny jest walidacja zewnętrzna z wykorzystaniem kohort podłużnych. (23-26) Podczas badania klinicznego uczestnicy mogą być wspierani przez asystenta cyfrowego, którego można używać do wykonywania automatycznych połączeń głosowych z uczestnikami w celu gromadzenia danych oraz zapewniania użytkownikowi wsparcia i działań następczych. Cyfrowy asystent korzysta z predefiniowanych dialogów (zaprojektowanych przez personel prowadzący badanie), a odpowiedzi głosowe uczestników są rejestrowane jako tekst/dane w próbnej bazie danych. Funkcja asystenta cyfrowego jest uważana za uzupełnienie innych metod gromadzenia danych, takich jak kwestionariusze, urządzenia do noszenia, przesyłanie wiadomości, regularne rozmowy telefoniczne.
Część uczestników otrzyma dedykowaną do badania kartę e-SIM (aby uniknąć korzystania z innego telefonu komórkowego), pod numer, na który uczestnik będzie mógł zadzwonić za pomocą cyfrowego asystenta. Uczestnicy zostaną poinformowani o numerze abonenta, z którego korzysta cyfrowy asystent, dzięki czemu będą mogli rozpoznać jego połączenia przychodzące i swobodnie decydować o ich przyjęciu lub odrzuceniu, według własnego wyboru. Uczestnicy będą mogli w dowolnym momencie zatrzymać tę zautomatyzowaną usługę.
Podczas badania klinicznego uczestnicy mogą być wspierani przez asystenta cyfrowego, aby pomóc uczestnikom lepiej przestrzegać warunków badania klinicznego.
Część uczestników otrzyma dedykowaną do badania kartę e-SIM (aby uniknąć korzystania z innego telefonu komórkowego), pod numer, na który uczestnik będzie mógł zadzwonić za pomocą cyfrowego asystenta. Uczestnicy zostaną poinformowani o numerze abonenta, z którego korzysta cyfrowy asystent, dzięki czemu będą mogli rozpoznać jego połączenia przychodzące i swobodnie decydować o ich przyjęciu lub odrzuceniu, według własnego wyboru. Uczestnicy będą mogli w dowolnym momencie zatrzymać tę zautomatyzowaną usługę.
Harmonogram i prawdopodobni: Badanie potrwa 15 miesięcy. W tym okresie 75 osób będzie obserwowanych przez 4 miesiące. Rekrutacja będzie odbywać się w okresie od stycznia 2024 r. do marca 2025 r., równolegle z okresem studiów.
Identyfikacja podmiotu: Każdemu uczestnikowi, który podpisał Formularz świadomej zgody uczestnika, osoba przeprowadzająca badanie musi przydzielić unikalny dwuliterowy i trzycyfrowy numer identyfikacyjny uczestnika.
Wszystkie dokumenty, formularze i dane (w tym biomateriały – próbki moczu, krwi i kału) zostaną oznaczone tym identyfikatorem uczestnika. Każdy uczestnik, kwalifikujący się i nieuprawniony, zostanie udokumentowany w Dzienniku kontroli i rejestracji.
Zarządzanie danymi: Dane uczestników zostaną wprowadzone do eCRF. System eCRF zostanie dostarczony przez partnerów konsorcjum projektu Spindox Labs i CheckHealth. System eCRF będzie prowadzony przez pracowników Uniwersytetu Łotewskiego. Wszystkie dane z badania zostaną zapisane w eCRF i monitorowane przez monitor. Wszystkie procesy będą realizowane zgodnie ze standardowymi procedurami operacyjnymi (SOP).
Dane zebrane z czujników do noszenia i zdalnie wspomaganych kwestionariuszy będą zarządzane przez chmurę LinkWatch przez cały czas trwania projektu. Obejmuje to regularne procedury tworzenia kopii zapasowych i przepisy bezpieczeństwa zgodnie z RODO i polityką bezpieczeństwa CHK. Polityka bezpieczeństwa opiera się na ramach zalecanych przez Szwedzką Agencję Awaryjną (Rozp. 2016/679/UE), zgodnie z normą ISO/IEEE 27000.
Nie będą stosowane żadne papierowe formularze kwestionariuszy, z wyjątkiem formularza świadomego. Formularz zgody będzie przechowywany w archiwum Uniwersytetu Łotewskiego.
Spożycie makroskładników odżywczych będzie ustalane poprzez trzydniowy dzienniczek żywienia. Będzie to zapewnione na różne sposoby - inicjując bazę danych makroskładników za pomocą bazy danych Finish Finelli, korzystając z Open Food Facts dla żywności pakowanej. W międzyczasie uczestnicy zostaną poproszeni o powtórzenie informacji poprzez ręczne pisanie dziennika posiłków przez trzy dni.
Podczas wizyty 1 i wizyty 3 kwestionariusz częstotliwości posiłków oraz przy każdej wizycie zostanie uzyskana informacja o 24-godzinnym okresie wizyty. Aktywność fizyczna będzie śledzona za pomocą dostępnego na rynku trackera FitBit Charge 5.
Pomiędzy wizytą 1 a wizytą 2 szczegółowe zalecenia nie będą podawane. Ta faza będzie służyć jako okres gromadzenia danych w celu dokładnej oceny aktualnych czynników stylu życia uczestników. Aby zapewnić większą różnorodność zebranych danych, podczas wizyty 2 uczestnicy otrzymają zalecenia dotyczące aktywności fizycznej i zdrowej diety. Te recepty będą zgodne z odpowiednimi wytycznymi WHO i podsumowane w rozdawanych materiałach.
U pacjentów z T2DM regularne ćwiczenia zwiększają wrażliwość i wydzielanie insuliny, poprawiając tolerancję glukozy. Należy zauważyć, że pojedynczy wysiłek fizyczny może zwiększyć wrażliwość na insulinę, natomiast u pacjentów z T2DM do poprawy funkcji trzustki wymagane są długotrwałe ćwiczenia. Miokiny to czynniki wydzielane przez mięśnie szkieletowe, tkankę tłuszczową, wątrobę, jelita itp., proponowane jako mediatory narządów pośredniczące w adaptacji metabolicznej do wysiłku fizycznego. IL-6, IL-2, IL-10, leptyna będą oceniane dla celów walidacji PIML.
Próbki krwi od włączonych pacjentów podczas trzech wizyt kohortowych (wizyta 1, wizyta 2 i wizyta 3) zostaną pobrane i wstępnie przetworzone w celu uzyskania próbek osocza i tymczasowo przechowywane (w temperaturze -80°C) w ośrodku rekrutacyjnym (patrz poniżej przetwarzanie próbek krwi przed wysyłką).
Próbki osocza zostaną wysłane do partnera projektu Italian Liver Foundation (FIF) w Basovizza w Trieście (Włochy). W FIF próbki osocza będą przechowywane w zamrażarce o temperaturze (-80°C) i kontrolowanym dostępie przez 10 lat.
W FIF próbki zbiorcze zostaną rozmrożone i poddane dalszemu przetwarzaniu w celu określenia zawartości interleukin w osoczu (IL-2, IL-6, IL-10 i leptyny).
Krew zostanie pobrana w celu wykonania klinicznych badań krwi w ośrodku badawczym oraz w celu przesłania próbki do FIF w celu dalszej analizy biomarkerów i konserwacji na Uniwersytecie Łotewskim.
Uczestnicy będą pobierać próbki kału w domu (łącznie po dwie próbki – odpowiednio podczas pierwszej i drugiej wizyty). Podstawowym celem pobierania próbek kału jest utworzenie trwałego biobanku PRAESIIDIUM. W następnej chwili próbki kału mogą zostać poddane analizie mikrobiomu. Po przybyciu do lokalnego szpitala próbkę należy zamrozić w temperaturze -80°C do czasu przetworzenia. Dalsze przetwarzanie – w miarę dostępności dodatkowych środków (Fondazione Italiana Fegato ONLUS, Włochy).
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Zane Smite, Mg. Sci
- Numer telefonu: (+371) 28761602
- E-mail: zane.smite@lu.lv
Kopia zapasowa kontaktu do badania
- Nazwa: Sabine Skrebinska
- Numer telefonu: (+371) 26235325
- E-mail: sabine.skrebinska@gmail.com
Lokalizacje studiów
-
-
-
Riga, Łotwa
- University of Latvia, Faculty of Medicine
-
Kontakt:
- Aleksejs Fedulovs
- Numer telefonu: (+371) 28807671
- E-mail: aleksejs.fedulovs@lu.lv
-
Kontakt:
- Irena Puzirevska
- Numer telefonu: (+371) 29180748
- E-mail: irena.puzirevska@lu.lv
-
Główny śledczy:
- Jelizaveta Sokolovska, Dr.med.
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Zdrowi dorośli ochotnicy (wiek ≥ 18 lat);
- Osoby z nadwagą (BMI 25 – 29,9 kg/m2) i otyłością I stopnia (z BMI 30 – 34,9 kg/m2);
- Pisemna zgoda uczestnika po uzyskaniu informacji;
- Posiadanie smartfona z systemem Android lub iOS.
Kryteria wyłączenia:
- Niezgodność;
- Ciągłe leczenie lekami immunosupresyjnymi i/lub przeciwzapalnymi (NLPZ, glukokortykoidy, chemioterapia, leki biologiczne);
- Kontynuacja leczenia lekami hipoglikemizującymi, chyba że nie odstawiono leków przeciwcukrzycowych – w przypadku metforminy 1 miesiąc, w przypadku GLP-1 RA, tyrzepatidu – 2 miesiące przed włączeniem;
- Obecność choroby autoimmunologicznej i/lub zapalnej (autoimmunologiczna choroba tarczycy, łuszczyca, nieswoiste zapalenie jelit);
- Choroby skóry utrudniające stosowanie systemów ciągłego monitorowania glikemii;
- Cukrzyca lub stan przedcukrzycowy rozpoznany według kryteriów ADA/WHO na podstawie stężenia glukozy na czczo i/lub HbA1c;
- Spożycie alkoholu wysokiego ryzyka – według NIAAA – Krajowego Instytutu ds. Nadużywania Alkoholu i Alkoholizmu (dla mężczyzn – więcej niż 4 drinki dziennie lub więcej niż 14 drinków tygodniowo; dla kobiet – więcej niż 3 drinki dziennie lub więcej niż 7 drinków) na tydzień);
- Czynniki w inny sposób ograniczające udział w badaniu według oceny badacza;
- Ciąża lub zamiar zajścia w ciążę w okresie objętym badaniem.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Walidacja wyników algorytmu Mission T2D (MT2D), który przewiduje w czasie rzeczywistym ryzyko rozwoju stanu przedcukrzycowego.
Ramy czasowe: Badanie będzie trwało 15 miesięcy. W tym okresie 75 osób będzie obserwowanych przez 4 miesiące, włączając wizytę przesiewową i trzy wizyty na miejscu, jeśli uczestnicy spełnią wcześniej ustalone kryteria włączenia. Przedział czasowy pomiędzy wizytami wynosi 65 dni (± 10
|
Zbieranie danych ma trzy główne cele: dane wejściowe do modelu in silico MT2D (płeć, waga, wzrost, liczba sesji aktywności fizycznej, czas trwania ataku aktywności fizycznej, intensywność wyrażona w % VO2max, 3 posiłki dziennie (określone makroelementy). Walidacja wyników MT2D obejmuje markery stanu zapalnego i wyniki metaboliczne. Trzecie dane do szkolenia/walidacji algorytmu uczenia maszynowego opartego na fizyce (PIML): dane demograficzne; dane dotyczące zdrowia; dane dotyczące stylu życia (np. dane dotyczące spożycia żywności i dane dotyczące aktywności fizycznej); ciągłe przyjmowanie za pomocą czujników do noszenia (ciągłe monitorowanie poziomu glukozy (CGM i moduł śledzący aktywność fizyczną, np. Fitbit Charge 5, EDIBit.) |
Badanie będzie trwało 15 miesięcy. W tym okresie 75 osób będzie obserwowanych przez 4 miesiące, włączając wizytę przesiewową i trzy wizyty na miejscu, jeśli uczestnicy spełnią wcześniej ustalone kryteria włączenia. Przedział czasowy pomiędzy wizytami wynosi 65 dni (± 10
|
Współpracownicy i badacze
Sponsor
Współpracownicy
Śledczy
- Główny śledczy: Jelizaveta Sokolovska, Dr.med., University of Latvia, Faculty of Medicine
Publikacje i pomocne linki
Publikacje ogólne
- 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.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Szacowany)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Szacowany)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Szacowany)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 101095672
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu 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 .