- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT06195566
Desenvolvimento de algoritmo PI-ML para previsão do risco em tempo real de desenvolvimento de pré-diabetes (PRAESIIDIUM)
Previsão e reversão baseada em aprendizado de máquina com base na física do gerenciamento prejudicado da glicose em jejum
Neste estudo prospectivo, não randomizado e monocêntrico, os dados serão coletados de indivíduos saudáveis com sobrepeso/obesidade grau I para aumentar a disponibilidade de dados no campo do pré-diabetes (intolerância à glicose prejudicada) e para validar os resultados de um algoritmo para o "aprendizado de máquina informado pela física (PIML)" projetado para estimar o risco de pré-diabetes em tempo real. Cada participante participará do estudo por 4 meses, incluindo 3 visitas in loco.
Durante a visita de triagem, a elegibilidade dos participantes será determinada verificando os critérios de inclusão e exclusão após informações detalhadas e obtenção do consentimento informado do investigador. O sangue será retirado para exclusão de pré-diabetes/diabetes existentes em jejum. Para mulheres em idade reprodutiva, será realizado um teste urinário de gravidez. Após obter os resultados dos exames de sangue (glicose e HbA1c), os participantes serão convidados a participar do estudo.
Na visita 1, os participantes elegíveis chegarão ao centro de estudos em jejum. Amostras de sangue serão coletadas e os participantes receberão frascos e instruções para coleta de fezes e urina. Serão coletados dados antropométricos, hábitos de vida (cigarro, consumo de álcool) e histórico familiar. Um teste de caminhada de 6 minutos para determinar o VO2 máximo será então realizado. Os participantes receberão um sensor cego de glicose Abbott Libre Pro, que usarão pelos próximos 14 dias. Além disso, os participantes receberão uma pulseira de saúde e fitness Fitbit Charge 5. Para fins de validação, parte dos participantes do estudo será solicitada a testar o dispositivo de pulso recentemente desenvolvido (EDIBit). Com a ajuda do recordatório alimentar de 24 horas, os participantes do estudo serão treinados pela equipe médica sobre como inserir corretamente sua ingestão alimentar no aplicativo Estudo para preenchimento de diários alimentares digitais de 3 dias. Eles serão solicitados a preencher os diários por 3 dias após a visita de estudo1 e 3 dias antes da visita de estudo2. Eles também receberão um questionário de frequência alimentar durante a visita1.
A segunda visita de estudo será quase idêntica à visita de estudo 1 (exceto para o questionário de frequência alimentar que será omitido). Durante esta visita, os participantes receberão fichas informativas sobre atividade física e recomendações alimentares.
A terceira e última visita será realizada de forma quase idêntica à visita do estudo2, exceto que nenhum novo sensor de glicose será inserido e também não serão coletadas amostras de fezes.
Visão geral do estudo
Status
Descrição detalhada
As doenças não transmissíveis (DNT), como o cancro, as doenças cardiovasculares e a diabetes, representam 74% do fardo das doenças a nível mundial e são as principais causas de mortes prematuras evitáveis. (1,2).
O diabetes é uma DCNT crônica caracterizada por níveis elevados de glicose no sangue. Em 2021, a prevalência da diabetes na Europa era de 1 em 11 adultos (61 milhões), um número que se prevê aumente para 69 milhões até 2045. (3) A gestão e tratamento global da diabetes custou 988 mil milhões de dólares em 2021. Apesar destas despesas, a diabetes continua a ser a terceira principal causa de morte, sendo responsável por 6,7 milhões de mortes, das quais 1,1 milhões só na Europa. Entre os diferentes tipos, o diabetes tipo 2 (DT2) compreende 90% do total de casos de diabetes, apresentando-se principalmente na idade adulta. (3,4) Os fatores de risco para DM2 incluem predisposição genética, história familiar, síndrome metabólica, obesidade, sedentarismo, idade e etnia. Existem 541 milhões de adultos em todo o mundo com Tolerância Diminuída à Glicose (IGT), um fator de risco significativo para DM2. (5,6) IGT e Glicose de Jejum Prejudicada (IFG) representam condições intermediárias dentro da "transição saudável para DM2" e são sintomas de pré-diabetes. (7,8) Notavelmente, o pré-diabetes representa uma condição em estágio inicial que pode ser revertida. Estudos mostram que a progressão do DM2 pode ser reduzida em aproximadamente 58% em três anos por meio de modificações no estilo de vida. Recomenda-se atividade física de 30 a 54 minutos, pelo menos 2 a 5 dias por semana, bem como uma dieta saudável. (9) Esforços têm sido feitos para desenvolver modelos não invasivos de predição de risco de diabetes com base em parâmetros clinicamente disponíveis. (10) O início do DM2 envolve mecanismos complexos e multiescalares, começando nos níveis molecular, tecidual e orgânico, levando à disfunção dos processos fisiológicos. Biomarcadores inflamatórios crônicos desempenham um papel significativo na patogênese do DM2. Reconhecer esta abordagem multinível é um passo em direção ao diagnóstico personalizado de doenças. No entanto, permanecem desafios relacionados à modelagem da “transição saudável para o pré-diabetes”, tanto do estudo de caso quanto das perspectivas metodológicas. (5,13,14) O objetivo deste projeto é o desenvolvimento de uma ferramenta protótipo, visando a previsão em tempo real do risco pré-diabético. Esta ferramenta incorporará uma série de modelos matemáticos específicos do paciente, simulando o metabolismo, a produção hormonal do pâncreas, os metabólitos do microbioma, os processos inflamatórios e a resposta do sistema imunológico. Esses modelos foram inicialmente desenvolvidos durante o projeto FP7 MISSION-T2D e posteriormente desenvolvidos para a implementação de um modelo integrado, multinível e específico do paciente, incorporando dados genéticos, metabólicos e nutricionais para a simulação e previsão de processos metabólicos e inflamatórios no início e progressão do DM2. (14-18) O algoritmo de previsão utilizará uma abordagem de “aprendizado de máquina informado pela física” (PIML), combinando um conjunto de dados abrangente de ensaios clínicos existentes e novos, com entrada contínua de dados por meio de sensores vestíveis. (19) O algoritmo final será alojado numa plataforma baseada na Internet, onde tanto os profissionais médicos como os pacientes poderão introduzir dados de múltiplas fontes.
Um estudo observacional prospectivo dedicado descrito nesta aplicação será conduzido na Letônia, recrutando participantes adultos com fatores de risco metabólicos - sobrepeso e obesidade grau I, para fins de coleta de dados para validar o algoritmo PIML de aprendizado de máquina desenvolvido para previsão de risco em tempo real de pré-diabetes.
A coleta de dados tem três finalidades principais: I. Dados de entrada para o modelo MT2D in-silico:
A entrada das simulações inclui os seguintes parâmetros iniciais discretos: gênero (M/F); peso; altura; número de sessões de atividade física (0, 1, 2, 3); duração da sessão de atividade física (30, 60, 90 min); intensidade em termos de % VO2máx (40, 60); 3 refeições por dia; em cada refeição são especificados os carboidratos (baixo, médio, alto), proteínas (baixo, médio, alto) e gorduras (baixo, médio, alto).
II. Validação das saídas MT2D: Os valores numéricos de saída das simulações do modelo incluem:
1) Marcadores de inflamação (registrados a cada 8h): células B (B-1, B-2), PBL, TH (Th1, Th2, Th17, Treg), CTL, Treg, NK, MA, DC, EP, ADIP ( número, volume), 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, leptina;
a) Desfechos metabólicos (registrados a cada minuto): concentrações arteriais (glu, pyr, lac, ala, gly, FFA, tgl, O2, CO2); órgãos (22 metabólitos); hormônios (insulina, glucagon, epinefrina); glicemia de jejum; taxa de aparecimento (glicose, alanina, triglicerídeos);balanço energético total diário; %VO2máx; medidas antropométricas: peso corporal, IMC, massa gorda, massa livre de gordura.
III. Dados para treinamento/validação do algoritmo de aprendizado de máquina informado por física (PIML): Dados demográficos; dados relacionados com a saúde; Dados de estilo de vida (por exemplo, dados de consumo alimentar e dados de atividade física); ingestão contínua por meio de sensores vestíveis (Monitoramento Contínuo de Glicose (CGM e rastreador de atividade física, por exemplo, Fitbit Charge 5, EDIBit.) Esses dispositivos, como smartwatches e rastreadores de atividade física (por exemplo, Fitbit, Fibion, Apple Watch), estão equipados com sensores que podem monitorar uma variedade de métricas de saúde, incluindo atividade física, frequência cardíaca, padrões de sono e, cada vez mais, também para monitoramento de glicose. (o monitoramento contínuo não invasivo da glicose ainda está em desenvolvimento). (20,21) Esses dados podem ser usados para identificar padrões e tendências na saúde de uma pessoa, o que pode ajudar na detecção precoce de diabetes/pré-diabetes. (22) Os modelos de aprendizagem automática (ML) mostram potencial para melhorar a deteção precoce através da análise de vários fatores de risco e da previsão de resultados. No entanto, antes de estes modelos serem integrados nos sistemas de saúde e nas práticas clínicas, devem ser rigorosamente avaliados. Um dos métodos mais robustos para tal avaliação é através da validação externa utilizando coortes longitudinais. (23-26) Durante o estudo clínico, os participantes podem ser apoiados por um assistente digital que pode ser usado para fazer chamadas de voz automáticas aos participantes para coletar dados e fornecer suporte e acompanhamento ao usuário. O assistente digital utiliza diálogos predefinidos (projetados pela equipe do ensaio) e as respostas vocais dos participantes são registradas como texto/dados no banco de dados do ensaio. A função do assistente digital é considerada um complemento a outros métodos de captura de dados, como questionários, wearables, mensagens, ligações telefônicas regulares.
Um subconjunto do participante receberá um e-SIM dedicado ao estudo (para evitar o uso de outro telefone celular), em cujo número o participante poderá ser chamado pelo assistente digital. Os participantes serão informados do número de assinante utilizado pelo assistente digital, para que possam reconhecer as chamadas recebidas e decidir livremente se as aceitam ou rejeitam, por escolha pessoal. Os participantes poderão interromper este serviço automatizado a qualquer momento.
Durante o estudo clínico, os participantes podem ser apoiados por um assistente digital para ajudar as pessoas a cumprir melhor o estudo clínico.
Um subconjunto do participante receberá um e-SIM dedicado ao estudo (para evitar o uso de outro telefone celular), em cujo número o participante poderá ser chamado pelo assistente digital. Os participantes serão informados do número de assinante utilizado pelo assistente digital, para que possam reconhecer as chamadas recebidas e decidir livremente se as aceitam ou rejeitam, por escolha pessoal. Os participantes poderão interromper este serviço automatizado a qualquer momento.
Cronograma e probandos: O estudo terá duração de 15 meses. Nesse período, 75 indivíduos serão acompanhados por 4 meses. O recrutamento ocorrerá de janeiro de 2024 a março de 2025, paralelamente ao período de estudos.
Identificação do sujeito: Para cada participante que assinou o Termo de Consentimento Livre e Esclarecido do Participante, o investigador deve alocar um Número de Identificação do Participante exclusivo de duas letras e três dígitos.
Todos os documentos, formulários e arquivos de dados (incluindo biomateriais - amostras de urina, sangue e fezes) serão marcados com este ID de participante. Cada participante, elegível e não elegível, será documentado no Registro de Triagem e Inscrição.
Gestão de dados: Os dados dos participantes serão inseridos em um eCRFs. Um eCRF será fornecido pelos parceiros do consórcio do projeto Spindox Labs e CheckHealth. O eCRF será mantido por funcionários da Universidade da Letónia. Todos os dados do estudo serão capturados no eCRF e monitorados pelo monitor. Todos os processos serão tratados de acordo com procedimentos operacionais padrão (SOPs).
Os dados coletados de sensores vestíveis e questionários assistidos remotamente serão gerenciados pelo armazenamento baseado em nuvem LinkWatch durante toda a duração do projeto. Isto inclui procedimentos regulares de backup e disposições de segurança de acordo com o GDPR e a política de segurança da CHK. A política de segurança baseia-se no quadro recomendado pela Agência Sueca de Contingência (Reg. 2016/679/UE), seguindo ISO/IEEE 27000.
Não serão utilizados formulários em papel dos questionários, exceto formulário informado. O formulário de consentimento será armazenado em arquivo na Universidade da Letônia.
A ingestão alimentar de macronutrientes será obtida por meio de um diário alimentar de três dias. Isso será fornecido de diferentes maneiras - inicializando o banco de dados de macronutrientes com o banco de dados final do Finelli, usando dados de alimentos abertos para alimentos embalados. Enquanto isso, os participantes serão solicitados a duplicar as informações, escrevendo manualmente um diário alimentar durante três dias.
Na visita 1 e na visita 3 será obtido questionário de frequência alimentar e em cada visita, recordatório de 24 horas. A atividade física será monitorada usando um rastreador FitBit Charge 5 disponível comercialmente.
Entre a visita 1 e a visita 2, não serão fornecidas recomendações específicas. Esta fase servirá como um período de coleta de dados para avaliar com precisão os fatores atuais do estilo de vida dos participantes. Para fornecer uma maior diversidade de dados recolhidos, recomendações para actividade física e uma dieta saudável serão fornecidas aos participantes na visita 2. Estas prescrições serão alinhadas com as directrizes relevantes da OMS e resumidas em materiais de distribuição.
Em pacientes com DM2, o exercício regular aumenta a sensibilidade e secreção de insulina, melhorando a tolerância à glicose. Observa-se que uma única sessão de exercício pode aumentar a sensibilidade à insulina, enquanto o exercício de longo prazo é necessário para melhorar a função pancreática em pacientes com DM2. As miocinas são fatores secretados pelo músculo esquelético, tecido adiposo, fígado, intestino, etc., propostos como mediadores de órgãos de conversa cruzada envolvidos nas adaptações metabólicas ao exercício. IL-6, IL-2, IL-10, leptina, serão avaliados para fins de validação de PIML.
Amostras de sangue de pacientes inscritos nas três visitas de coorte (Visita 1, Visita 2 e Visita 3) serão coletadas e inicialmente processadas para obter amostras de plasma e armazenadas temporariamente (a -80°C) pelo local de recrutamento (veja abaixo processamento de amostras de sangue antes do envio).
As amostras de plasma serão enviadas para o parceiro do projeto Italian Liver Foundation (FIF) em Basovizza, Trieste (Itália). Na FIF, as amostras de plasma serão armazenadas em temperatura (-80°C) e freezer com acesso controlado por 10 anos.
Na FIF, amostras em lote serão descongeladas e posteriormente processadas para determinar a abundância plasmática de interleucinas (IL-2, IL-6, IL-10 e leptina).
O sangue será coletado para determinação de exames clínicos de sangue no local do estudo e para transferência de amostra para FIF para posterior análise e preservação de biomarcadores na Universidade da Letônia.
Os participantes coletarão suas amostras fecais em casa (juntas de duas amostras - na primeira e na segunda visita, respectivamente). O objetivo principal da coleta de amostras fecais é criar um biobanco PRAESIIDIUM duradouro. Num momento subsequente, amostras fecais poderão ser processadas para análise do microbioma. Após a chegada ao hospital local, a amostra deve ser congelada a -80°C até ser processada. Processamento posterior - mediante disponibilidade de fundos adicionais (Fondazione Italiana Fegato ONLUS, Itália).
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Contato de estudo
- Nome: Zane Smite, Mg. Sci
- Número de telefone: (+371) 28761602
- E-mail: zane.smite@lu.lv
Estude backup de contato
- Nome: Sabine Skrebinska
- Número de telefone: (+371) 26235325
- E-mail: sabine.skrebinska@gmail.com
Locais de estudo
-
-
-
Riga, Letônia
- University of Latvia, Faculty of Medicine
-
Contato:
- Aleksejs Fedulovs
- Número de telefone: (+371) 28807671
- E-mail: aleksejs.fedulovs@lu.lv
-
Contato:
- Irena Puzirevska
- Número de telefone: (+371) 29180748
- E-mail: irena.puzirevska@lu.lv
-
Investigador principal:
- Jelizaveta Sokolovska, Dr.med.
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Voluntários adultos saudáveis (idade ≥ 18 anos);
- Indivíduos com sobrepeso (IMC 25 - 29,9 kg/m2) e obesidade grau I (com IMC 30 - 34,9 kg/m2);
- Consentimento por escrito do participante após ser informado;
- Propriedade de um smartphone com Android ou iOS.
Critério de exclusão:
- Não conformidade;
- Tratamento contínuo com medicamentos imunossupressores e/ou antiinflamatórios (AINEs, glicocorticóides, quimioterapia, biológicos);
- Tratamento contínuo com medicamentos hipoglicemiantes, exceto se a medicação antidiabética não tiver sido interrompida - para metformina um mês, para AR GLP-1, tirzepatida - dois meses antes da inscrição;
- Presença de doença autoimune e/ou inflamatória (doença autoimune da tireoide, psoríase, doença inflamatória intestinal);
- Condições de pele que dificultam a aplicação de sistemas de monitoramento contínuo de glicose;
- Diabetes ou pré-diabetes diagnosticado pelos critérios da ADA/OMS de acordo com glicemia de jejum e/ou HbA1c;
- Consumo de álcool de alto risco - de acordo com o NIAAA - Instituto Nacional sobre Abuso de Álcool e Alcoolismo (para homens - mais de 4 doses em qualquer dia ou mais de 14 doses por semana; para mulheres - mais de 3 doses em qualquer dia ou mais de 7 doses por semana);
- Fatores que de outra forma limitem a participação no estudo de acordo com o julgamento do investigador;
- Gravidez ou intenção de engravidar durante o cronograma do estudo.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Validação dos resultados do algoritmo Mission T2D (MT2D), que prevê o risco em tempo real de desenvolvimento de pré-diabetes.
Prazo: O estudo durará 15 meses. Nesse período, 75 indivíduos serão acompanhados por 4 meses, incluindo visita de triagem e três visitas in loco, caso os participantes atendam aos critérios de inclusão pré-determinados. O intervalo entre as visitas é de 65 dias (± 10
|
A coleta de dados tem três finalidades principais: dados de entrada para o modelo in-silico MT2D (gênero, peso, altura, número de sessões de atividade física, duração da sessão de atividade física, intensidade em termos de% VO2max, 3 refeições por dia (especificado macronutrientes). A validação dos resultados do MT2D inclui marcadores de inflamação e resultados metabólicos. Os terceiros dados para treinamento/validação do algoritmo de aprendizado de máquina informado pela física (PIML): dados demográficos; dados relacionados com a saúde; dados de estilo de vida (por exemplo, dados de consumo alimentar e dados de atividade física); ingestão contínua por meio de sensores vestíveis (Monitoramento Contínuo de Glicose (CGM e rastreador de atividade física, por exemplo, Fitbit Charge 5, EDIBit.) |
O estudo durará 15 meses. Nesse período, 75 indivíduos serão acompanhados por 4 meses, incluindo visita de triagem e três visitas in loco, caso os participantes atendam aos critérios de inclusão pré-determinados. O intervalo entre as visitas é de 65 dias (± 10
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Jelizaveta Sokolovska, Dr.med., University of Latvia, Faculty of Medicine
Publicações e links úteis
Publicações Gerais
- 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.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Estimado)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Estimado)
Atualizações de registro de estudo
Última Atualização Postada (Estimado)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 101095672
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .
Ensaios clínicos em Peso corporal
-
University Hospital, Strasbourg, FranceDesconhecidoDoença de Alzheimer | Demência de Lewy BodyFrança
-
University of MichiganNational Institute on Aging (NIA)RecrutamentoLewy Body Dementia Com Distúrbio Comportamental | Doença de corpos de Lewy | Variante do corpo de Lewy da doença de AlzheimerEstados Unidos
-
University of FloridaNational Institute on Aging (NIA)RecrutamentoLewy Body Dementia Com Distúrbio Comportamental | Doença de Parkinson com corpos de Lewy | Doença de corpos de LewyEstados Unidos
-
University of PennsylvaniaNational Institute on Aging (NIA)RecrutamentoDoença de Parkinson | Lewy Body Dementia Com Distúrbio Comportamental | Doença de Parkinson com corpos de Lewy | Doença de Parkinson DemênciaEstados Unidos
-
University of FloridaNational Institute on Aging (NIA); Aster Labs, IncConcluídoLewy Body Dementia Com Distúrbio Comportamental | Demência Vascular | Demência de AlzheimerEstados Unidos
-
Rutgers UniversityDesconhecidoDoença de Alzheimer | Parkinson | Demência, tipo Alzheimer | Demência com corpos de Lewy | Síndrome de Asperger | Espectro de transtornos autistas | TDAH | Lewy Body Dementia Com Distúrbio Comportamental (Transtorno) | Demência Frontal | Tremor EssencialEstados Unidos
-
University of RochesterUniversity of Colorado, Denver; Massachusetts General Hospital; Stanford UniversityRecrutamentoDoença de Parkinson | Atrofia de Múltiplos Sistemas | Degeneração corticobasal | Paralisia Supranuclear Progressiva | Doença de Parkinson e Parkinsonismo | Demência com corpos de Lewy | Parkinsonismo vascular | Doença de Parkinson Demência | Lewy Body parkinsonismoEstados Unidos
-
MD Stem CellsInscrevendo-se por conviteDoença de Alzheimer | Traumatismo crâniano | Transtorno do Espectro Autista | Doença de corpos de Lewy | Demencia vascular | Autismo | Demência, Mista | Demência de Alzheimer | Demência, Infarto Múltiplo | Cadasil | Parkinson-Síndrome Demencial | Encefalopatia Traumática Crônica | Comportamento Autista | Lewy Body Dementia... e outras condiçõesEstados Unidos, Emirados Árabes Unidos