Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Machine-learning Algorithm for Prediction of CKD From Retinal Images (healthy route)

10 de novembro de 2026 atualizado por: Mohamed Khalis, Centre Mohammed VI de la Recherche et de l'Innovation (CM6RI)

A Validation Study to Assess Performance Accuracy of a Machine-Learning Algorithm for the Prediction of Chronic Kidney Disease (CKD) From Digital Retinal Images

This is a non-interventional study being conducted to validate the performance of a machine learning algorithm for prediction of eGFR from digital retinal images in a target population for future intended use as a populated-based screening tool. Secondary objectives will include prediction of blood pressure (> or ≤ 140/90 mmHg) and presence or absence of T2DM as determined by glycated haemoglobin (HbA1c >6.5%) or on the basis of clinical history. Once validated, the methodology will be deployed for health screening to improve access to healthcare.

Visão geral do estudo

Tipo de estudo

Observacional

Inscrição (Estimado)

500

Contactos e Locais

Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.

Contato de estudo

  • Nome: Mohamed Khalis, Professor
  • Número de telefone: +212 628-245023
  • E-mail: mkhalis@um6ss.ma

Critérios de participação

Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.

Critérios de elegibilidade

Idades elegíveis para estudo

18 anos e mais velhos (Adulto, Adulto mais velho)

Aceita Voluntários Saudáveis

Sim

Gêneros Elegíveis para o Estudo

Tudo

Método de amostragem

Amostra Não Probabilística

População do estudo

The study population consists of adult patients diagnosed with chronic kidney disease (CKD), hypertension, diabetes mellitus, or without these conditions, attending routine outpatient clinics at Hôpital Universitaire International Cheikh Khalifa Ibn Zaid in Casablanca and Centre Hospitalier Universitaire Hassan II in Fez, Morocco.

Descrição

Inclusion Criteria

Participants are eligible to be included in the study only if all of the following criteria apply:

  1. Participant must be ≥ 18 years of age, at the time of signing the informed consent.
  2. Previously documented eGFR ≥ 3months
  3. Any participant with a positive dipstick result for proteinuria of at least trace
  4. Capable of giving signed informed consent as described in Appendix A which includes compliance with the requirements and restrictions listed in the informed consent form and in this protocol

Exclusion Criteria:

  • Participants are excluded from the study if any of the following criteria apply:

    1. As judged by the investigator, any evidence of a condition which in the investigator's opinion makes it undesirable for the participant to participate in the study.
    2. Any known eye condition that may preclude clear imaging of the retina for example; cataracts
    3. Individuals with hypertensive emergencies and hyperglycemic or hypoglycemic emergencies
    4. Involvement in the planning and/or conduct of the study (applies to HHA/ AstraZeneca staff and/or staff at the study site).
    5. Judgment by the investigator that the participant should not participate in the study if the participant is unlikely to comply with study procedures, restrictions and requirements.

Plano de estudo

Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.

Como o estudo é projetado?

Detalhes do projeto

  • Modelos de observação: CASE_CONTROL
  • Perspectivas de Tempo: CROSS_SECTIONAL

Coortes e Intervenções

Grupo / Coorte
Intervenção / Tratamento
CKD Cases

350 participants (cases) with diabetes and/or hypertension and/or CKD with previously documented eGFR < 60 ml/min/1.73m2 ≥3 months

A machine learning-based algorithm analyzes retinal images to assess its ability to detect chronic kidney disease

Controls

150 (controls) with previously documented eGFR ≥ 60 ml/min/1.73m2 ≥ 3 months

A machine learning-based algorithm analyzes retinal images to assess its ability to detect chronic kidney disease

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
The accuracy of a machine-learning based algorithm to predict high risk CKD from digital retinal images
Prazo: Baseline

To quantify the discrimination of the machine-learning algorithm for identifying the binary target condition of persistent eGFR <60 mL/min/1.73 m², using standard-of-care serum creatinine as the reference standard and the AUROC with a 95% confidence interval as the primary performance measure

Baseline

Medidas de resultados secundários

Medida de resultado
Descrição da medida
Prazo
Accuracy of the Machine Learning Algorithm for Detection of Hypertension and T2DM
Prazo: Baseline

To quantify the sensitivity, specificity, and discriminative performance of a machine-learning-based algorithm for identifying SBP >140 mmHg from digital retinal images, using standard-of-care assessment as the reference standard and the AUROC with a 95% confidence interval as the primary performance measure

Baseline

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Datas de registro do estudo

Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados ​​pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.

Datas Principais do Estudo

Início do estudo (Estimado)

1 de janeiro de 2027

Conclusão Primária (Estimado)

30 de junho de 2027

Conclusão do estudo (Estimado)

31 de outubro de 2027

Datas de inscrição no estudo

Enviado pela primeira vez

16 de julho de 2026

Enviado pela primeira vez que atendeu aos critérios de CQ

10 de novembro de 2026

Primeira postagem (Real)

16 de novembro de 2026

Atualizações de registro de estudo

Última Atualização Postada (Real)

16 de novembro de 2026

Última atualização enviada que atendeu aos critérios de controle de qualidade

10 de novembro de 2026

Última verificação

1 de julho de 2026

Mais Informações

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 .

Se inscrever