Maskininlärning för omklassificering av fetma
23 juni 2020 uppdaterad av: Shen Qu, Shanghai 10th People's Hospital
Datadriven klustering för metabolisk klassificering av fetma med hjälp av maskininlärning
Målet med denna studie är att använda eller utveckla beräkningsmodelleringstekniker för exakt omklassificering av fetma till undergrupper.
Kliniska egenskaper, risker för icke-smittsamma sjukdomar, samt viktminskningseffekter av bariatrisk kirurgi kommer också att studeras och jämföras inom undergrupperna.
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Faktisk)
2495
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Shanghai
-
Shanghai, Shanghai, Kina, 200072
- Shanghai Tenth People's Hospital
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
10 år till 70 år (Barn, Vuxen, Äldre vuxen)
Tar emot friska volontärer
Ja
Kön som är behöriga för studier
Allt
Testmetod
Sannolikhetsprov
Studera befolkning
Patienter med övervikt/fetma.
Beskrivning
Inklusionskriterier:
- Patienter med övervikt/fetma
- Patienter med normalvikt som kontroller
Exklusions kriterier:
- någonsin hade utförts med en bariatrisk operation innan studiens första besök är planerat;
- hade tagit exogent insulin, medicin som påverkar glukosmetabolismen eller urinsyraläkemedel för närvarande;
- diagnostiseras med typ 1-diabetes, sekundär diabetes, ärftlig sjukdom eller allvarlig sjukdom (t. maligna tumörer, hjärtsvikt, leversvikt, etc.);
- under dräktighet av amning;
- hade inte fullständiga data för modellen;
- för normalviktiga kontroller exkluderades patienter med diabetes eller hyperurikemi.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
NW
normal viktkontroll
|
|
|
MHO
metabolisk hälsosam fetma
|
Beräkningsmodelleringstekniker kommer att användas för den exakta omklassificeringen av fetma i fyra undergrupper, flera variabler enligt klinisk erfarenhet och modelleringsresultaten kommer att väljas ut för klusteranalysen.
|
|
LMO
hypometabolisk fetma
|
Beräkningsmodelleringstekniker kommer att användas för den exakta omklassificeringen av fetma i fyra undergrupper, flera variabler enligt klinisk erfarenhet och modelleringsresultaten kommer att väljas ut för klusteranalysen.
|
|
HMO-U
hypermetabolisk fetma med hyperurikemi
|
Beräkningsmodelleringstekniker kommer att användas för den exakta omklassificeringen av fetma i fyra undergrupper, flera variabler enligt klinisk erfarenhet och modelleringsresultaten kommer att väljas ut för klusteranalysen.
|
|
HMO-I
hypermetabolisk fetma med hyperinsulinemi
|
Beräkningsmodelleringstekniker kommer att användas för den exakta omklassificeringen av fetma i fyra undergrupper, flera variabler enligt klinisk erfarenhet och modelleringsresultaten kommer att väljas ut för klusteranalysen.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Metabolisk klassificering av patienter med fetma med hjälp av maskininlärning
Tidsram: baslinje
|
baslinje
|
Sekundära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Metaboliska egenskaper hos patienter i olika undergrupper
Tidsram: baslinje
|
baslinje
|
|
Risker för icke-smittsamma sjukdomar hos patienter i olika undergrupper
Tidsram: baslinje
|
baslinje
|
|
Effekt av bariatrisk kirurgi hos patienter i olika undergrupper
Tidsram: 1 år efter bariatrisk operation
|
1 år efter bariatrisk operation
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Faktisk)
1 mars 2020
Primärt slutförande (Faktisk)
30 april 2020
Avslutad studie (Faktisk)
20 juni 2020
Studieregistreringsdatum
Först inskickad
21 februari 2020
Först inskickad som uppfyllde QC-kriterierna
21 februari 2020
Första postat (Faktisk)
25 februari 2020
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
25 juni 2020
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
23 juni 2020
Senast verifierad
1 juni 2020
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- Obesity Reclassification
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .