探索用于肺气肿检测的新型生物标志物 (ENBED)
探索用于肺气肿检测的新型生物标志物：ENBED 研究
该临床试验的目的是评估语音或二氧化碳浓度计，单独或与其他（非侵入性）生物标志物联合使用，是否可用于检测慢性阻塞性肺疾病 (COPD) 患者胸部 CT 扫描中的肺气肿。 它旨在回答的主要问题是：
• 能否开发一种基于机器学习的算法，根据语音和/或二氧化碳测定法，对慢性阻塞性肺病患者胸部CT 扫描的肺气肿程度进行分类。
参与者将：
- 执行不同的语音相关任务
- 进行两次二氧化碳测定（运动前/运动后）
- 在任务之间执行轻度锻炼任务（5 坐到站测试）
- 接受一次静脉穿刺
研究概览
详细说明
这是一项横断面、单中心研究。 在诊所，将邀请 COPD 患者执行多项与语音相关的任务（节奏阅读、持续发元音、咳嗽、安静呼吸），并指导他们进行二氧化碳测量。 这些测量将在轻度运动任务（5-STS：5 坐到站测试）之前和之后进行。
作为 COPD 护理路径中常规检查的一部分，已对所有患者进行了患者的临床表征，包括肺功能测试（肺活量测定、身体体积描记术、扩散能力）和 CT 扫描。 使用 Syngovia (Siemens, Erlangen, Germany) 将肺气肿量化为密度低于 -950 Hounsfield 单位 (HU) 的低衰减区域。
主要结果将适合一个简单的机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）来对语音中肺气肿（>25% vs ≤ 25%）结果的逻辑回归模型进行分类特征和二氧化碳测定法。 具有语音特征的解释变量。 将探索使用二氧化碳图特征的增量模型的类似分类方法。 在进行上述分析之前，必须对数据进行预处理，包括合并数据、质量控制、缺失数据处理和特征提取。
研究类型
注册 (估计的)
联系人和位置
学习联系方式
- 姓名：Sami Simons, MD PhD
- 电话号码：+31 043 3876543
- 邮箱：sami.simons@mumc.nl
学习地点
-
-
Limburg
-
Maastricht、Limburg、荷兰、6202 AZ
- 招聘中
- Dept of Respiratory Medicine, Maastricht University Medical Centre
-
接触：
- Sami Simons, MD PhD
- 电话号码：+31433876543
- 邮箱：sami.simons@mumc.nl
-
Roermond、Limburg、荷兰、6043 CV
- 尚未招聘
- Laurentius ziekenhuis
-
接触：
- Ragnar Lunde, MD
- 电话号码：+31-(0)475 382 222
- 邮箱：r.lunde@lzr.nl
-
接触：
- 电话号码：+31-(0)475 382 222
-
副研究员：
- Martijn Cuijpers, Msc
-
-
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
描述
纳入标准：
基于COPD Gold 2023指南的COPD诊断，包括
- 目前的呼吸道症状（任何呼吸困难、咳嗽或咳痰）
- 肺活量测定法证实了非完全可逆气流阻塞的诊断，定义为支气管扩张剂后一秒用力呼气量/用力肺活量（FEV1/FVC 比率）< 0.7
- 存在与 COPD 相关的危险因素或原因
- 在纳入研究之前的过去 12 个月内进行的胸部 CT 扫描
- 能够理解、阅读和书写荷兰语
排除标准：
- 研究开始后 8 周内 COPD 急性加重
- 影响言语或呼吸协调的合并症（神经肌肉疾病，CVA）
- 影响呼吸困难言语特征的合并症（严重心力衰竭、间质性肺病）
- 影响呼吸系统的合并症，包括但不限于哮喘或囊性纤维化
- 严重干扰语音（音频信号）解释的合并症，例如帕金森病、延髓麻痹或声带麻痹。
- 无法进行二氧化碳图记录。
- 研究者对患者遵守方案要求的意愿或能力的不确定性。
- 参与另一项涉及调查产品的研究。 允许参与观察性研究。
学习计划
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
COPD和/或肺气肿
COPD根据COPD Gold 2023指南定义。
肺气肿定义为Fleischner标准（2024）
|
COPD 患者将在休息时执行多项与声音相关的任务和二氧化碳浓度测定。
此后将进行 5-STS，并重复与语音相关的任务/二氧化碳测定
COPD 患者将在休息时执行多项与声音相关的任务和二氧化碳浓度测定。
此后将进行 5-STS，并重复与语音相关的任务/二氧化碳测定
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
胸部 CT 显示中度至重度肺气肿的参与者百分比（定义为 > 25%）
大体时间：基线
|
每个参与者的基线胸部 CT 扫描将使用具有肺气肿自动 3-D 量化的肺实质分析软件进行分析。
肺气肿将定义为密度低于 -950 亨斯菲尔德单位的低衰减区域。
患者将被分类为低度肺气肿（胸部 CT 扫描显示肺气肿小于或等于 25%）或中度至高度肺气肿（胸部 CT 扫描显示肺气肿超过 25%）
|
基线
|
|
来自持续元音的每个音节的（非语言）吸入次数
大体时间：基线
|
参与者将在休息时和轻度运动后发出持续的元音（说“a”），从中可以获得多项测量值：每个呼吸组的音节、语速、清晰度、平均频率、平均强度、音高变化、平均重心, 吸气, 非语言吸气, 比声音/沉默间隔。 根据之前的研究（Merkus J，2020），HNR、shimer、元音持续时间和每个音节的（非语言）吸入次数是 COPD 中推定的声音生物标志物。 因此，第一个关键决定因素是每个参与者在持续元音期间每个音节的（非语言）吸入次数。 这将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入，以在 CT 扫描上对肺气肿进行分类（>25% vs ≤ 25%） |
基线
|
|
持续元音的谐波噪声比
大体时间：基线
|
参与者将在休息时和轻度运动后发出持续的元音（说“a”），从中可以获得多项测量值：每个呼吸组的音节、语速、清晰度、平均频率、平均强度、音高变化、平均重心, 吸气, 非语言吸气, 比声音/沉默间隔。 根据之前的研究（Merkus J，2020），HNR、shimer、元音持续时间和每个音节的（非语言）吸入次数是 COPD 中推定的声音生物标志物。 因此，第二个关键决定因素是持续元音期间的谐波噪声比。 这将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入，以在 CT 扫描上对肺气肿进行分类（>25% vs ≤ 25%） |
基线
|
|
来自持续元音的元音持续时间
大体时间：基线
|
参与者将在休息时和轻度运动后发出持续的元音（说“a”），从中可以获得多项测量值：每个呼吸组的音节、语速、清晰度、平均频率、平均强度、音高变化、平均重心, 吸气, 非语言吸气, 比声音/沉默间隔。 根据之前的研究（Merkus J，2020），HNR、shimer、元音持续时间和每个音节的（非语言）吸入次数是 COPD 中推定的声音生物标志物。 因此，第三个关键决定因素是持续元音期间的元音持续时间（以秒为单位）。 这将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入，以在 CT 扫描上对肺气肿进行分类（>25% vs ≤ 25%） |
基线
|
|
从持续的元音闪烁
大体时间：基线
|
参与者将在休息时和轻度运动后发出持续的元音（说“a”），从中可以获得多项测量值：每个呼吸组的音节、语速、清晰度、平均频率、平均强度、音高变化、平均重心, 吸气, 非语言吸气, 比声音/沉默间隔。 根据之前的研究（Merkus J，2020），HNR、shimer、元音持续时间和每个音节的（非语言）吸入次数是 COPD 中推定的声音生物标志物。 因此，第四个关键决定因素是持续元音期间的微光（以赫兹为单位）。 这将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入，以在 CT 扫描上对肺气肿进行分类（>25% vs ≤ 25%） |
基线
|
|
来自二氧化碳图的呼气末二氧化碳 (ETCO2)
大体时间：基线
|
参与在休息和轻微运动后进行安静呼吸（潮气量）以测量呼气期间的二氧化碳（二氧化碳图），从中可以测量几个参数，其中呼气末二氧化碳（etCO2）、阶段 2 斜率和阶段 3 斜率最多COPD 表型分析的独特之处（Pereira 2016）。 因此，二氧化碳图的第一个关键决定因素是呼气末 CO2（以毫米汞柱为单位）。 这将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入，以在 CT 扫描上对肺气肿进行分类（>25% vs ≤ 25%） |
基线
|
|
来自二氧化碳图 (slp2) 的第 2 阶段斜率
大体时间：基线
|
参与在休息时和轻微运动后进行安静呼吸（潮气量）以测量呼气期间的二氧化碳（二氧化碳描记图），从中可以测量几个（超过 80 个）参数，其中呼气末二氧化碳 (etCO2)、阶段 2 斜率和第 3 阶段斜率对于 COPD 表型分析最为独特（Pereira 2016）。 因此，二氧化碳图的第二个关键决定因素是阶段 2 斜率（以毫米汞柱/升为单位）。 这将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入，以在 CT 扫描上对肺气肿进行分类（>25% vs ≤ 25%） |
基线
|
|
来自二氧化碳图 (slp3) 的第 2 阶段斜率
大体时间：基线
|
参与在休息时和轻微运动后进行安静的呼吸（潮气量）以测量呼气期间的二氧化碳（二氧化碳描记图），从中可以测量几个参数，其中呼气末二氧化碳、第 2 阶段斜率和第 3 阶段斜率对 COPD 最为独特表型分析（Pereira 2016）。 因此，二氧化碳图的第三个关键决定因素是第 3 阶段斜率（以毫米汞柱/升为单位）。 这将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入，以在 CT 扫描上对肺气肿进行分类（>25% vs ≤ 25%） |
基线
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
血清sRAGE
大体时间：基线
|
将在每个参与者中测定来自外周血的晚期糖基化终末产物 (sRAGE) 的血清可溶性受体。
血清 sRAGE 被认为是肺气肿的血液生物标志物 (Klont 2022)。
每个参与者的血清 sRAGE 水平（以 ng/mL 为单位）将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入变量，以在 CT 扫描（>25 % 对比≤ 25%)
|
基线
|
|
身体体积描记法上的残气量与肺总量 (RV/TLC) 的比率
大体时间：基线
|
可以使用身体体积描记术测量肺气肿。
身体体积描记法可以测量几个变量：肺总量 (TLC)、吸气量 (IC)、功能残气量 (FRC)、残气量 (RV)、IC/TLC 比值、FRC/TLC 比值和 RV/TLC 比值.
RV/TLC 的比率可能是空气滞留最敏感的测量值，作为肺气肿的第一个迹象，因此被选为身体体积描记术的关键结果测量值。
每个参与者的 RV/TLC 比率（表示为 Z 分数）将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入变量，以在 CT 扫描上对肺气肿进行分类（ >25% 对比 ≤ 25%)
|
基线
|
|
肺对一氧化碳的扩散能力
大体时间：基线
|
肺部一氧化碳扩散能力 (DLCO) 是衡量肺部将气体从空气转移到血流的能力的指标，DLCO 的降低与胸部 CT 扫描中肺气肿的程度有关。
每个参与者的 DLCO（表示为 Z 分数）将被测量并用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入变量，以在 CT 扫描中对肺气肿进行分类（> 25% 对 ≤ 25%)
|
基线
|
|
一秒用力呼气量
大体时间：基线
|
一秒钟用力呼气容积 (FEV1) 是衡量潜在 COPD 严重程度的指标。
每个参与者的支气管扩张剂后 FEV1（表示为 Z 分数）将通过肺量计进行测量。
根据 ERS/ATS 指南。
FEV1（Z 分数）将用作机器学习分类模型（例如使用逻辑回归、支持向量机、随机森林和/或决策树）的输入变量，以对 CT 扫描的肺气肿进行分类（>25% vs ≤ 25%）
|
基线
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.