初级保健研究中的失眠治疗 (TIP)
2026年4月30日 更新者：Päivi Korhonen、University of Turku
该临床试验的目的是了解初级保健慢性失眠患者的失眠治疗方法。
它旨在回答的主要问题是：
• 睡眠学校（一种失眠疗法）是否能有效减少失眠的危害？ 参与者将每周参加一次团体治疗干预，持续六周。
研究人员将睡眠学校与常规治疗（由受过教育的护士进行简短咨询）进行比较，看看睡眠学校在减少失眠危害方面是否比常规治疗效果更好。
研究概览
研究类型
介入性
注册 (估计的)
250
阶段
- 不适用
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Ansa Rantanen, PhD
- 邮箱：atsipp@utu.fi
研究联系人备份
- 姓名：Elina Bergman, PhD
- 邮箱：elkaro@utu.fi
学习地点
-
-
-
Turku、芬兰、20014
- 招聘中
- University of Turku
-
接触：
- Elina Bergman
- 邮箱：elkaro@utu.fi
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
不
描述
纳入标准：
- 失眠严重程度指数 (ISI) 评分至少为 8
- 失眠症状至少持续3个月
排除标准：
- 根据医疗记录诊断出痴呆症
- 急性自杀倾向
- 急性精神病症状
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 主要用途：治疗
- 分配：随机化
- 介入模型：并行分配
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：睡眠学校
参与者每周参加一次睡眠学校，为期六周。
|
睡眠学校是一种治疗失眠的结构化方法，其基于失眠认知行为疗法（CBT-I）。
该方法的核心要素是患者的工作手册。
该方法的基本部分是增强患者的自我效能、介绍治疗练习并支持继续使用练习。
睡眠学校的主题是有关睡眠及其影响因素的信息、CBT-I 的行为组成部分（例如限制在床上的时间）、CBT-I 的认知组成部分（例如建设性担忧练习）以及针对睡眠的练习平静心灵和自主神经系统。
睡眠学校由一位受过教育的护士主持。
|
|
有源比较器：照常治疗
参与者在入组访问时接受有关失眠的简短咨询。
|
由受过教育的护士提供有关改善睡眠习惯的口头和书面信息。
|
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 |
|---|---|---|
|
8 周时失眠严重指数 (ISI) 评分相对于基线的平均变化
大体时间：基线和第 8 周
|
ISI 是一种经过验证的自我报告工具，用于评估当前失眠症状的严重程度和影响。
它由 7 个李克特量表问题组成，总分为 0 到 28 分（分数越高表明失眠越严重）。
变化 = 第 8 周分数 - 基线分数。
|
基线和第 8 周
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
患者健康问卷 9 (PHQ-9) 8 周时相对于基线的平均变化
大体时间：基线和第 8 周
|
PHQ-9 是一种经过验证的自我管理工具，用于评估《精神疾病诊断和统计手册》(DSM)-IV 的 9 项抑郁症标准（0（完全没有）到 3（几乎每天））以及抑郁症的严重程度。
可能的分数范围为 0 到 27。
变化 = 第 8 周分数 - 基线分数。
|
基线和第 8 周
|
|
8 周时 EUROHIS 生活质量 8 项指数相对于基线的平均变化
大体时间：基线和第 8 周
|
EUROHIS 生活质量 8 项指数是用于评估一般生活质量的经过验证的工具。
总共有八个关于生活质量的一般、身体、心理、社会和环境方面的问题。
每个问题的评分从 1（非常差）到 5（非常好）。
所有分数可相加并除以 8（问题总和）以获得 EUROHIS-QOL 平均分。
变化 = 第 8 周分数 - 基线分数。
|
基线和第 8 周
|
|
8 周时工作能力评分 (WAS) 相对于基线的平均变化
大体时间：基线和第 8 周
|
WAS是工作能力指数（WAI）的第一项，是经过验证的工作能力评估工具。
WAS 是一个单一问题“与您一生中最好的工作能力相比，您当前的工作能力是多少？”
它有0-10的反应量表，其中0代表“完全无法工作”，10代表“工作能力处于最佳状态”。
WAS 已被证明与 WAI 具有很强的关联性，并且在评估工作能力方面是可靠的。
变化 = 第 8 周分数 - 基线分数。
|
基线和第 8 周
|
其他结果措施
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
基线睡眠持续时间
大体时间：基线
|
有关睡眠持续时间的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管单位不同，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠持续时间。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠持续时间。
|
基线
|
|
基线睡眠阶段
大体时间：基线
|
有关睡眠阶段的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管具有不同的单位，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠阶段。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠阶段。
|
基线
|
|
基线睡眠质量
大体时间：基线
|
有关客观睡眠质量的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管单位不同，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠质量。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠质量。
|
基线
|
|
8周时的睡眠时间
大体时间：第 8 周
|
有关睡眠持续时间的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管单位不同，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠持续时间。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠持续时间。
|
第 8 周
|
|
8周时的睡眠阶段
大体时间：第 8 周
|
有关睡眠阶段的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管具有不同的单位，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠阶段。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠阶段。
|
第 8 周
|
|
8周时的睡眠质量
大体时间：第 8 周
|
有关客观睡眠质量的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管单位不同，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠质量。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠质量。
|
第 8 周
|
|
16 周时失眠严重指数 (ISI) 评分与 8 周相比的平均变化
大体时间：第 8 周和第 16 周
|
ISI 是一种经过验证的自我报告工具，用于评估当前失眠症状的严重程度和影响。
它由 7 个李克特量表问题组成，总分为 0 到 28 分（分数越高表明失眠越严重）。
变化 = 第 16 周得分 - 第 8 周得分。
|
第 8 周和第 16 周
|
|
第 16 周时患者健康问卷 9 (PHQ-9) 相对于基线的平均变化
大体时间：基线和第 16 周
|
PHQ-9 是一种经过验证的自我管理工具，可评估 9 项 DSM-IV 抑郁症标准（从 0（完全没有）到 3（几乎每天））以及抑郁症的严重程度。
可能的分数范围为 0 到 27。
变化 = 第 16 周分数 - 基线分数。
|
基线和第 16 周
|
|
16 周时 EUROHIS 生活质量 8 项指数相对于基线的平均变化
大体时间：基线和第 16 周
|
EUROHIS 生活质量 8 项指数是用于评估一般生活质量的经过验证的工具。
总共有八个关于生活质量的一般、身体、心理、社会和环境方面的问题。
每个问题的评分从 1（非常差）到 5（非常好）。
所有分数可相加并除以 8（问题总和）以获得 EUROHIS-QOL 平均分。
变化 = 第 16 周分数 - 基线分数。
|
基线和第 16 周
|
|
第 16 周时工作能力评分 (WAS) 相对于基线的平均变化
大体时间：基线和第 16 周
|
WAS是工作能力指数（WAI）的第一项，是经过验证的工作能力评估工具。
WAS 是一个单一问题“与您一生中最好的工作能力相比，您当前的工作能力是多少？”
它有0-10的反应量表，其中0代表“完全无法工作”，10代表“工作能力处于最佳状态”。
WAS 已被证明与 WAI 具有很强的关联性，并且在评估工作能力方面是可靠的。
变化 = 第 16 周分数 - 基线分数。
|
基线和第 16 周
|
|
16周时的睡眠时间
大体时间：第 16 周
|
有关睡眠持续时间的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管单位不同，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠持续时间。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠持续时间。
|
第 16 周
|
|
16周时的睡眠阶段
大体时间：第 16 周
|
有关睡眠阶段的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管具有不同的单位，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠阶段。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠阶段。
|
第 16 周
|
|
16周时的睡眠质量
大体时间：第 16 周
|
有关客观睡眠质量的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管单位不同，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠质量。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠质量。
|
第 16 周
|
|
26 周时失眠严重指数 (ISI) 评分与 8 周相比的平均变化
大体时间：第 8 周和第 26 周
|
ISI 是一种经过验证的自我报告工具，用于评估当前失眠症状的严重程度和影响。
它由 7 个李克特量表问题组成，总分为 0 到 28 分（分数越高表明失眠越严重）。
变化 = 第 26 周得分 - 第 8 周得分。
|
第 8 周和第 26 周
|
|
26 周时患者健康问卷 9 (PHQ-9) 相对于基线的平均变化
大体时间：基线和第 26 周
|
PHQ-9 是一种经过验证的自我管理工具，可评估 9 项 DSM-IV 抑郁症标准（从 0（完全没有）到 3（几乎每天））以及抑郁症的严重程度。
可能的分数范围为 0 到 27。
变化 = 第 26 周分数 - 基线。
|
基线和第 26 周
|
|
26 周时 EUROHIS 生活质量 8 项指数相对于基线的平均变化
大体时间：基线和第 26 周
|
EUROHIS 生活质量 8 项指数是用于评估一般生活质量的经过验证的工具。
总共有八个关于生活质量的一般、身体、心理、社会和环境方面的问题。
每个问题的评分从 1（非常差）到 5（非常好）。
所有分数可相加并除以 8（问题总和）以获得 EUROHIS-QOL 平均分。
变化 = 第 26 周分数 - 基线分数。
|
基线和第 26 周
|
|
26 周时工作能力评分 (WAS) 相对于基线的平均变化
大体时间：基线和第 26 周
|
WAS是工作能力指数（WAI）的第一项，是经过验证的工作能力评估工具。
WAS 是一个单一问题“与您一生中最好的工作能力相比，您当前的工作能力是多少？”
它有0-10的反应量表，其中0代表“完全无法工作”，10代表“工作能力处于最佳状态”。
WAS 已被证明与 WAI 具有很强的关联性，并且在评估工作能力方面是可靠的。
变化 = 第 26 周分数 - 基线分数。
|
基线和第 26 周
|
|
26周时的睡眠持续时间
大体时间：第26周
|
有关睡眠持续时间的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管单位不同，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠持续时间。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠持续时间。
|
第26周
|
|
26周时的睡眠阶段
大体时间：第26周
|
有关睡眠阶段的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管具有不同的单位，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠阶段。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠阶段。
|
第26周
|
|
26周睡眠质量
大体时间：第26周
|
有关客观睡眠质量的信息是通过智能手表使用经过验证的方法收集的。
该方法基于人工智能算法对生物信号的评估。
使用智能手表，可以从手腕测量参与者的心率、运动、血氧饱和度和光电体积描记信号。
光电体积描记信号以光学方式测量血容量的变化，从而能够评估交感神经和副交感神经系统的功能。
尽管单位不同，但我们之前开发的深度学习应用程序利用心率、运动、氧饱和度和光电体积描记信号的信息来评估睡眠质量。
因此，无论测量信号的单位如何，所有这些信号的信息都会通过自动算法组合起来报告一个值：睡眠质量。
|
第26周
|
|
12 个月时失眠严重指数 (ISI) 评分与 8 周相比的平均变化
大体时间：第 8 周和第 12 个月
|
ISI 是一种经过验证的自我报告工具，用于评估当前失眠症状的严重程度和影响。
它由 7 个李克特量表问题组成，总分为 0 到 28 分（分数越高表明失眠越严重）。
变化 = 12 个月分数 - 第 8 周分数。
|
第 8 周和第 12 个月
|
|
12 个月时患者健康问卷 9 (PHQ-9) 相对于基线的平均变化
大体时间：基线和 12 个月
|
PHQ-9 是一种经过验证的自我管理工具，可评估 9 项 DSM-IV 抑郁症标准（从 0（完全没有）到 3（几乎每天））以及抑郁症的严重程度。
可能的分数范围为 0 到 27。
变化 = 12 个月分数 - 基线分数。
|
基线和 12 个月
|
|
12 个月时 EUROHIS 生活质量 8 项指数相对于基线的平均变化
大体时间：基线和 12 个月
|
EUROHIS 生活质量 8 项指数是用于评估一般生活质量的经过验证的工具。
总共有八个关于生活质量的一般、身体、心理、社会和环境方面的问题。
每个问题的评分从 1（非常差）到 5（非常好）。
所有分数可相加并除以 8（问题总和）以获得 EUROHIS-QOL 平均分。
变化 = 12 个月分数 - 基线分数。
|
基线和 12 个月
|
|
12 个月时工作能力得分 (WAS) 相对于基线的平均变化
大体时间：基线和 12 个月
|
WAS是工作能力指数（WAI）的第一项，是经过验证的工作能力评估工具。
WAS 是一个单一问题“与您一生中最好的工作能力相比，您当前的工作能力是多少？”
它有0-10的反应量表，其中0代表“完全无法工作”，10代表“工作能力处于最佳状态”。
WAS 已被证明与 WAI 具有很强的关联性，并且在评估工作能力方面是可靠的。
变化 = 12 个月分数 - 基线分数。
|
基线和 12 个月
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Päivi Korhonen, PhD、University of Turku
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- van Straten A, van der Zweerde T, Kleiboer A, Cuijpers P, Morin CM, Lancee J. Cognitive and behavioral therapies in the treatment of insomnia: A meta-analysis. Sleep Med Rev. 2018 Apr;38:3-16. doi: 10.1016/j.smrv.2017.02.001. Epub 2017 Feb 9.
- Riemann D, Baglioni C, Bassetti C, Bjorvatn B, Dolenc Groselj L, Ellis JG, Espie CA, Garcia-Borreguero D, Gjerstad M, Goncalves M, Hertenstein E, Jansson-Frojmark M, Jennum PJ, Leger D, Nissen C, Parrino L, Paunio T, Pevernagie D, Verbraecken J, Weess HG, Wichniak A, Zavalko I, Arnardottir ES, Deleanu OC, Strazisar B, Zoetmulder M, Spiegelhalder K. European guideline for the diagnosis and treatment of insomnia. J Sleep Res. 2017 Dec;26(6):675-700. doi: 10.1111/jsr.12594. Epub 2017 Sep 5.
- Daley M, Morin CM, LeBlanc M, Gregoire JP, Savard J, Baillargeon L. Insomnia and its relationship to health-care utilization, work absenteeism, productivity and accidents. Sleep Med. 2009 Apr;10(4):427-38. doi: 10.1016/j.sleep.2008.04.005. Epub 2008 Aug 26.
- Lallukka T, Kaikkonen R, Harkanen T, Kronholm E, Partonen T, Rahkonen O, Koskinen S. Sleep and sickness absence: a nationally representative register-based follow-up study. Sleep. 2014 Sep 1;37(9):1413-25. doi: 10.5665/sleep.3986.
- Javaheri S, Redline S. Insomnia and Risk of Cardiovascular Disease. Chest. 2017 Aug;152(2):435-444. doi: 10.1016/j.chest.2017.01.026. Epub 2017 Jan 30.
- Kyle SD, Morgan K, Espie CA. Insomnia and health-related quality of life. Sleep Med Rev. 2010 Feb;14(1):69-82. doi: 10.1016/j.smrv.2009.07.004. Epub 2009 Dec 4.
- Overland S, Glozier N, Sivertsen B, Stewart R, Neckelmann D, Krokstad S, Mykletun A. A comparison of insomnia and depression as predictors of disability pension: the HUNT Study. Sleep. 2008 Jun;31(6):875-80. doi: 10.1093/sleep/31.6.875.
- Johnson KA, Gordon CJ, Chapman JL, Hoyos CM, Marshall NS, Miller CB, Grunstein RR. The association of insomnia disorder characterised by objective short sleep duration with hypertension, diabetes and body mass index: A systematic review and meta-analysis. Sleep Med Rev. 2021 Oct;59:101456. doi: 10.1016/j.smrv.2021.101456. Epub 2021 Jan 23.
- Baglioni C, Battagliese G, Feige B, Spiegelhalder K, Nissen C, Voderholzer U, Lombardo C, Riemann D. Insomnia as a predictor of depression: a meta-analytic evaluation of longitudinal epidemiological studies. J Affect Disord. 2011 Dec;135(1-3):10-9. doi: 10.1016/j.jad.2011.01.011. Epub 2011 Feb 5.
- Ragnoli B, Pochetti P, Raie A, Malerba M. Comorbid Insomnia and Obstructive Sleep Apnea (COMISA): Current Concepts of Patient Management. Int J Environ Res Public Health. 2021 Sep 1;18(17):9248. doi: 10.3390/ijerph18179248.
- Ballesio A, Aquino MRJV, Feige B, Johann AF, Kyle SD, Spiegelhalder K, Lombardo C, Rucker G, Riemann D, Baglioni C. The effectiveness of behavioural and cognitive behavioural therapies for insomnia on depressive and fatigue symptoms: A systematic review and network meta-analysis. Sleep Med Rev. 2018 Feb;37:114-129. doi: 10.1016/j.smrv.2017.01.006. Epub 2017 Feb 7.
- Alimoradi Z, Jafari E, Brostrom A, Ohayon MM, Lin CY, Griffiths MD, Blom K, Jernelov S, Kaldo V, Pakpour AH. Effects of cognitive behavioral therapy for insomnia (CBT-I) on quality of life: A systematic review and meta-analysis. Sleep Med Rev. 2022 Aug;64:101646. doi: 10.1016/j.smrv.2022.101646. Epub 2022 May 10.
- van der Zweerde T, Bisdounis L, Kyle SD, Lancee J, van Straten A. Cognitive behavioral therapy for insomnia: A meta-analysis of long-term effects in controlled studies. Sleep Med Rev. 2019 Dec;48:101208. doi: 10.1016/j.smrv.2019.08.002. Epub 2019 Aug 12.
- Ong JC, Crawford MR, Wallace DM. Sleep Apnea and Insomnia: Emerging Evidence for Effective Clinical Management. Chest. 2021 May;159(5):2020-2028. doi: 10.1016/j.chest.2020.12.002. Epub 2020 Dec 10.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2023年12月2日
初级完成 (估计的)
2028年12月1日
研究完成 (估计的)
2029年12月1日
研究注册日期
首次提交
2023年6月27日
首先提交符合 QC 标准的
2023年11月21日
首次发布 (实际的)
2023年11月28日
研究记录更新
最后更新发布 (实际的)
2026年5月1日
上次提交的符合 QC 标准的更新
2026年4月30日
最后验证
2026年4月1日
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.