炎症标志物和多普勒参数在迟发性胎儿生长受限中的作用：一种机器学习方法
2024年7月4日 更新者：Can Ozan Ulusoy、Ankara Etlik City Hospital
胎儿生长受限（FGR）是妊娠期的一种严重并发症，可能导致各种不良后果。
它分为早发型（32周之前）和晚发型（32周之后），晚发型与低氧血症和发育迟缓等长期风险相关。
该研究重点关注炎症在 FGR 中的作用，引入新的血液标记物以更好地理解和诊断。
它还解决了在资源匮乏的环境中使用先进诊断工具的挑战，并探索使用机器学习根据炎症标记物预测 FGR，强调了人工智能在克服这些挑战方面的潜力。
研究概览
详细说明
胎儿生长受限（FGR），也称为宫内生长受限，是一种常见的妊娠并发症，可能对新生儿产生负面影响。
这种情况的原因多种多样，包括遗传因素、母体炎症、感染和其他病理。
FGR根据其发病情况进行分类：早发型FGR发生在妊娠32周之前，晚发型发生在妊娠32周之后。
与早发性 FGR 相比，晚发性 FGR 虽然围产期并发症的风险较低，但与低氧血症和神经发育迟缓的风险增加有关。
诊断主要依靠超声测量和特定动脉的多普勒血流分析。
该研究强调了诊断和治疗迟发性 FGR 的复杂性，强调了尚不清楚的病理生理机制。
它提出探索炎症过程以及新标志物（例如全身免疫炎症指数（SII）、全身炎症反应指数（SIRI）和中性粒细胞百分比与白蛋白比率（NPAR））在理解 FGR 方面的潜在作用。
这些标记物可以通过血液测试轻松测量，并且在各种疾病中具有重要意义。
该文本还讨论了由于需要先进的设备而在低收入国家应用先进诊断方法的挑战，与通过互联网获取人工智能和机器学习模型形成鲜明对比。
该研究旨在通过分析 NPAR 和其他标记物，并使用机器学习算法评估其预测价值，评估炎症过程对迟发性 FGR 的影响。
研究类型
观察性的
注册 (实际的)
240
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。
学习地点
-
-
Yenimahalle
-
Ankara、Yenimahalle、火鸡、06170
- Etlik City Hospital
-
-
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
接受健康志愿者
是的
取样方法
概率样本
研究人群
这项研究将包括 2023 年至 2024 年间入住土耳其安卡拉埃特利克市医院卫生部围产期诊所的 240 名胎龄在 32-37 周之间的患者。
妊娠早期的头臀长用于确定胎龄。
在该研究纳入的患者中，120 名诊断为迟发性 FGR 的患者和 120 名根据胎龄胎儿正在发育的患者将被纳入对照组。
描述
纳入标准：
- 年龄在18-45岁之间
- 在我们中心完成妊娠随访
- 可以访问其数据的孕妇
- 除 FGR 之外无系统性孕产妇合并症的单胎妊娠
排除标准：
- 多胎妊娠
- 患有母体疾病
- 胎儿先天性和染色体异常
- 长期吸毒、酗酒和吸烟
- 随访期间伴随其他妊娠并发症
- 无法访问数据的情况
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
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
胎儿生长受限的孕妇
120 名患者将被诊断为迟发性胎儿生长受限。
|
FGR的诊断根据以下Delphi标准进行。
EFW
实验室值是在 FGR 诊断时（妊娠 32 至 37 周之间）测量的。 评估血红蛋白（g/dl）、白细胞（103/μL）、单核细胞（103/μL）、淋巴细胞（103/μL）、中性粒细胞（103/μL）、血小板（103/μL）和白蛋白（g/dl）后)，炎症值计算如下：;
|
|
健康怀孕
120 名患者将根据胎龄被纳入发育胎儿对照组。
|
FGR的诊断根据以下Delphi标准进行。
EFW
实验室值是在 FGR 诊断时（妊娠 32 至 37 周之间）测量的。 评估血红蛋白（g/dl）、白细胞（103/μL）、单核细胞（103/μL）、淋巴细胞（103/μL）、中性粒细胞（103/μL）、血小板（103/μL）和白蛋白（g/dl）后)，炎症值计算如下：;
|
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 |
|---|---|---|
|
数据评估
大体时间：数据收集后1个月内
|
旨在确定妊娠期人口统计数据和炎症指数与 SPSS 环境中与胎儿生长迟缓相关的诊断超声测量（胎儿生物测量和胎儿多普勒结果）的统计相关性，并揭示这种关系的重要性。
|
数据收集后1个月内
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
机器学习建模
大体时间：数据分析后1个月内的数据
|
RandomForestClassifier 类分类模型将通过将数据从 SPSS 环境移至 Python 环境来开发。
将开发机器学习系统建模，其中模型将使用患者数据从训练集中学习，并使用该信息来预测未来数据。
|
数据分析后1个月内的数据
|
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。
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)
2024年1月31日
初级完成 (估计的)
2024年7月6日
研究完成 (估计的)
2024年7月20日
研究注册日期
首次提交
2024年4月7日
首先提交符合 QC 标准的
2024年4月16日
首次发布 (实际的)
2024年4月18日
研究记录更新
最后更新发布 (实际的)
2024年7月8日
上次提交的符合 QC 标准的更新
2024年7月4日
最后验证
2024年7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.