Меню
Набор скоро начнётся NCT06981286

Oral Health Parameter-Based Diabetes Type 2 Indication Using Machine Learning

— Наблюдательное Type 2 Diabetes

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
В протоколе указаны: A dataset comprising participants withT2D will be used to evaluate the classification performance of various machine learning techniques..
Кому может быть актуально
Состояния в реестре: Type 2 Diabetes. Базовые параметры: от 60 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Швеция
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Официальное название

Oral Health Parameter-Based Diabetes Type 2 Indication Using Machine Learning in Older Individuals With Mild Cognitive Impairment

Обзор

This study aims to explore the potential of using machine learning (ML) algorithms to predict Diabetes type2, based on oral health and demographic data. The objective is to evaluate the effectiveness of various ML models and identify the most relevant oral health indicators for predicting type 2 diabetes in individuals with mild cognitive impairment aged 60 and above.

Подробное описание

This cross-sectional study utilizes oral health and demographic data from the Swedish National Study on Aging and Care (SNAC-B). Participants aged 60 years or older with Mild Cognitive Impairment will be included in the analysis. The data will be used to develop and evaluate machine learning models for predicting type 2 diabetes.

Objectives:

1. Primary Objective: To assess the potential of oral health parameters for binary classification of type 2 diabetes or not. 2. Secondary Objective: To identify the most influential oral health parameters contributing to type 2 diabetes predictions. 3. Tertiary Objective: To compare the performance of Random Forest (RF), Support Vector Machine (SVM), and CatBoost (CB) classifiers in predicting type 2 diabetes using oral health data.

Вмешательства

  • Другое A dataset comprising participants withT2D will be used to evaluate the classification performance of various machine learning techniques.
    A dataset comprising participants with T2D will be used to evaluate the classification performance of various machine-learning techniques.

Первичные конечные точки

  • Detection perfomance [Срок оценки: 12 months]

Критерии участия

Критерии включения

  • Individuals aged 60 years or older.
  • Participants with recorded oral health parameters with or without Diabetes type2

Критерии исключения

  • Individuals with Diabetes type1

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Здоровые добровольцы: Да

Дизайн исследования

Модель наблюдения
Случай-контроль

Центры проведения

Швеция · 1 центр
  • Department of Health, Blekinge Institute of Technology — Karlskrona

Идентификаторы

NCT: NCT06981286 · DT2 prediction

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗