- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT03662802
Vývoj nové konvoluční neuronové sítě pro klasifikaci arytmií (AI-ECG)
4. listopadu 2020 aktualizováno: Sanjeev Bhavnani MD, Scripps Clinic
Vývoj nové konvoluční neuronové sítě pro klasifikaci arytmií pro šokovatelné srdeční rytmy
Identifikace správné arytmie v době klinické události včetně srdeční zástavy má vysokou prioritu pro pacienty, zdravotnické organizace a veřejné zdraví.
Nedávný vývoj v oblasti umělé inteligence a strojového učení poskytuje nové příležitosti pro rychlou a přesnou diagnostiku srdečních arytmií a pro to, jak se v péči o pacienty používají nová mobilní zdravotnická a srdeční telemetrická zařízení.
Současné šetření si klade za cíl ověřit nový statistický přístup umělé inteligence nazvaný „klasifikátor konvoluční neuronové sítě“ a jeho výkonnost pro různé arytmie diagnostikované na 12svodovém EKG a jednosvodovém Holterově monitorování/události.
Tyto arytmie zahrnují; fibrilace síní, supraventrikulární tachykardie, AV blok, asystolie, ventrikulární tachykardie a ventrikulární fibrilace a bude porovnána s kritérii výkonnosti American Heart Association (95% jednostranný interval spolehlivosti 67-92% podle typu arytmie).
Za tímto účelem je přístupem studie vytvoření velké databáze EKG deidentifikovaných nezpracovaných dat EKG a trénování neuronové sítě na datech EKG, aby se zlepšila diagnostická přesnost.
Přehled studie
Postavení
Dokončeno
Intervence / Léčba
Typ studie
Pozorovací
Zápis (Aktuální)
25458
Kontakty a umístění
Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.
Studijní místa
-
-
California
-
San Diego, California, Spojené státy, 92037
- Scripps Clinic
-
-
Kritéria účasti
Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.
Kritéria způsobilosti
Věk způsobilý ke studiu
- DOSPĚLÝ
- OLDER_ADULT
- DÍTĚ
Přijímá zdravé dobrovolníky
Ano
Pohlaví způsobilá ke studiu
Všechno
Metoda odběru vzorků
Vzorek nepravděpodobnosti
Studijní populace
Jedinci podstupující 12svodové EKG nebo monitorování Holter/událostí
Popis
Kritéria pro zařazení:
- Všechna data EKG sestavená z 12svodových EKG, jednosvodových a vícesvodových databází
Kritéria vyloučení:
- Žádný
Studijní plán
Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
|---|---|
|
Údaje EKG
Kódovaná data včetně; vlnové délky, amplituda, intervaly, časování, frekvence
|
Konvoluční neuronová síť je konfigurována pro příjem segmentu elektrokardiogramu jako vstupu a pro generování výstupu indikujícího, zda přijatý segment elektrokardiogramu představuje srdeční arytmii.
Konvoluční neuronové síti nejsou identifikovány žádné specifické rysy elektrokardiogramu a přijatý segment elektrokardiogramu není před přijetím algoritmem filtrován, transformován ani zpracován.
Algoritmus je trénován podobným způsobem - segmenty elektrokardiogramu jsou jediným vstupem do konvoluční neuronové sítě.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Diagnostická přesnost
Časové okno: 1 ROK
|
Kritéria výkonnosti EKG American Heart Association
|
1 ROK
|
Spolupracovníci a vyšetřovatelé
Zde najdete lidi a organizace zapojené do této studie.
Sponzor
Vyšetřovatelé
- Vrchní vyšetřovatel: Sanjeev Bhavnani, MD, Scripps Clinic Medical Group
Publikace a užitečné odkazy
Osoba odpovědná za zadávání informací o studiu tyto publikace poskytuje dobrovolně. Mohou se týkat čehokoli, co souvisí se studiem.
Obecné publikace
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Trans Biomed Eng. 2016 Mar;63(3):664-75. doi: 10.1109/TBME.2015.2468589. Epub 2015 Aug 14.
- Bhavnani SP, Parakh K, Atreja A, Druz R, Graham GN, Hayek SS, Krumholz HM, Maddox TM, Majmudar MD, Rumsfeld JS, Shah BR. 2017 Roadmap for Innovation-ACC Health Policy Statement on Healthcare Transformation in the Era of Digital Health, Big Data, and Precision Health: A Report of the American College of Cardiology Task Force on Health Policy Statements and Systems of Care. J Am Coll Cardiol. 2017 Nov 28;70(21):2696-2718. doi: 10.1016/j.jacc.2017.10.018. No abstract available.
- Bhavnani SP, Narula J, Sengupta PP. Mobile technology and the digitization of healthcare. Eur Heart J. 2016 May 7;37(18):1428-38. doi: 10.1093/eurheartj/ehv770. Epub 2016 Feb 11.
- Vandendriessche B, Abas M, Dick TE, Loparo KA, Jacono FJ. A Framework for Patient State Tracking by Classifying Multiscalar Physiologic Waveform Features. IEEE Trans Biomed Eng. 2017 Dec;64(12):2890-2900. doi: 10.1109/TBME.2017.2684244. Epub 2017 Mar 17.
- Arvanaghi R, Daneshvar S, Seyedarabi H, Goshvarpour A. Fusion of ECG and ABP signals based on wavelet transform for cardiac arrhythmias classification. Comput Methods Programs Biomed. 2017 Nov;151:71-78. doi: 10.1016/j.cmpb.2017.08.013. Epub 2017 Aug 24.
- Figuera C, Irusta U, Morgado E, Aramendi E, Ayala U, Wik L, Kramer-Johansen J, Eftestol T, Alonso-Atienza F. Machine Learning Techniques for the Detection of Shockable Rhythms in Automated External Defibrillators. PLoS One. 2016 Jul 21;11(7):e0159654. doi: 10.1371/journal.pone.0159654. eCollection 2016.
- Li Q, Rajagopalan C, Clifford GD. Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Trans Biomed Eng. 2014 Jun;61(6):1607-13. doi: 10.1109/TBME.2013.2275000. Epub 2013 Jul 26.
- Lyon A, Minchole A, Martinez JP, Laguna P, Rodriguez B. Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J R Soc Interface. 2018 Jan;15(138):20170821. doi: 10.1098/rsif.2017.0821.
- Mjahad A, Rosado-Munoz A, Bataller-Mompean M, Frances-Villora JV, Guerrero-Martinez JF. Ventricular Fibrillation and Tachycardia detection from surface ECG using time-frequency representation images as input dataset for machine learning. Comput Methods Programs Biomed. 2017 Apr;141:119-127. doi: 10.1016/j.cmpb.2017.02.010. Epub 2017 Feb 10.
- Xiong Z, Nash MP, Cheng E, Fedorov VV, Stiles MK, Zhao J. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network. Physiol Meas. 2018 Sep 24;39(9):094006. doi: 10.1088/1361-6579/aad9ed.
- Fan X, Yao Q, Cai Y, Miao F, Sun F, Li Y. Multiscaled Fusion of Deep Convolutional Neural Networks for Screening Atrial Fibrillation From Single Lead Short ECG Recordings. IEEE J Biomed Health Inform. 2018 Nov;22(6):1744-1753. doi: 10.1109/JBHI.2018.2858789. Epub 2018 Aug 7.
- Warrick PA, Nabhan Homsi M. Ensembling convolutional and long short-term memory networks for electrocardiogram arrhythmia detection. Physiol Meas. 2018 Oct 30;39(11):114002. doi: 10.1088/1361-6579/aad386.
Termíny studijních záznamů
Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.
Hlavní termíny studia
Začátek studia (AKTUÁLNÍ)
1. října 2018
Primární dokončení (AKTUÁLNÍ)
1. března 2020
Dokončení studie (AKTUÁLNÍ)
1. října 2020
Termíny zápisu do studia
První předloženo
5. září 2018
První předloženo, které splnilo kritéria kontroly kvality
5. září 2018
První zveřejněno (AKTUÁLNÍ)
7. září 2018
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (AKTUÁLNÍ)
6. listopadu 2020
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
4. listopadu 2020
Naposledy ověřeno
1. listopadu 2020
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- 027527
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
NE
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Ne
Studuje produkt zařízení regulovaný americkým úřadem FDA
Ne
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .
Klinické studie na Klasifikátor neuronové sítě
-
Emory UniversityDokončenoSyndrom patelofemorální bolesti | Patelofemorální bolestSpojené státy
-
Cionic, Inc.Zápis na pozvánkuOnemocnění horního motorického neuronuSpojené státy
-
Josue Fernandez CarneroUniversidad Autonoma de MadridDokončeno
-
University of ManitobaButterfly NetworkDokončenoPoruchy temporomandibulárního kloubu | Obraz z magnetické rezonance | Ruční ultrazvukKanada
-
Guy's and St Thomas' NHS Foundation TrustPhilips HealthcareDokončeno
-
Cionic, Inc.NáborParkinsonova nemoc (PD)Spojené státy
-
Mary CharltonNational Cancer Institute (NCI)Aktivní, ne nábor
-
Göteborg UniversityThe Swedish Research CouncilUkončenoMrtvice | Afázie | AnomieŠvédsko
-
The University of Tennessee, KnoxvilleColorado State UniversityAktivní, ne náborPorucha užívání konopí, mírná | Porucha užívání konopí, střední | Porucha užívání konopí, těžkáSpojené státy
-
Karolinska InstitutetNáborAkutní respirační selháníŠvédsko