- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT04657900
Predikce nového nástupu fibrilace síní na úrovni pacienta
Předpovídání nového nástupu fibrilace síní na úrovni pacienta z celonárodních elektronických zdravotních záznamů založených na populaci: vyšetřování přesné medicíny pomocí umělé inteligence
Přehled studie
Detailní popis
Fibrilace síní (FS) je běžným chronickým onemocněním s podstatným dopadem na zdravotní výsledky. Mnoho případů FS je odhaleno příliš pozdě - jako projev mrtvice, srdečního selhání nebo jiné komplikace. Zatímco dřívější detekce FS nabízí potenciál k prevenci předčasného kardiovaskulárního onemocnění, populační screening se nedoporučuje.
Fibrilace síní (AF) je hlavním kardiovaskulárním zdravotním problémem. Jde o nejčastější trvalou srdeční arytmii, která postihuje 1–2 % populace Evropy a USA, s celoživotním rizikem jednoho ze čtyř v obecné populaci. Jeho prevalence se zvyšuje s tím, jak populace stárne. V důsledku toho se tyto odhady pravděpodobně zvýší a v současné době jsou podhodnoceny vzhledem k tomu, že FS může dlouho zůstat nediagnostikovaná. FS představuje 1–3 % výdajů na zdravotní péči v důsledku cévní mozkové příhody, náhlé smrti, srdečního selhání, neplánované hospitalizace a přidružených komplikací. Výsledná objevující se epidemie FS a související nákladné komplikace (včetně, ale bez omezení na mrtvici, deprese, srdeční selhání, akutní koronární syndrom, kognitivní pokles a neplánovaná hospitalizace) zajistily, že FS je nyní hlavní hrozbou pro zdravou dlouhověkost. Včasná diagnostika FS, ideálně ještě před manifestací první komplikace, zůstává hlavním problémem veřejného zdraví. Zatímco u některých pacientů se FS může projevit symptomatickými palpitacemi, u jiných může být první diagnózou FS, když se zdravotníkům objeví cévní mozková příhoda, akutní srdeční dekompenzace nebo exacerbace komorbidity – což je stadium, které je v trajektorii onemocnění zbytečně pozdní. Důvodem je, že mnoho pacientů s FS nemusí mít příznaky spojené s FS. Vzhledem k tomu, že téměř jedna třetina pacientů přijatých na iktové oddělení má FS v době jejich přijetí do nemocnice a že perorální antikoagulancia snižují riziko mrtvice až o dvě třetiny u pacientů s FS, kteří jsou vystaveni vyššímu riziku mrtvice, přesvědčivý argument pro dřívější detekci AF. Za tímto účelem je nyní v národních a mezinárodních doporučeních doporučován oportunní screening FS (pulzová palpace následovaná EKG u pacientů s nepravidelným pulzem) u pacientů ve věku 65 let a více. Mezinárodní směrnice také doporučují použití 12svodového EKG a ambulantních monitorů rytmu (s prodlužující se dobou trvání podle vnímaného rizika FS), které se stupňují na implantovatelné bezelektrodové AF záznamníky u pacientů s podezřelou, ale nediagnostikovanou FS – a každý s důsledky pro náklady na zdravotní péči a pacienta. spokojenost. I když existují slibné výsledky ze systematického screeningu starších populací na FS pomocí samoobslužných zařízení, v současné době neexistuje ve Spojeném království (UK) žádné doporučení pro celopopulační systematický screening FS, protože zatím není jasné, zda ti, kteří byli identifikováni jako riziku by prospěla včasná diagnostika. Výzkum je skutečně zapotřebí k lepšímu pochopení míry detekce, diagnostické přesnosti a výsledků takových programů a také k definování, v jakých podskupinách by screening FS nabídl pacientům a veřejnému zdraví největší hodnotu.
Identifikace FS má důležité pacientské a klinické důsledky. Těm pacientům s vyšším rizikem cévní mozkové příhody (skóre CHADSVASC ≥ 2) bez kontraindikace by měla být nabídnuta profylaxe cévní mozkové příhody pomocí perorálních antikoagulancií. Navíc většina pacientů s FS bude mít rizikové faktory mrtvice, díky nimž budou způsobilí pro perorální antikoagulancia, a mnozí budou mít souběžné kardiovaskulární onemocnění (jako je hypertenze, chlopenní srdeční onemocnění nebo srdeční selhání), což je činí způsobilými pro další vyšetření nebo léčbu. Stejně tak u pacientů s FS, kteří mají nízké riziko cévní mozkové příhody (a proto nesplňují podmínky pro perorální antikoagulaci), je vhodné sledovat zvýšené riziko cévní mozkové příhody. Přesné předpovídání, zda a kdy bude mít osoba nově propukající FS, může umožnit fenotypový a časově specifický (tedy efektivnější) screening a také identifikovat domnělé rizikové markery pro etiologii FS. Například pacienti, kteří jsou v současné době v sinusovém rytmu, ale mají vyšší riziko cévní mozkové příhody a u nichž se předpokládá, že se u nich v určitém časovém okamžiku v budoucnu vyvine, mohou mít prospěch ze screeningu na FS blíže k předpokládanému datu. Stejně tak mohou být proaktivně řešeny modifikovatelné rizikové faktory pro rozvoj FS a pro riziko cévní mozkové příhody ve světle znalostí o vyšším riziku nového nástupu FS a studovaných nových rizikových faktorů pro kauzalitu. Další možné výzkumné příležitosti mohou zahrnovat studii pacientů, kteří nemají a nepředpokládá se, že budou mít FS, a hodnocení životního stylu, technologie zařízení a farmakoterapeutických strategií ke snížení rizika FS u pacientů s vysokým předpokládaným rizikem nového nástupu FS.
K dnešnímu dni byla vyvinuta řada nástrojů pro predikci rizika AF, včetně těch od konsorcia CHARGE-AF, Framingham Heart Study, skóre CHADS, skóre CHADSVASC a skóre CHEST. Skóre CHEST (strukturální srdeční onemocnění, srdeční selhání, věk ≥ 75 let, onemocnění koronárních tepen, hypertyreóza, chronická obstrukční plicní nemoc (CHOPN) a hypertenze) odvozené od 471 446 subjektů z čínské databáze pojištění Yunnan a ověřeno u 451 199 subjektů z Bylo zjištěno, že korejská národní zdravotní pojišťovna předpovídá budoucí incident AF. Ze 4764 účastníků Framingham Heart Study, věk, pohlaví, index tělesné hmotnosti, systolický krevní tlak, léčba hypertenze, doba od začátku vlny P do začátku komplexu depolarizace komor (QRS) (interval PR ), klinicky významný srdeční šelest a srdeční selhání byly shledány pomocí modelování přežití jako součásti skóre předpovídajícího výskyt FS po 10 letech. Každá z dosavadních studií je však omezena jednou nebo více z nich, jejich používáním geograficky vzdálených dat, historickými daty, malými datovými soubory, nedostatkem časových informací, hrubým modelováním rizik s následnou neoptimální výkonností modelu a/nebo prediktivními proměnnými, které nejsou snadno dostupné. k praktickému lékaři. Je pochopitelné, že žádný nedosáhl široké klinické praxe. Umělá inteligence usnadňuje používání obrovského množství dat o událostech a souvisejících časových informací (jako jsou ty v datových sadách primární péče), zpracovává velké množství prediktorů pomocí technik automatického výběru proměnných, přizpůsobuje se nelinearitám a interakcím mezi proměnnými, umožňuje přístup k živému učení ( přičemž predikční model se automaticky aktualizuje) a může používat data z celé populace k předpovědi, zda a kdy u jednotlivce dojde k novému nástupu AF. Řada technik umělé inteligence (AI) byla aplikována na data EHR a prokázala lepší diagnostickou a prediktivní schopnost oproti tradičním statistickým přístupům v rozsáhlých datech EHR. Přesto, jak bylo nedávno zdůrazněno, je důležité identifikovat modely, které jsou klinicky užitečné. Například studie, která vyvinula algoritmus EKG s podporou AI, který předpovídal AF z EKG s normálním sinusovým rytmem, zatímco důležitý krok vpřed nemusí být použitelný v komunitním prostředí, kde rutinní EKG nejsou vždy k dispozici. Vývoj prediktivního algoritmu pro nový nástup FS z rutinních dat elektronických zdravotních záznamů primární péče s využitím technik AI by tedy mohl nabídnout příležitost pro časný převod do klinické praxe. Vyšetřovatelé vyvinou a ověří model učení hlubokých neuronových sítí, využívající rozsáhlé propojené elektronické zdravotní záznamy (EHR) z primární péče, aby předpověděli riziko nové FS. Predikční algoritmus bude trénován a testován na svou přesnost a robustnost při předpovídání budoucích událostí AF pomocí Clinical Practice Research Datalink (CPRD) – globální iniciativy pro chronickou obstrukční plicní nemoc (GOLD) a bude externě validován pomocí podobných databází CPRD-AURUM, ale na různých geografických místech. Nový prediktivní algoritmus bude porovnán s řadou klasických technik strojového učení i s tradičními metodami statistického prediktivního modelování. Až do úspěšného modelu, který zlepší přesnost předpovědi alespoň o 5 % ve srovnání se stávajícími modely, by mohl být algoritmus snadno dostupný prostřednictvím softwaru, který lze zdarma používat.
Typ studie
Zápis (Očekávaný)
Kontakty a umístění
Studijní místa
-
-
West Yorkshire
-
Leeds, West Yorkshire, Spojené království, LS2 9JT
- University of Leeds
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Diagnostikovaná FS po 1. lednu 2009 (identifikováno pomocí čtení kódů (pro profil pacienta CPRD) a kódů ICD-10 (pro události HES)
- In Clinical Practice Research Datalink – Globální iniciativa pro chronickou obstrukční plicní nemoc (CPRD-GOLD) a způsobilá pro propojení dat.
- Mějte alespoň 1 rok sledování v období mezi 1. lednem 1998 a 31. prosincem 2018.
Kritéria vyloučení:
- Mladší 18 let k datu první registrace v CPRD
- Diagnostikována AF před 1. lednem 1998
- V CPRD-GOLD a není způsobilý pro datové propojení
- Má méně než jeden rok sledování v CPRD
Studijní plán
Jak je studie koncipována?
Detaily designu
- Observační modely: Kohorta
- Časové perspektivy: Retrospektivní
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
---|---|
Všichni způsobilí pacienti
Observační kohorta využívající anonymizovaná data primární péče na úrovni pacienta spojená se sekundárními administrativními daty; CPRD-GOLD a CPRD-AURUM.
|
Pozorovací – bez zásahu
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Vyvinout a ověřit hierarchický model hlubokého učení pro předpovídání rizika a případně období nového nástupu FS
Časové okno: Mezi 1. lednem 1998 a 31. prosincem 2018
|
Prediktivní faktory budou identifikovány pomocí čtení kódů (diagnóz), měření a kódů Prod (léky) v CPRD; Kódy MKN10 a kódy statistické klasifikace (OPCS) v Hospital Episode Statistics (HES); a kódy MKN 10 (kódy ICD9 za období před rokem 2001) v datech úřadu národní statistiky (ONS). Všechny proměnné budou považovány za potenciální prediktory a mohou zahrnovat:
|
Mezi 1. lednem 1998 a 31. prosincem 2018
|
Identifikovat a kvantifikovat velikost prediktorů nového nástupu FS
Časové okno: Mezi 1. lednem 1998 a 31. prosincem 2018
|
Navrhovaný model hlubokého učení může z dat EHR extrahovat informativní rizikové faktory. Konkrétně strategie výběru rizikových faktorů navržená v Huang et al bude přizpůsobena k identifikaci informativních rizikových faktorů. Model poskytne váhy identifikovaných rizikových faktorů, které pomohou pochopit význam rizikových faktorů na různých úrovních rizika. Vliv počtu rizikových faktorů na výkon predikce rizika FS bude posouzen pomocí křivek plochy pod křivkou (AUC) a přesnosti predikce vynesených proti počtu rizikových faktorů. Některé prediktory, jako je BMI, krevní tlak, frekvence návštěv praktického lékaře (GP), síla předepsané medikace, se mohou v průběhu času měnit. Budou prozkoumány přírůstkové prognostické hodnoty zahrnutí těchto proměnných trajektorií a bude posouzen dopad na přesnost predikce. |
Mezi 1. lednem 1998 a 31. prosincem 2018
|
Spolupracovníci a vyšetřovatelé
Sponzor
Spolupracovníci
Vyšetřovatelé
- Vrchní vyšetřovatel: Christopher P Gale, PhD, University of Leeds
Publikace a užitečné odkazy
Obecné publikace
- Conen D. Epidemiology of atrial fibrillation. Eur Heart J. 2018 Apr 21;39(16):1323-1324. doi: 10.1093/eurheartj/ehy171. No abstract available.
- Kirchhof P. The future of atrial fibrillation management: integrated care and stratified therapy. Lancet. 2017 Oct 21;390(10105):1873-1887. doi: 10.1016/S0140-6736(17)31072-3. Epub 2017 Apr 28. Erratum In: Lancet. 2017 Oct 21;390(10105):1832. Dosage error in article text.
- Fuster V, Ryden LE, Cannom DS, Crijns HJ, Curtis AB, Ellenbogen KA, Halperin JL, Le Heuzey JY, Kay GN, Lowe JE, Olsson SB, Prystowsky EN, Tamargo JL, Wann S, Smith SC Jr, Jacobs AK, Adams CD, Anderson JL, Antman EM, Halperin JL, Hunt SA, Nishimura R, Ornato JP, Page RL, Riegel B, Priori SG, Blanc JJ, Budaj A, Camm AJ, Dean V, Deckers JW, Despres C, Dickstein K, Lekakis J, McGregor K, Metra M, Morais J, Osterspey A, Tamargo JL, Zamorano JL; American College of Cardiology/American Heart Association Task Force on Practice Guidelines; European Society of Cardiology Committee for Practice Guidelines; European Heart Rhythm Association; Heart Rhythm Society. ACC/AHA/ESC 2006 Guidelines for the Management of Patients with Atrial Fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines and the European Society of Cardiology Committee for Practice Guidelines (Writing Committee to Revise the 2001 Guidelines for the Management of Patients With Atrial Fibrillation): developed in collaboration with the European Heart Rhythm Association and the Heart Rhythm Society. Circulation. 2006 Aug 15;114(7):e257-354. doi: 10.1161/CIRCULATIONAHA.106.177292. No abstract available. Erratum In: Circulation. 2007 Aug 7;116(6):e138.
- Camm AJ, Kirchhof P, Lip GY, Schotten U, Savelieva I, Ernst S, Van Gelder IC, Al-Attar N, Hindricks G, Prendergast B, Heidbuchel H, Alfieri O, Angelini A, Atar D, Colonna P, De Caterina R, De Sutter J, Goette A, Gorenek B, Heldal M, Hohloser SH, Kolh P, Le Heuzey JY, Ponikowski P, Rutten FH; ESC Committee for Practice Guidelines. Guidelines for the management of atrial fibrillation: the Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology (ESC). Europace. 2010 Oct;12(10):1360-420. doi: 10.1093/europace/euq350. No abstract available. Erratum In: Europace. 2011 Jul;13(7):1058. Dosage error in article text.
- Kirchhof P, Auricchio A, Bax J, Crijns H, Camm J, Diener HC, Goette A, Hindricks G, Hohnloser S, Kappenberger L, Kuck KH, Lip GY, Olsson B, Meinertz T, Priori S, Ravens U, Steinbeck G, Svernhage E, Tijssen J, Vincent A, Breithardt G. Outcome parameters for trials in atrial fibrillation: executive summary. Eur Heart J. 2007 Nov;28(22):2803-17. doi: 10.1093/eurheartj/ehm358. Epub 2007 Sep 25.
- Friberg L, Rosenqvist M, Lindgren A, Terent A, Norrving B, Asplund K. High prevalence of atrial fibrillation among patients with ischemic stroke. Stroke. 2014 Sep;45(9):2599-605. doi: 10.1161/STROKEAHA.114.006070. Epub 2014 Jul 17.
- Wolf PA, Abbott RD, Kannel WB. Atrial fibrillation: a major contributor to stroke in the elderly. The Framingham Study. Arch Intern Med. 1987 Sep;147(9):1561-4.
- January CT, Wann LS, Alpert JS, Calkins H, Cigarroa JE, Cleveland JC Jr, Conti JB, Ellinor PT, Ezekowitz MD, Field ME, Murray KT, Sacco RL, Stevenson WG, Tchou PJ, Tracy CM, Yancy CW; ACC/AHA Task Force Members. 2014 AHA/ACC/HRS guideline for the management of patients with atrial fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on practice guidelines and the Heart Rhythm Society. Circulation. 2014 Dec 2;130(23):e199-267. doi: 10.1161/CIR.0000000000000041. Epub 2014 Mar 28. No abstract available. Erratum In: Circulation. 2014 Dec 2;130(23):e272-4.
- Aronson D, Shalev V, Katz R, Chodick G, Mutlak D. Risk Score for Prediction of 10-Year Atrial Fibrillation: A Community-Based Study. Thromb Haemost. 2018 Sep;118(9):1556-1563. doi: 10.1055/s-0038-1668522. Epub 2018 Aug 13.
- Alonso A, Krijthe BP, Aspelund T, Stepas KA, Pencina MJ, Moser CB, Sinner MF, Sotoodehnia N, Fontes JD, Janssens AC, Kronmal RA, Magnani JW, Witteman JC, Chamberlain AM, Lubitz SA, Schnabel RB, Agarwal SK, McManus DD, Ellinor PT, Larson MG, Burke GL, Launer LJ, Hofman A, Levy D, Gottdiener JS, Kaab S, Couper D, Harris TB, Soliman EZ, Stricker BH, Gudnason V, Heckbert SR, Benjamin EJ. Simple risk model predicts incidence of atrial fibrillation in a racially and geographically diverse population: the CHARGE-AF consortium. J Am Heart Assoc. 2013 Mar 18;2(2):e000102. doi: 10.1161/JAHA.112.000102.
- Chamberlain AM, Agarwal SK, Folsom AR, Soliman EZ, Chambless LE, Crow R, Ambrose M, Alonso A. A clinical risk score for atrial fibrillation in a biracial prospective cohort (from the Atherosclerosis Risk in Communities [ARIC] study). Am J Cardiol. 2011 Jan;107(1):85-91. doi: 10.1016/j.amjcard.2010.08.049.
- Schnabel RB, Sullivan LM, Levy D, Pencina MJ, Massaro JM, D'Agostino RB Sr, Newton-Cheh C, Yamamoto JF, Magnani JW, Tadros TM, Kannel WB, Wang TJ, Ellinor PT, Wolf PA, Vasan RS, Benjamin EJ. Development of a risk score for atrial fibrillation (Framingham Heart Study): a community-based cohort study. Lancet. 2009 Feb 28;373(9665):739-45. doi: 10.1016/S0140-6736(09)60443-8.
- Schnabel RB, Aspelund T, Li G, Sullivan LM, Suchy-Dicey A, Harris TB, Pencina MJ, D'Agostino RB Sr, Levy D, Kannel WB, Wang TJ, Kronmal RA, Wolf PA, Burke GL, Launer LJ, Vasan RS, Psaty BM, Benjamin EJ, Gudnason V, Heckbert SR. Validation of an atrial fibrillation risk algorithm in whites and African Americans. Arch Intern Med. 2010 Nov 22;170(21):1909-17. doi: 10.1001/archinternmed.2010.434.
- Li YG, Pastori D, Farcomeni A, Yang PS, Jang E, Joung B, Wang YT, Guo YT, Lip GYH. A Simple Clinical Risk Score (C2HEST) for Predicting Incident Atrial Fibrillation in Asian Subjects: Derivation in 471,446 Chinese Subjects, With Internal Validation and External Application in 451,199 Korean Subjects. Chest. 2019 Mar;155(3):510-518. doi: 10.1016/j.chest.2018.09.011. Epub 2018 Oct 4.
- Kolek MJ, Graves AJ, Xu M, Bian A, Teixeira PL, Shoemaker MB, Parvez B, Xu H, Heckbert SR, Ellinor PT, Benjamin EJ, Alonso A, Denny JC, Moons KG, Shintani AK, Harrell FE Jr, Roden DM, Darbar D. Evaluation of a Prediction Model for the Development of Atrial Fibrillation in a Repository of Electronic Medical Records. JAMA Cardiol. 2016 Dec 1;1(9):1007-1013. doi: 10.1001/jamacardio.2016.3366.
- Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016 Sep 29;375(13):1216-9. doi: 10.1056/NEJMp1606181. No abstract available.
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Ehteshami Bejnordi B, Veta M, Johannes van Diest P, van Ginneken B, Karssemeijer N, Litjens G, van der Laak JAWM; the CAMELYON16 Consortium; Hermsen M, Manson QF, Balkenhol M, Geessink O, Stathonikos N, van Dijk MC, Bult P, Beca F, Beck AH, Wang D, Khosla A, Gargeya R, Irshad H, Zhong A, Dou Q, Li Q, Chen H, Lin HJ, Heng PA, Hass C, Bruni E, Wong Q, Halici U, Oner MU, Cetin-Atalay R, Berseth M, Khvatkov V, Vylegzhanin A, Kraus O, Shaban M, Rajpoot N, Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N, Watanabe S, Seno S, Takenaka Y, Matsuda H, Ahmady Phoulady H, Kovalev V, Kalinovsky A, Liauchuk V, Bueno G, Fernandez-Carrobles MM, Serrano I, Deniz O, Racoceanu D, Venancio R. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017 Dec 12;318(22):2199-2210. doi: 10.1001/jama.2017.14585.
- Shah NH, Milstein A, Bagley PhD SC. Making Machine Learning Models Clinically Useful. JAMA. 2019 Oct 8;322(14):1351-1352. doi: 10.1001/jama.2019.10306. No abstract available.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, Carter RE, Yao X, Rabinstein AA, Erickson BJ, Kapa S, Friedman PA. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019 Sep 7;394(10201):861-867. doi: 10.1016/S0140-6736(19)31721-0. Epub 2019 Aug 1.
- Sultan AA, West J, Grainge MJ, Riley RD, Tata LJ, Stephansson O, Fleming KM, Nelson-Piercy C, Ludvigsson JF. Development and validation of risk prediction model for venous thromboembolism in postpartum women: multinational cohort study. BMJ. 2016 Dec 5;355:i6253. doi: 10.1136/bmj.i6253.
- Rahimian F, Salimi-Khorshidi G, Payberah AH, Tran J, Ayala Solares R, Raimondi F, Nazarzadeh M, Canoy D, Rahimi K. Predicting the risk of emergency admission with machine learning: Development and validation using linked electronic health records. PLoS Med. 2018 Nov 20;15(11):e1002695. doi: 10.1371/journal.pmed.1002695. eCollection 2018 Nov.
- Huang Z, Dong W, Duan H, Liu J. A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Using Electronic Health Records. IEEE Trans Biomed Eng. 2018 May;65(5):956-968. doi: 10.1109/TBME.2017.2731158. Epub 2017 Jul 24.
- Riley RD, Snell KI, Ensor J, Burke DL, Harrell FE Jr, Moons KG, Collins GS. Minimum sample size for developing a multivariable prediction model: PART II - binary and time-to-event outcomes. Stat Med. 2019 Mar 30;38(7):1276-1296. doi: 10.1002/sim.7992. Epub 2018 Oct 24. Erratum In: Stat Med. 2019 Dec 30;38(30):5672.
- Nadarajah R, Wu J, Frangi AF, Hogg D, Cowan C, Gale C. Predicting patient-level new-onset atrial fibrillation from population-based nationwide electronic health records: protocol of FIND-AF for developing a precision medicine prediction model using artificial intelligence. BMJ Open. 2021 Nov 2;11(11):e052887. doi: 10.1136/bmjopen-2021-052887.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Očekávaný)
Dokončení studie (Očekávaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- 120029
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Popis plánu IPD
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
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 Fibrilace síní
Klinické studie na Pozorovací
-
Mayo ClinicNábor