Machine Learning for Diagnosis of Occlusive MI in LBBB Patients (AI-LBBB)
Development of a Machine Learning Model for the Diagnosis of Occlusive Myocardial Infarction in the Setting of Left Bundle Branch Block
This study investigates a new way to diagnose severe heart attacks in patients who have a specific electrical heart pattern called a Left Bundle Branch Block (LBBB). When patients present to the emergency department with chest pain, doctors routinely perform an electrocardiogram (ECG) to check for a heart attack. However, the presence of an LBBB can alter the heart's electrical signals on the ECG, effectively masking or hiding the typical signs of an ongoing acute coronary occlusion (a completely blocked artery). This making it highly challenging for emergency physicians to make an accurate and rapid diagnosis.
The primary purpose of this prospective and observational research is to develop and evaluate an artificial intelligence/machine learning (ML) model that can analyze digital 12-lead ECG signals to accurately predict a true blocked coronary artery in patients with LBBB. The machine learning model will analyze raw digital ECG waveforms to detect subtle, microscopic patterns that might be missed by the human eye.
To confirm the accuracy of the model, its predictions will be compared directly with invasive coronary angiography results, which is the gold standard reference method used to visualize blocked vessels. Additionally, the study aims to evaluate if the model can differentiate between a true heart attack caused by a blocked artery (Type 1 MI) and other non-occlusive conditions that cause elevated heart enzymes (Type 2 MI). Ultimately, the investigators intend to determine whether integrating this machine learning tool into emergency care can safely reduce the rate of unnecessary emergency invasive procedures for patients who do not have a true coronary blockage.
Přehled studie
Postavení
Podmínky
Intervence / Léčba
Typ studie
Zápis (Odhadovaný)
Kontakty a umístění
Studijní místa
-
-
Karatay
-
Konya, Karatay, Turecko (Türkiye), 42100
- Nábor
- Konya City Hospital
-
Kontakt:
- Ahmet Gumus, MD, Emergency Medicine Residen
- Telefonní číslo: +905547957490
- E-mail: ahmetgms88@gmail.com
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Inclusion Criteria:
- Patients aged 18 years and older who present to the emergency department. Patients presenting with acute ischemic chest pain or clinical ischemia-equivalent symptoms (such as acute dyspnea, unexplained diaphoresis, or syncope).
Patients with a confirmed Left Bundle Branch Block (LBBB) on their initial 12-lead electrocardiogram (ECG), which can be either newly developed or known/chronic.
Patients who undergo invasive coronary angiography during their index hospital admission.
Patients or their legally authorized representatives who provide written informed consent to participate in the study.
Exclusion Criteria:
- Patients under the age of 18. Pregnant or lactating women. Patients with poor-quality or uninterpretable digital ECG recordings due to severe artifact, missing leads, or technical errors.
Patients who develop cardiopulmonary arrest before an initial diagnostic 12-lead ECG can be obtained in the emergency department.
Patients transferred from another healthcare facility who have already undergone coronary angiography or revascularization.
Patients who decline to participate or refuse to provide written informed consent.
Studijní plán
Jak je studie koncipována?
Detaily designu
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Diagnostic Performance for Occlusive Acute Myocardial Infarction
Časové okno: Within the emergency department index visit (typically within 24 hours of presentation).
|
Evaluation of the developed machine learning model's diagnostic performance in predicting angiographically proven acute coronary occlusion (defined as TIMI 0-1 flow or equivalent true occlusion during catheterization).
The primary metrics to evaluate this outcome will include the Area Under the Receiver Operating Characteristic (ROC) Curve (AUC), Sensitivity, Specificity, Positive Predictive Value (PPV), and Negative Predictive Value (NPV).
|
Within the emergency department index visit (typically within 24 hours of presentation).
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Title: Differentiation Performance Between Type 1 MI and Type 2 MI
Časové okno: Within the hospital stay (up to 7 days).
|
Evaluation of the machine learning model's performance (measured by AUC, sensitivity, and specificity) to distinguish between acute coronary occlusion (Type 1 MI) and non-occlusive ischemic myocardial injury or supply-demand mismatch presenting with elevated cardiac troponin (Type 2 MI).
|
Within the hospital stay (up to 7 days).
|
|
Projected Reduction Rate of Unnecessary Angiographies
Časové okno: Calculated at the study completion
|
Simulation and post-hoc analysis to quantify the potential relative reduction in the rate of emergency invasive coronary angiographies among LBBB patients without true coronary occlusion by applying the model's diagnostic probability scores.
|
Calculated at the study completion
|
Spolupracovníci a vyšetřovatelé
Sponzor
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Odhadovaný)
Primární dokončení (Odhadovaný)
Dokončení studie (Odhadovaný)
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
- Onemocnění převodního systému srdce
- Bolest
- Neurologické projevy
- Cévní onemocnění
- Kardiovaskulární choroby
- Patologické procesy
- Srdeční choroba
- Arytmie, srdeční
- Infarkt
- Nekróza
- Blok srdce
- Embolie a trombóza
- Koronární onemocnění
- Ischémie myokardu
- Ischemie
- Patologické stavy, příznaky a symptomy
- Příznaky a symptomy
- Trombóza
- Infarkt myokardu
- Bundle-Branch Block
- Bolest na hrudi
- Koronární okluze
Další identifikační čísla studie
- 2026/133
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 .