Kunstig intelligens-aktiveret storskala elektrokardiogram-funktionsekstraktion og udforskning af sammenhæng mellem de ekstraherede funktioner og dødelighed, slagtilfælde eller forskellige sundhedsmæssige resultater af interesse
- I denne undersøgelse kombineres storskala EKG-data (elektrokardiogramdata for alle patienter gemt i MUSE-systemet ved at måle standard 12-guidede EKG ved Severance Health Checkup på Severance Hospital fra 1. november 2005 til 31. oktober 2022) med elektronisk medicinsk optegnelser, National Health Insurance Corporation-data og National Statistical Office dødsårsagsdata, og algoritmen for kunstig intelligens bruges til at udtrække EKG-funktioner for at analysere sammenhængen mellem død, slagtilfælde og forskellige helbredstilstande og til at udføre ekstern verifikation eller overføre læring vha. offentlige databaser (f.eks. britiske biobankdata).
- Beregnet til at bruge en webbaseret kunstig intelligens-platform til at distribuere beregningsbelastninger genereret under databehandling i stor skala og forbedre analysens nøjagtighed og effektivitet.
Studieoversigt
Status
Status
Betingelser
Betingelser
Detaljeret beskrivelse
- Alle patient-id'er indhentet fra hovedkontoret erstattes af forsknings-id'er (af-identificerede id'er), så det faktiske id ikke afsløres, og andre personlige identifikationsoplysninger (navn, beboerregistreringsnummer) indsamles ikke.
Forskningsmetoder:
- Elektrokardiogram-ekstraktion baseret på kriterierne for emner.
- Kombineret med udtrukne EKG-data og National Insurance Corporation-data (+ National Statistical Office-data om dødsårsag).
- Sundhed ude af interesse (HOI) definition. Omfatter død, slagtilfælde osv.
- Den definerede HOI kan udtrækkes fra Yonsei Medical Center-data eller fra National Insurance Service-data eller Statistics Koreas dødsårsagsdata.
- Kunstig intelligens modeltræning med elektrokardiogram (og klinisk informationsdiagram om nødvendigt) som input, ved at bruge superviserede deep learning algoritmer, hvis der er en etiket og uovervågede indlæringsalgoritmer, hvis der ikke er nogen label.
- Præstationsevaluering for superviserede læringsmodeller for kunstig intelligens.
- I tilfælde af uovervåget læring af kunstig intelligens-modeller, sammenhængen/korrelationen mellem udtrukne funktioner og HOI eller forudsigeligheds-/detekterbarhedsanalyse.
- Overførselslæring kan udføres ved at tilføje ekstern verifikation eller dielektriske data til den indlærte model ved hjælp af offentlige databaser.
- Ekstern verifikation kan udføres ved hjælp af eksterne ekstra data ved at montere den indlærte model på en webbaseret kunstig intelligens platform.
- I betragtning af data i stor skala kan computerarbejdsbelastninger distribueres ved hjælp af webbaserede kunstig intelligens-platforme.
- Analyseresultaterne kan anonymiseres, og analyseresultaterne kan leveres til forskere gennem en webbaseret kunstig intelligens-platform.
Undersøgelsestype
Undersøgelsestype
Tilmelding (Anslået)
Tilmelding
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Hui-Nam Pak
- Telefonnummer: 82-2-2228-8459
- E-mail: hnpak@yuhs.ac
Studiesteder
-
-
-
Seoul, Korea, Republikken
- Yonsei University Health System
-
Kontakt:
- Hui-Nam Pak
- Telefonnummer: 82-2-2228-8459
- E-mail: hnpak@yuhs.ac
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
Alle patienter er gemt i MUSE-systemet efter måling af et standard 12-styret elektrokardiogram ved Severance Health Checkup på Severance Hospital fra 1. november 2005 til 31. oktober 2022
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Antal patienter med mortalitet
Tidsramme: 2 år
|
Undersøgelse af reproducerbarheden af dødelighedsforudsigelse (antal patienter, der døde uanset årsag) ud fra EKG-data målt inden for 1 år før døden ved hjælp af kunstig intelligens-algoritmer
|
2 år
|
|
Antal patienter med slagtilfælde, atrieflimren, demens
Tidsramme: 2 år
|
Undersøgelse af sammenhængen mellem visse EKG-mønstre med muligheden for slagtilfælde/atrieflimren, demens ved hjælp af kunstig intelligens-algoritmer.
|
2 år
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Efterforskere
Efterforskere
- Ledende efterforsker: Hui-Nam Pak, Yonsei University
Datoer for undersøgelser
Studer store datoer
Studiestart (Anslået)
Studiestart
Primær færdiggørelse (Anslået)
Primær færdiggørelse
Studieafslutning (Anslået)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- 4-2022-1506
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .