Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

AI-Based Differential Diagnosis and Localization of Tachycardia Using ECG: Multicenter Registry (EP-AI ASSIST) (EP-AI ASSIST)

28. oktober 2026 opdateret af: Yong-Soo Baek, Inha University Hospital

AI-based Differential Diagnosis and Localization of Tachycardia Using ECG: Multicenter Registry (EP-AI ASSIST)

This multicenter retrospective study aims to develop, validate, and clinically apply an artificial intelligence (AI)-powered electrocardiography (ECG) algorithm for the diagnosis and prognostic prediction of cardiovascular diseases, including coronary artery disease and heart failure. By utilizing encrypted raw 12-lead ECG text data and deep neural network models, the study evaluates the effectiveness of AI-enhanced ECG in detecting cardiac abnormalities and predicting clinical outcomes.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Undersøgelsestype

Observationel

Tilmelding (Anslået)

10000

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Studiesteder

    • Incheon
      • Incheon, Incheon, Sydkorea, 22332
        • Rekruttering
        • Inha University Hospital
        • Kontakt:

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

19 år og ældre (Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Retrospective cohort of patients aged 19 years or older with PSVT, WPW syndrome, PVC, or VT who underwent electrophysiological study and catheter ablation at participating institutions between January 2005 and December 2023.

Beskrivelse

Inclusion Criteria:

  • Age 19 years or older
  • Diagnosis of one of the following arrhythmias: paroxysmal supraventricular tachycardia (PSVT), Wolff-Parkinson-White (WPW) syndrome, premature ventricular contractions (PVC), or ventricular tachycardia (VT)
  • Underwent an electrophysiological study (EPS) and catheter ablation
  • Available 12-lead electrocardiogram (ECG) records that can be extracted as text (XML) files

Exclusion Criteria:

  • Inadequate ECG data quality, as judged by the investigator
  • Missing medical records required for the study, as judged by the investigator

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Observationsmodeller: COHORT
  • Tidsperspektiver: RETROSPECTIVE

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Cardiovascular Disease and Tachycardia Cohort

Patients aged 19 years or older diagnosed with tachycardias (including PSVT, WPW syndrome, PVC, or VT) who underwent an electrophysiological study (EPS) and radiofrequency catheter ablation (RFCA), with extractable 12-lead ECG text data[cite: 1].

Application of a deep learning-based 12-lead electrocardiogram (ECG) algorithm to analyze raw text data for the differential diagnosis and localization of tachycardias, including PSVT, WPW syndrome, PVC, and VT[cite: 1].

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Area Under the ROC Curve (AUC) of AI-ECG Models for Differentiating Tachycardia Mechanisms Confirmed by Electrophysiological Study
Tidsramme: Baseline

Diagnostic performance of Transformer-based deep learning models applied to 12-lead ECG raw data for differentiating tachycardia mechanisms, including atrioventricular nodal reentrant tachycardia (AVNRT) versus atrioventricular reentrant tachycardia (AVRT). The reference standard is the diagnosis confirmed by electrophysiological study and catheter ablation. Performance is summarized as AUC with 95% confidence interval (range 0-1; higher values indicate better discrimination).

Baseline

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Area Under the ROC Curve (AUC) of AI-ECG Models for Localizing Arrhythmia Origin Sites (Accessory Pathway, PVC, and VT) Confirmed by Successful Catheter Ablation
Tidsramme: Baseline

Performance of AI-ECG models in classifying the anatomical site of the arrhythmia substrate from the pre-ablation 12-lead ECG, including (1) accessory pathway location in Wolff-Parkinson-White syndrome, (2) the origin of premature ventricular contractions, and (3) the origin of ventricular tachycardia. The reference standard is the site identified by electrophysiological mapping and confirmed by successful catheter ablation. For each classification task, performance is reported as AUC with 95% confidence interval (range 0-1; higher values indicate better classification).

Baseline

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

1. december 2023

Primær færdiggørelse (Anslået)

1. december 2028

Studieafslutning (Anslået)

1. december 2028

Datoer for studieregistrering

Først indsendt

29. september 2026

Først indsendt, der opfyldte QC-kriterier

29. september 2026

Først opslået (Faktiske)

5. oktober 2026

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

30. oktober 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

28. oktober 2026

Sidst verificeret

1. oktober 2026

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • 2023-12-033
  • 2023-12-033 (Registry Identifier: Inha University Hospital Institutional Review Board)

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

Individual participant data (IPD) will not be shared with other researchers due to institutional data privacy policies and ethical regulations concerning retrospective clinical records and encrypted electrocardiogram data.

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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 .