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

En multicenterundersøgelse af tidlig diagnose af NSTE-ACS-patienter baseret på maskinlæringsmodel

29. december 2020 opdateret af: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
Tidlig diagnose af NSTEMI- og UA-patienter er hovedsageligt gennem konstruktionen af ​​en maskinlæringsmodel.

Studieoversigt

Status

Ukendt

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Patienterne med NSTEMI og UA blev inkluderet. Efter manuel mærkning blev patientjournalens karakteristika udvalgt. 75 % af dataene bruges til at bygge modellen, og 25 % af dataene bruges til at verificere modellens validitet. Fem klassifikationsmodeller af endimensionel foldning (CNN), naiv Bayesian (NB), støttevektormaskine (SVM), random forest (RF) og ensemblelæring blev konstrueret til at identificere og diagnosticere NSTEMI- og UA-patienter. Multi-fold krydsvalidering og ROC-AUC kurve bruges til at måle fordele og ulemper ved modellerne.

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

2500

Kontakter og lokationer

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

Studiesteder

  • Kina
    • Xinjiang
      • Ürümqi, Xinjiang, Kina, 830000
        • The First Affiliated Hospital of Xinjiang Medical University

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

18 år til 75 år (Voksen, Ældre voksen)

Tager imod sunde frivillige

N/A

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

Patienter med NSTEMI og UA blev inkluderet i brystsmertecentret på det første tilknyttede hospital ved Xinjiang Medical University og det første tilknyttede hospital for medicinske college ved Shihezi University fra 2017 til 2019.

Beskrivelse

Inklusionskriterier:

  • Patienter blev inkluderet og ekskluderet strengt i overensstemmelse med de diagnostiske kriterier i kinesiske retningslinjer for diagnose og behandling af akut koronarsyndrom (2016) med ikke-ST-segment elevation. Patienterne blev indlagt på hospitalet med brystsmerter som hovedklagen og blev indlagt på det første tilknyttede hospital ved Xinjiang Medical University og det første tilknyttede Hospital of Medical College ved Shihezi University. patienterne blev diagnosticeret som NSTEMI og UA ved koronar angiografi (aldersinterval fra 30 til 75 år).

Ekskluderingskriterier:

- 1. Patienter med STEMI, aortadisserende aneurisme, pneumothorax og andre ikke-kardiogene brystsmerter. 2.Svært hepatorenalt svigt, primær tumor uden kirurgisk behandling, ikke-alvorlig infektion kompliceret med shock og gravide kvinder. 3. Tidligere alvorlig klapsygdom, viral myocarditis, perikardiel effusion, implantation af hjertepacemaker, kardiogent shock med alvorlige komplikationer, hypertensiv hjertesygdom, diverse kardiomyopati, medfødt hjertesygdom mv.

4. Patienter med hjertesygdomme, AECOPD, lungetumor og hyperthyroidisme blev diagnosticeret tidligere.

Studieplan

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

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
CNN model
Elektronisk helbredsinformation for NSTEMI- og UA-patienter i to brystsmertecentre fra 2017 til 2019 blev indsamlet，Efter manuel mærkning blev karakteristikaene for patientindlæggelsesjournaler udvalgt og gennem konstruktionen af ​​en-dimensionel foldningsmodel (CNN). Tager man multi-fold krydsvalidering og ROC-AUC kurve som måleindeks, modelleres 75% af dataene og 25% af data bruges til at verificere effekten af ​​modellen.
Diagnostisk test: Maskinlæringsmodellen
Tidlig diagnose af NTEMI-patienter ved maskinlæringsmodel
XG boost
Gennem konstruktionen af ​​XG boost-modellen, der tager multi-fold krydsvalidering og ROC-AUC-kurven som måleindeks, modelleres 75% af dataene og 25% af dataene bruges til at verificere effekten af ​​modellen.
Diagnostisk test: Maskinlæringsmodellen
Tidlig diagnose af NTEMI-patienter ved maskinlæringsmodel

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Nøjagtig diagnose af NSTEMI fra patienter med akutte brystsmerter
Tidsramme: Inden for 1 år
NSTEMI-patienter diagnosticeres nøjagtigt fra patienter med akutte brystsmerter gennem en trænet maskinlæringsalgoritme. Vores model bruger multi-fold krydsvalidering og ROC-AUC kurve som måleindeks, 75% af dataene er modelleret, og 25% af data verificerer effekten af ​​modellen. Af denne grund vil vi beregne nøjagtigheden, specificiteten og sandsynlighedsforholdet, når sensitivitetsgrænseværdien er 0,9.
Inden for 1 år

Samarbejdspartnere og efterforskere

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

Sponsor

First Affiliated Hospital of Xinjiang Medical University

Samarbejdspartnere

Shihezi University

Efterforskere

  • Ledende efterforsker: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
  • Studieleder: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
  • Ledende efterforsker: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

Generelle publikationer

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)

20. december 2020

Primær færdiggørelse (Forventet)

20. december 2021

Studieafslutning (Forventet)

1. juni 2022

Datoer for studieregistrering

Først indsendt

19. december 2020

Først indsendt, der opfyldte QC-kriterier

19. december 2020

Først opslået (Faktiske)

24. december 2020

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

31. december 2020

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

29. december 2020

Sidst verificeret

1. december 2020

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • XMa

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

UBESLUTET

IPD-planbeskrivelse

Maskinlæringsmodel til at identificere patienter med UA og NSTMI

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 .

Kliniske forsøg med Ustabil angina

Kliniske forsøg med Maskinlæringsmodellen

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Switzerland

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner