Dyb læring til intelligent identifikation af arytmier (ECG-LEARNING)
2. april 2024 opdateret af: First Affiliated Hospital Xi'an Jiaotong University
Deep Learning for Intelligent Identification of Arhythmias (EKG-LEARNING): en investigator-initieret, national multicenter, retrospektiv-prospektiv, kohorteundersøgelse
Denne undersøgelse har til formål at designe og træne en dyb læringsmodel til diagnosticering af forskellige arytmier.
Studieoversigt
Detaljeret beskrivelse
Denne undersøgelse har til formål retrospektivt og prospektivt at indsamle rutinemæssige kliniske data såsom elektrokardiogrammer fra patienter med arytmier, som opfylder inklusions- og eksklusionskriterierne.
Derefter vil vi designe og træne en dyb læringsmodel til at analysere de elektrokardiografiske træk ved arytmierne, og identificere typerne af arytmier og evaluere værdien af modellen til diagnosticering af forskellige arytmier.
Undersøgelsestype
Observationel
Tilmelding (Anslået)
4000
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Guoliang Li, M.D.
- Telefonnummer: +8613759982523
- E-mail: liguoliang_med@163.com
Undersøgelse Kontakt Backup
- Navn: Chaofeng Sun, M.D.
- E-mail: cfsun1@mail.xjtu.edu.cn
Studiesteder
-
-
Shaanxi
-
Xi'an, Shaanxi, Kina, 710061
- First Affiliated Hospital of Xi'an Jiantong 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
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Patienter diagnosticeret med arytmi ved tolv-aflednings elektrokardiogram eller Holter.
Beskrivelse
Inklusionskriterier:
- Til retrospektiv undersøgelse: 1.Patienter med arytmi diagnosticeret ved rutinemæssigt 12-aflednings elektrokardiogram eller Holter; 2. Typen af arytmi diagnosticeres ved intrakardial elektrofysiologisk undersøgelse.
- Til prospektiv undersøgelse: 1.Patienter med arytmi diagnosticeret ved rutinemæssigt 12-aflednings elektrokardiogram eller Holter; 2.Intrakardial elektrofysiologisk undersøgelse er planlagt.
Ekskluderingskriterier:
- Mangel på rutinemæssig overflade 12-aflednings elektrokardiogram eller holterdata;
- Manglende intrakardial elektrofysiologisk undersøgelse;
- Patienterne nægtede at underskrive informeret samtykke og nægtede at deltage i undersøgelsen.
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 |
|---|---|
|
Forsøgsgruppe
EKG-data og kliniske data fra denne gruppe af arytmipatienter vil blive brugt til at bygge en dyb læringsmodel.
|
Der vil ikke blive givet indgreb til patienterne.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
En dyb læringsmodel designet til intelligent at identificere typer af arytmi.
Tidsramme: 1 dag efter tilmeldingen.
|
Modellen trænes på træningssættet, den bedste model og hyperparametre vælges gennem verifikationssættet, og til sidst testes modelresultaterne på testsættet.
|
1 dag efter tilmeldingen.
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Deep learning-modellens følsomhed, specificitet og nøjagtighed
Tidsramme: 1 dag efter tilmeldingen.
|
Følsomheden, specificiteten og nøjagtigheden af en deep learning-model designet blev evalueret ved intrakardiale elektrofysiologiske undersøgelsesresultater for at identificere patienter med arytmi fra forskellige centre.
|
1 dag efter tilmeldingen.
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: Guoliang Li, M.D., First Affiliated Hospital Xi'an Jiaotong University
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 (Anslået)
30. december 2024
Primær færdiggørelse (Anslået)
31. august 2028
Studieafslutning (Anslået)
31. december 2028
Datoer for studieregistrering
Først indsendt
6. juli 2023
Først indsendt, der opfyldte QC-kriterier
21. juli 2023
Først opslået (Faktiske)
1. august 2023
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
4. april 2024
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
2. april 2024
Sidst verificeret
1. april 2024
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- XJTU1AF2023LSK-170
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 .