Kunstig intelligens-aktiveret EKG-detektion af medfødt hjertesygdom hos børn: et nyt diagnostisk værktøj (AI-ECG-CHD)
22. april 2024 opdateret af: Jing Sun, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Medfødt hjertesygdom (CHD) er den mest almindelige medfødte sygdom hos børn.
Tidlig påvisning, diagnosticering og behandling af CHD hos børn er af stor betydning for at forbedre prognosen og reducere dødeligheden hos børn, men de nuværende screeningsmetoder har begrænsninger.
Elektrokardiogram (EKG), som et økonomisk og hurtigt middel til påvisning af hjertesygdomme, har en meget vigtig værdi i hjælpediagnosen af CHD. Big data og deep learning teknologier inden for kunstig intelligens (AI) har vist et stort potentiale inden for det medicinske område.
Fremkomsten af big data-æraen giver rige dataressourcer til den dybdegående undersøgelse af CHD EKG-signaler hos børn.
Udviklingen af deep learning-teknologi, især gennembruddet inden for billedgenkendelse, giver en stærk teknisk støtte til intelligent analyse af elektrokardiogram.
Det særlige ved børns elektrokardiogram kræver udvikling af en speciel algoritmemodel.
På nuværende tidspunkt er forskningen i anvendelsen af deep learning-modeller til at identificere børns elektrokardiogrammer begrænset, og træningen og verifikationen fra store datasæt mangler.
Baseret på Chinese Congenital Heart Disease Collaborative Research Network, har dette projekt til formål at integrere data og deep learning-teknologi for at udvikle et sæt intelligent elektrokardiogram assisteret diagnosesystem (CHD-ECG AI system) egnet til børn med CHD, for at forbedre den tidlige påvisningshastighed af CHD og forbedre effektiviteten af screening for medfødt hjertesygdom.
Studieoversigt
Status
Rekruttering
Undersøgelsestype
Observationel
Tilmelding (Anslået)
30000
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Sun Jing, MD
- Telefonnummer: 15618497517
- E-mail: sunjing02@xinhuamed.com.cn
Studiesteder
-
-
Shanghai
-
Shanghai, Shanghai, Kina
- Rekruttering
- Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
-
Kontakt:
- Sun Jing, MD
- Telefonnummer: 15618497517
- E-mail: sunjing02@xinhuamed.com.cn
-
-
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
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Vores datasæt bestod af retrospektive data fra patienter under 18 år, som havde fuldstændig EKG, ekkokardiografi, undersøgelse og sygehistorie.
Beskrivelse
Inklusionskriterier:
- Alderen for første besøg var fra 3 måneder efter fødslen til 18 år gammel;
- I gruppen af atrieseptumdefekter skulle patienterne i casegruppen gennemføre EKG-undersøgelse og bekræftet ved omhyggelig hjerte-ultralyd, at der var en simpel sekundær atrieseptumdefekt uden andre komplekse hjertemisdannelser (såsom ektopisk pulmonal venedrænage, trunk conus arterie misdannelse , afbrudt aortabue, primær pulmonal hypertension osv.). I gruppen med pulmonal hypertension blev tilstedeværelsen af CHD-associeret pulmonal hypertension bekræftet ved omhyggelig hjerte-ultralydsundersøgelse. Kontrolgruppen var patienter med normal intrakardial struktur, der blev undersøgt ved hjerteultralyd. Tidsintervallet mellem EKG-undersøgelse og ekkokardiografiundersøgelse af alle patienter var < 1 måned;
- Ingen større sygdom på tidspunktet for det første besøg (ikke-livstruende organisk sygdom forårsaget af medfødt hjertesygdom).
Ekskluderingskriterier:
- Alder for første besøg < 3 måneder eller > 18 år gammel;
- Kompliceret medfødt hjertesygdom (såsom anomal pulmonal venøs dræning, trunk conus arterie misdannelse, afbrudt aortabue, primær pulmonal hypertension osv.);
- Den kliniske information er ufuldstændig, herunder manglende EKG- eller ekkokardiografi-information, eller tidsintervallet mellem EKG og ekkokardiografi er > 1 måned;
- Livstruende sygdomme forbundet med andre organsystemer;
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 |
|---|
|
Styring
|
|
Pulmonal hypertension
|
|
Atrial septal defekt
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Storstilet EKG-database for børn
Tidsramme: 2024.01.01-2024.12.30
|
EKG-data fra børn fra flere centre blev indsamlet og sammensat, inklusive almindelige og sjældne CHD-typer og normale børns EKG, for at konstruere en storstilet EKG-database, der dækker forskellige aldre og CHD-sygdomme.
Derudover vil de originale EKG-data (digitale signaler eller EKG-billeder) blive forbehandlet for at få dem i overensstemmelse med inputstandarderne for deep learning-modeller for at forbedre kvaliteten og effektiviteten af efterfølgende modeltræning og reducere heterogeniteten af multi -center EKG data.
|
2024.01.01-2024.12.30
|
|
Kunstig intelligens-assisteret elektrokardiogrammodel for CHD hos børn
Tidsramme: 2024.01.01-2025.12.30
|
Den dybe neurale netværksmodel vil blive etableret baseret på algoritmer såsom konvolutionelt neuralt netværk, transformere og autoencodere, og vil blive trænet og verificeret i multicenter børns EKG-datasæt (85%) etableret baseret på CCHDnet, for løbende at optimere model og forbedre modellens diagnostiske ydeevne.
Yderligere vil den dybe læringsmodel baseret på den enkelte sygdom CHD blive integreret, og CHD-EKG AI-systemet vil blive bygget, og modellen vil i sidste ende automatisk udtrække og genkende den generelle grundlæggende information såsom barnets alder og køn gennem EKG'et og derefter forudsige og klassificere de potentielle CHD-karakteristika i EKG'et baseret på dette.
Forskergruppen valgte i første omgang de repræsentative undertyper af CHD - atrial septal defekt og pulmonal hypertension som den indledende udforskningsretning.
|
2024.01.01-2025.12.30
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
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. januar 2024
Primær færdiggørelse (Anslået)
30. december 2024
Studieafslutning (Anslået)
30. december 2025
Datoer for studieregistrering
Først indsendt
22. april 2024
Først indsendt, der opfyldte QC-kriterier
22. april 2024
Først opslået (Faktiske)
25. april 2024
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
25. april 2024
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
22. april 2024
Sidst verificeret
1. april 2024
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- XHEC-C-2024-053-1
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
UBESLUTET
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 .