Forholdet mellem AI-QCA og hjerte-PET (AI-CARPET)
Forholdet mellem kunstig intelligens (AI)-assisteret kvantitativ koronar angiografi og positronemissionstomografi-afledt myokardieblodstrøm
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Perkutan koronar angiografi (CAG) er en standardmetode til evaluering af koronararteriesygdom. Traditionelt er en reduktion i den luminale diameter af koronararterierne med 50 % eller mere under angiografi blevet betragtet som en signifikant stenotisk læsion. Imidlertid er vurderingen af koronararteriestenose normalt baseret på visuel vurdering foretaget af operatøren i daglig rutinemæssig klinisk praksis, hvilket interfererer med den objektive evaluering.
Kvantitativ koronar angiografi (QCA) er blevet udviklet for at overvinde denne begrænsning. Denne teknik involverer software-baseret analyse af koronare billeder opnået gennem CAG. Den tidligere undersøgelse viste, at der var lav overensstemmelse mellem QCA og visuel vurdering af koronararteriestenose (Kappa=0,63) og en omklassificeringsrate på ca. 20%. Ydermere havde visuelle vurderinger en tendens til at overvurdere graden af koronararteriestenose, især i komplekse læsioner såsom bifurkationslæsioner.
Der er dog nogle begrænsninger for at indføre QCA i vores daglige rutinepraksis. QCA kan ikke analysere koronare billeder på stedet og er ikke fuldt automatiseret, hvilket kræver manuelle justeringer af mennesker. Nylige fremskridt har ført til udviklingen af kunstig intelligens (AI)-baseret QCA-software, som opnår fuldstændig automatisering i analyseprocessen og giver real-time objektive evalueringer af koronararteriestenose.
Denne undersøgelse har til formål at undersøge den kliniske betydning af AI-QCA ved at vurdere sammenhængen mellem graden af koronar stenose påvist af AI-QCA og myokardieblodgennemstrømningsabnormiteter observeret i 13NH3-Ammoniak PET-scanninger hos patienter med koronararteriesygdom.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
-
Gwangju, Korea, Republikken, 61469
- Chonnam National University Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier
- Emnet skal være ≥18 år
- Patienter med mistanke om CAD eller iskæmisk hjertesygdom
- Patienter, der gennemgår CAG og hjerte-PET til evaluering af sværhedsgraden af koronararteriesygdom
Eksklusionskriterier
- Dårlig billeddannelseskvalitet af CAG og PET, som ikke var tilgængelige for core-lab-analyse
- Kronisk total okklusion
- Tidsintervallet var mere end >3 måneder mellem CAG og PET
- Historie om koronar bypass-transplantation
- Anamnese med akut myokardieinfarkt eller nyligt myokardieinfarkt
- Hjertesvigt (venstre ventrikel ejektionsfraktion <40%)
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Positivt for PET-afledte indekser
Patienter, der havde nedsat stress myokardieblodstrøm (MBF) eller relativ flow ratio (RFR) på PET
|
Revaskularisering ved perkutan koronar intervention for kar med nedsat PET-afledt flowindeks
|
|
Negativt for PET-afledte indekser
Patienter, der havde bevaret stress myokardieblodflow (MBF) eller relativ flow ratio (RFR) på PET
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Korrelation mellem diameterstenose ved AI-QCA og PET-drevet RFR
Tidsramme: Umiddelbart efter AI-QCA og PET eksamener
|
Ydeevne af AI-QCA forudsigelse for PET-drevet RFR
|
Umiddelbart efter AI-QCA og PET eksamener
|
|
Korrelation mellem diameterstenose ved AI-QCA og PET-drevet stress MBF
Tidsramme: Umiddelbart efter AI-QCA og PET eksamener
|
Ydeevne af AI-QCA forudsigelse for PET-drevet stress MBF
|
Umiddelbart efter AI-QCA og PET eksamener
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Død af alle årsager
Tidsramme: 1 år efter sidste patientindskrivning
|
Død af alle årsager
|
1 år efter sidste patientindskrivning
|
|
Kardiovaskulær død
Tidsramme: 1 år efter sidste patientindskrivning
|
Kardiovaskulær død
|
1 år efter sidste patientindskrivning
|
|
Myokardieinfarkt
Tidsramme: 1 år efter sidste patientindskrivning
|
Ethvert myokardieinfarkt, defineret af Forth Universal definition af myokardieinfarkt
|
1 år efter sidste patientindskrivning
|
|
Rate af revaskularisering af mållæsion
Tidsramme: 1 år efter sidste patientindskrivning
|
Mål revaskularisering af læsionen
|
1 år efter sidste patientindskrivning
|
|
Rate af revaskularisering af målkar
Tidsramme: 1 år efter sidste patientindskrivning
|
Målkarrevaskularisering
|
1 år efter sidste patientindskrivning
|
|
Rate af enhver revaskularisering
Tidsramme: 1 år efter sidste patientindskrivning
|
Enhver revaskularisering
|
1 år efter sidste patientindskrivning
|
|
Hyppighed af stent-trombose
Tidsramme: 1 år efter sidste patientindskrivning
|
Konkret eller sandsynlig stenttrombose, defineret af ARC II-definition
|
1 år efter sidste patientindskrivning
|
|
Hyppighed af cerebrovaskulær ulykke
Tidsramme: 1 år efter sidste patientindskrivning
|
Cerebrovaskulær ulykke
|
1 år efter sidste patientindskrivning
|
|
Større uønsket cerebrokardiovaskulær hændelse (MACCE)
Tidsramme: 1 år efter sidste patientindskrivning
|
En sammensætning af død, myokardieinfarkt, enhver revaskularisering og cerebrovaskulær ulykke
|
1 år efter sidste patientindskrivning
|
|
Korrelation mellem diameterstenose ved AI-QCA og PET-drevet koronar flowreserve (CFR)
Tidsramme: Umiddelbart efter AI-QCA og PET eksamener
|
Ydeevne af AI-QCA forudsigelse for PET-drevet CFR
|
Umiddelbart efter AI-QCA og PET eksamener
|
|
Korrelation mellem diameterstenose ved AI-QCA og PET-drevet koronar flowkapacitet (CFC)
Tidsramme: Umiddelbart efter AI-QCA og PET eksamener
|
Ydeevne af AI-QCA forudsigelse for PET-drevet CFC
|
Umiddelbart efter AI-QCA og PET eksamener
|
|
Korrelation mellem diameterstenose af AI-QCA og PET-drevne semi-kvantitative markører for iskæmi
Tidsramme: Umiddelbart efter AI-QCA og PET eksamener
|
Ydeevne af AI-QCA forudsigelse af PET-drevne semi-kvantitative markører for iskæmi
|
Umiddelbart efter AI-QCA og PET eksamener
|
Samarbejdspartnere og efterforskere
Efterforskere
- Ledende efterforsker: Seung Hun Lee, MD, PhD, Chonnam National University Hospital
- Ledende efterforsker: Sang-Geon Cho, MD, PhD, Chonnam National University Hospital
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- CNUH-AI-CARPET
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
IPD-delingstidsramme
IPD-delingsadgangskriterier
IPD-deling Understøttende informationstype
- STUDY_PROTOCOL
- SAP
- CSR
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 .