Deep Learning zur intelligenten Identifizierung von Arrhythmien (ECG-LEARNING)
Deep Learning zur intelligenten Identifizierung von Arrhythmien (EKG-LEARNING): eine von Forschern initiierte, nationale multizentrische, retrospektiv-prospektive Kohortenstudie
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Guoliang Li, M.D.
- Telefonnummer: +8613759982523
- E-Mail: liguoliang_med@163.com
Studieren Sie die Kontaktsicherung
- Name: Chaofeng Sun, M.D.
- E-Mail: cfsun1@mail.xjtu.edu.cn
Studienorte
-
-
Shaanxi
-
Xi'an, Shaanxi, China, 710061
- First Affiliated Hospital of Xi'an Jiantong University
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Für eine retrospektive Studie: 1. Patienten mit Arrhythmie, diagnostiziert durch routinemäßiges Oberflächen-12-Kanal-Elektrokardiogramm oder Holter; 2. Die Art der Arrhythmie wird durch eine intrakardiale elektrophysiologische Untersuchung diagnostiziert.
- Für eine prospektive Studie: 1. Patienten mit Arrhythmie, diagnostiziert durch routinemäßiges Oberflächen-12-Kanal-Elektrokardiogramm oder Holter; 2. Eine intrakardiale elektrophysiologische Untersuchung ist geplant.
Ausschlusskriterien:
- Fehlen routinemäßiger oberflächlicher 12-Kanal-Elektrokardiogramm- oder Holter-Daten;
- Fehlende intrakardiale elektrophysiologische Untersuchung;
- Die Patienten verweigerten die Unterzeichnung einer Einverständniserklärung und weigerten sich, an der Studie teilzunehmen.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Experimentelle Gruppe
EKG-Daten und klinische Daten dieser Gruppe von Arrhythmiepatienten werden zum Aufbau eines Deep-Learning-Modells verwendet.
|
Den Patienten werden keine Eingriffe gewährt.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Ein Deep-Learning-Modell zur intelligenten Identifizierung der Arten von Arrhythmien.
Zeitfenster: 1 Tag nach der Anmeldung.
|
Das Modell wird auf dem Trainingssatz trainiert, das beste Modell und die besten Hyperparameter werden über den Verifizierungssatz ausgewählt und schließlich werden die Modellergebnisse auf dem Testsatz getestet.
|
1 Tag nach der Anmeldung.
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Sensitivität, Spezifität und Genauigkeit des Deep-Learning-Modells
Zeitfenster: 1 Tag nach der Anmeldung.
|
Die Sensitivität, Spezifität und Genauigkeit eines entwickelten Deep-Learning-Modells wurden anhand intrakardialer elektrophysiologischer Untersuchungsergebnisse bewertet, um Patienten mit Arrhythmien aus verschiedenen Zentren zu identifizieren.
|
1 Tag nach der Anmeldung.
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Ermittler
Ermittler
- Hauptermittler: Guoliang Li, M.D., First Affiliated Hospital Xi'an Jiaotong University
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Studienbeginn
Primärer Abschluss (Geschätzt)
Primärer Abschluss
Studienabschluss (Geschätzt)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- XJTU1AF2023LSK-170
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .