- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04682756
Eine multizentrische Studie zur Frühdiagnose von NSTE-ACS-Patienten basierend auf einem Modell des maschinellen Lernens
Studienübersicht
Status
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
Xinjiang
-
Ürümqi, Xinjiang, China, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Die Einbeziehung und der Ausschluss der Patienten erfolgte streng nach den diagnostischen Kriterien der chinesischen Leitlinien für die Diagnose und Behandlung des akuten Koronarsyndroms ohne ST-Strecken-Hebung (2016). Die Patienten wurden mit Brustschmerzen als Hauptbeschwerde ins Krankenhaus eingeliefert und in das erste angeschlossene Krankenhaus der Medizinischen Universität Xinjiang und das erste angeschlossene Krankenhaus der Medizinischen Hochschule der Shihezi-Universität eingeliefert. Bei den Patienten wurde mittels Koronarangiographie NSTEMI und UA diagnostiziert (Alter: 30 bis 75 Jahre).
Ausschlusskriterien:
- 1. Patienten mit STEMI, Aortenaneurysma, Pneumothorax und anderen nicht kardiogenen Brustschmerzen. 2. Schweres hepatorenales Versagen, Primärtumor ohne chirurgische Behandlung, nicht schwere Infektion mit Komplikationen durch Schock und schwangere Frauen. 3. Frühere schwere Herzklappenerkrankung, virale Myokarditis, Perikarderguss, Herzschrittmacherimplantation, kardiogener Schock mit schwerwiegenden Komplikationen, hypertensive Herzerkrankung, verschiedene Kardiomyopathien, angeborene Herzerkrankungen usw.
4. In der Vergangenheit wurden Patienten mit Herzerkrankungen, AECOPD, Lungentumor und Hyperthyreose diagnostiziert.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
---|---|
CNN-Modell
Von 2017 bis 2019 wurden elektronische Gesundheitsinformationen von NSTEMI- und UA-Patienten in zwei Brustschmerzzentren gesammelt. Nach manueller Kennzeichnung wurden die Merkmale der Patientenaufnahmedatensätze ausgewählt und ein eindimensionales Faltungsmodell (CNN) erstellt.
Unter Verwendung der mehrfachen Kreuzvalidierung und der ROC-AUC-Kurve als Messindex werden 75 % der Daten modelliert und 25 % der Daten zur Überprüfung der Wirkung des Modells verwendet.
|
Frühdiagnose von NTEMI-Patienten durch maschinelles Lernmodell
|
XG-Boost
Durch die Konstruktion des XG-Boost-Modells werden unter Verwendung der mehrfachen Kreuzvalidierung und der ROC-AUC-Kurve als Messindex 75 % der Daten modelliert und 25 % der Daten zur Überprüfung der Wirkung des Modells verwendet.
|
Frühdiagnose von NTEMI-Patienten durch maschinelles Lernmodell
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Genaue Diagnose von NSTEMI bei Patienten mit akuten Brustschmerzen
Zeitfenster: Innerhalb von 1 Jahr
|
NSTEMI-Patienten werden durch einen trainierten maschinellen Lernalgorithmus genau diagnostiziert wie Patienten mit akuten Brustschmerzen.
Unser Modell verwendet eine mehrfache Kreuzvalidierung und eine ROC-AUC-Kurve als Messindex. 75 % der Daten werden modelliert und 25 % der Daten überprüfen die Wirkung des Modells.
Aus diesem Grund berechnen wir das Verhältnis von Genauigkeit, Spezifität und Wahrscheinlichkeit, wenn der Sensitivitätsgrenzwert 0,9 beträgt.
|
Innerhalb von 1 Jahr
|
Mitarbeiter und Ermittler
Mitarbeiter
Ermittler
- Hauptermittler: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Studienleiter: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Hauptermittler: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017 Apr 4;12(4):e0174944. doi: 10.1371/journal.pone.0174944. eCollection 2017.
- Lee HC, Park JS, Choe JC, Ahn JH, Lee HW, Oh JH, Choi JH, Cha KS, Hong TJ, Jeong MH; Korea Acute Myocardial Infarction Registry (KAMIR) and Korea Working Group on Myocardial Infarction (KorMI) Investigators. Prediction of 1-Year Mortality from Acute Myocardial Infarction Using Machine Learning. Am J Cardiol. 2020 Oct 15;133:23-31. doi: 10.1016/j.amjcard.2020.07.048. Epub 2020 Jul 26.
- Cuocolo R, Perillo T, De Rosa E, Ugga L, Petretta M. Current applications of big data and machine learning in cardiology. J Geriatr Cardiol. 2019 Aug;16(8):601-607. doi: 10.11909/j.issn.1671-5411.2019.08.002.
- Ambale-Venkatesh B, Yang X, Wu CO, Liu K, Hundley WG, McClelland R, Gomes AS, Folsom AR, Shea S, Guallar E, Bluemke DA, Lima JAC. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017 Oct 13;121(9):1092-1101. doi: 10.1161/CIRCRESAHA.117.311312. Epub 2017 Aug 9.
- Patel BB, Sperotto F, Molina M, Kimura S, Delgado MI, Santillana M, Kheir JN. Avoidable Serum Potassium Testing in the Cardiac ICU: Development and Testing of a Machine-Learning Model. Pediatr Crit Care Med. 2021 Apr 1;22(4):392-400. doi: 10.1097/PCC.0000000000002626.
- Groepenhoff F, Eikendal ALM, Bots SH, van Ommen AM, Overmars LM, Kapteijn D, Pasterkamp G, Reiber JHC, Hautemann D, Menken R, Wittekoek ME, Hofstra L, Onland-Moret NC, Haitjema S, Hoefer I, Leiner T, den Ruijter HM. Cardiovascular imaging of women and men visiting the outpatient clinic with chest pain or discomfort: design and rationale of the ARGUS Study. BMJ Open. 2020 Dec 15;10(12):e040712. doi: 10.1136/bmjopen-2020-040712.
- Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim S, Kim KH, Song PS, Park J, Choi RK, Oh BH. Deep-learning-based risk stratification for mortality of patients with acute myocardial infarction. PLoS One. 2019 Oct 31;14(10):e0224502. doi: 10.1371/journal.pone.0224502. eCollection 2019.
- Chowdhury MEH, Alzoubi K, Khandakar A, Khallifa R, Abouhasera R, Koubaa S, Ahmed R, Hasan MA. Wearable Real-Time Heart Attack Detection and Warning System to Reduce Road Accidents. Sensors (Basel). 2019 Jun 20;19(12):2780. doi: 10.3390/s19122780.
- Wu CC, Hsu WD, Islam MM, Poly TN, Yang HC, Nguyen PA, Wang YC, Li YJ. An artificial intelligence approach to early predict non-ST-elevation myocardial infarction patients with chest pain. Comput Methods Programs Biomed. 2019 May;173:109-117. doi: 10.1016/j.cmpb.2019.01.013. Epub 2019 Jan 31.
- Bernatz S, Ackermann J, Mandel P, Kaltenbach B, Zhdanovich Y, Harter PN, Doring C, Hammerstingl R, Bodelle B, Smith K, Bucher A, Albrecht M, Rosbach N, Basten L, Yel I, Wenzel M, Bankov K, Koch I, Chun FK, Kollermann J, Wild PJ, Vogl TJ. Comparison of machine learning algorithms to predict clinically significant prostate cancer of the peripheral zone with multiparametric MRI using clinical assessment categories and radiomic features. Eur Radiol. 2020 Dec;30(12):6757-6769. doi: 10.1007/s00330-020-07064-5. Epub 2020 Jul 16.
- Md Idris N, Chiam YK, Varathan KD, Wan Ahmad WA, Chee KH, Liew YM. Feature selection and risk prediction for patients with coronary artery disease using data mining. Med Biol Eng Comput. 2020 Dec;58(12):3123-3140. doi: 10.1007/s11517-020-02268-9. Epub 2020 Nov 6. Erratum In: Med Biol Eng Comput. 2022 Mar;60(3):887.
- Allen B, Molokie R, Royston TJ. Early Detection of Acute Chest Syndrome Through Electronic Recording and Analysis of Auscultatory Percussion. IEEE J Transl Eng Health Med. 2020 Sep 30;8:4900108. doi: 10.1109/JTEHM.2020.3027802. eCollection 2020.
- Eberhard M, Nadarevic T, Cousin A, von Spiczak J, Hinzpeter R, Euler A, Morsbach F, Manka R, Keller DI, Alkadhi H. Machine learning-based CT fractional flow reserve assessment in acute chest pain: first experience. Cardiovasc Diagn Ther. 2020 Aug;10(4):820-830. doi: 10.21037/cdt-20-381.
- Ma Q, Ma Y, Yu T, Sun Z, Hou Y. Radiomics of Non-Contrast-Enhanced T1 Mapping: Diagnostic and Predictive Performance for Myocardial Injury in Acute ST-Segment-Elevation Myocardial Infarction. Korean J Radiol. 2021 Apr;22(4):535-546. doi: 10.3348/kjr.2019.0969. Epub 2020 Nov 30.
- Zheng Y, Li T. Letter to the Editor concerning the article "Machine learning for prediction of 30-day mortality after ST elevation myocardial infarction". Int J Cardiol. 2018 Sep 1;266:41. doi: 10.1016/j.ijcard.2017.11.061. No abstract available.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Voraussichtlich)
Studienabschluss (Voraussichtlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- XMa
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
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 .
Klinische Studien zur Instabile Angina
-
CID - Carbostent & Implantable DevicesAbgeschlossenStabile Angina | Instabile Angina | NSTEMINiederlande, Italien
-
Korea University Anam HospitalAbgeschlossenDiabetic Stable Angina | Diabetic Unstable AnginaKorea, Republik von
-
Ospedale San DonatoBeendetStabile Angina | Instabile AnginaItalien
-
Bon-Kwon KooSamsung Medical Center; Chonnam National University Hospital; Seoul National University... und andere MitarbeiterAbgeschlossen
-
Ulsan University HospitalSeoul National University HospitalAbgeschlossenMedikamentbeschichteter Ballon im Vergleich zu Bare-Metal-Stents für De-Novo-KoronararterienläsionenStabile Angina | Instabile AnginaKorea, Republik von
-
Roxane LaboratoriesAbgeschlossenHypertonie | Vasospastische Angina | Chronisch stabile AnginaVereinigte Staaten
-
Medhub Ltd.AbgeschlossenStabile Angina | Instabile Angina | NSTEMIIsrael
-
Roxane LaboratoriesAbgeschlossenHypertonie | Vasospastische Angina | Chronisch stabile AnginaVereinigte Staaten
-
Catharina Ziekenhuis EindhovenRekrutierungMikrovaskuläre Angina | Vasospastische AnginaNiederlande
-
IHF GmbH - Institut für HerzinfarktforschungOrbusNeichZurückgezogenKoronare Krankheit | Stabile Angina | Instabile Angina | STEMI | NSTEMIDeutschland
Klinische Studien zur Das Modell des maschinellen Lernens
-
Memorial Sloan Kettering Cancer CenterBeendetDie Familien oder nächsten Angehörigen von Patienten, die am MSKCC wegen nichtkutaner Plattenepithelkarzinome behandelt wurden | Oberer AerodigestivtraktVereinigte Staaten
-
Skin Analytics LimitedAbgeschlossenBasalzellkarzinom | Plattenepithelkarzinom | Malignes Hautmelanom T0Vereinigte Staaten, Italien
-
Skin Analytics LimitedInnovate UKAbgeschlossen
-
Skin Analytics LimitedInnovate UKAbgeschlossen
-
Radboud University Medical CenterZonMw: The Netherlands Organisation for Health Research and DevelopmentUnbekanntHändewaschenNiederlande
-
Buddhist Tzu Chi General HospitalAbgeschlossen
-
Duke UniversityNational Institute of Mental Health (NIMH); National Institute for Medical Research... und andere MitarbeiterRekrutierungAdhärenz, Medikamente | HIV-1-Infektion | Problem der psychischen GesundheitTansania
-
Buddhist Tzu Chi General HospitalRekrutierung
-
McMaster UniversityCanadian Institutes of Health Research (CIHR); The Physicians' Services Incorporated...RekrutierungCOVID-19 | Magen-Darm-BlutungenKanada
-
University of SurreyNoch keine RekrutierungWellness, PsychologieVereinigtes Königreich