Cardiovascular Digital Health Data Observatory (CADHO)
Grenoble Cardiovascular Digital Health Data Observatory
Die COVID-19-Gesundheitskrise hat zu einem drastischen Rückgang der Myokardinfarktrate geführt, ohne dass die Ursachen vollständig identifiziert wurden. Sie sind wahrscheinlich mehrere, aber diese Krise hat die Notwendigkeit massiver Gesundheitsdaten aus verschiedenen Horizonten bestätigt, um Koronarerkrankungen besser zu beurteilen und Präzisionsmedizin zu entwickeln. Dieses Ziel ist jetzt dank des Einsatzes von Tools wie Big Data und künstlicher Intelligenz (KI) erreichbar. Unser Team entwickelt Algorithmen, um medizinische Bilder zu analysieren und Personen zu identifizieren, bei denen das Risiko schwerer kardiovaskulärer Ereignisse besteht. Diese Algorithmen, die mit retrospektiven Daten entwickelt werden, müssen anhand prospektiver Daten validiert werden, was das Ziel des digitalen Observatoriums für kardiovaskuläre Gesundheitsdaten in Grenoble ist.
Der zu validierende Algorithmus wird derzeit im Rahmen einer RIPH 3-Studie „AIDECORO“ (NCT: 04598997) erstellt. Es wird aus klinischen, biologischen und bildgebenden Daten von 600 Patienten mit ST+-Infarkt und 1000 "Kontroll"-Patienten entwickelt, die sich einer Koronarangiographie unterzogen haben (diese Daten werden exportiert und über das Krankenhausinformationssystem im PREDIMED-Gesundheitsdatenlager gespeichert).
Studienübersicht
Status
Detaillierte Beschreibung
Dies ist eine Studie vom Typ 3 des Jardé-Gesetzes, die die menschliche Person einbezieht. Es ist eine Studie: Beobachtungsstudie, prospektiv, beschreibend, monozentrisch
Das Hauptziel der Studie ist die prospektive Validierung von Algorithmen zur kardiovaskulären medizinischen Bildanalyse, die in der Lage sind, Patienten mit schlechten prognostischen Kriterien mithilfe von künstlicher Intelligenz und Big-Data-Methoden zu identifizieren.
Der primäre Endpunkt ist die Rate des Auftretens von Todesfällen oder Krankenhauseinweisungen wegen Herzinsuffizienz während der Nachbeobachtung.
Die Vorhersagegenauigkeit der Algorithmen wird bewertet, indem die Sensitivität, Spezifität, der positive Vorhersagewert und der negative Vorhersagewert für die voraussichtliche Kohorte berechnet werden.
Patienten, die während eines stationären Aufenthaltes in der Kardiologie einer Koronarangiographie unterzogen werden sollen, werden prospektiv nach Einholung des Nicht-Einspruchs rekrutiert. Die Datenerhebung erfolgte mit dem vom Gesundheitsdatenhoster PREDIMED entwickelten CARDIO Datamart. Die Erfassung des primären Endpunkts (Tod jeglicher Ursache und Krankenhausaufenthalt wegen Herzinsuffizienz) erfolgt durch telefonische Nachsorge.
Die Anzahl der für diese Studie benötigten Probanden beträgt 5000 Patienten.
Die prospektive Validierung des im AIDECORO-Projekt retrospektiv entwickelten Algorithmus (Koronarbild) wird es ermöglichen, in die letzte Phase des Projekts überzugehen, die darin bestehen wird, in einer randomisierten Studie die Überlegenheit der Präzisionsmedizin unter Verwendung dieses Algorithmus zu evaluieren therapeutische Eskalation oder Deeskalation gemäß dem vom Algorithmus bewerteten prädiktiven Risiko in Bezug auf die übliche Behandlung.
Studientyp
Einschreibung (Voraussichtlich)
Kontakte und Standorte
Studienkontakt
- Name: Gilles Barone-Rochette
- Telefonnummer: 0476765172
- E-Mail: gbarone@chu-grenoble.fr
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Erwachsene Patienten, die sich einer Koronarangiographie bei CHUGA unterzogen haben und für die Bilder verwendbar sind.
- Kein Widerspruch gegen die Teilnahme
Ausschlusskriterien:
- Koronarbild nicht verwendbar
- Personen, auf die in den Artikeln L1121-5 bis L-1121-8 des CSP Bezug genommen wird
- Patienten, die außerhalb der Region Rhône Alpes leben.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Prospektive Validierung von Algorithmen zur kardiovaskulären medizinischen Bildanalyse, die in der Lage sind, Patienten mit schlechten Prognosekriterien mithilfe von künstlicher Intelligenz und Big-Data-Methoden zu identifizieren.
Zeitfenster: Bis Studienabschluss durchschnittlich 1 Jahr
|
Die Rate des Auftretens von Todesfällen oder Krankenhauseinweisungen wegen Herzinsuffizienz während der Nachsorge.
|
Bis Studienabschluss durchschnittlich 1 Jahr
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bewerten Sie die Vorhersageleistung von Algorithmen, um Patienten mit anhaltenden Angina-Symptomen zu identifizieren.
Zeitfenster: 12 Monate
|
Zusammenfassendes Ergebnis des Seattle Angina Questionnaire bis 12 Monate
|
12 Monate
|
|
Bewerten Sie die Vorhersageleistung von Algorithmen, um Patienten mit anhaltenden Dyspnoe-Symptomen zu identifizieren.
Zeitfenster: 12 Monate
|
Rose Angina-Fragebogen bis 12 Monate
|
12 Monate
|
|
Bewerten Sie die Vorhersageleistung von Algorithmen, um Patienten mit guter Krankheitswahrnehmung zu identifizieren.
Zeitfenster: 12 Monate
|
Seattle Angina-Fragebogen bis 12 Monate
|
12 Monate
|
|
Bewerten Sie die Vorhersageleistung von Algorithmen, um Patienten zu identifizieren, die mit ihrer Behandlung zufrieden sind.
Zeitfenster: 12 Monate
|
Seattle Angina-Fragebogen bis 12 Monate
|
12 Monate
|
|
Bewerten Sie die Vorhersageleistung der Algorithmen für die Lebensqualität nach einem Jahr.
Zeitfenster: 12 Monate
|
EuroQOL (EQ-5D-5L) bis 12 Monate
|
12 Monate
|
|
Bewerten Sie die Vorhersageleistung von Algorithmen für den Verbrauch im Gesundheitswesen
Zeitfenster: 12 Monate
|
Durchschnittliche jährliche Pflegekosten bis 12 Monate
|
12 Monate
|
|
Beurteilung des prognostischen Werts der Gebrechlichkeit bei koronarer Herzkrankheit
Zeitfenster: Tag eins
|
Dynanometrie
|
Tag eins
|
|
Beurteilung des prognostischen Wertes von Umwelteinflüssen bei koronarer Herzkrankheit
Zeitfenster: Tag eins
|
Messung von Luftschadstoffen aus dem Ausbreitungsmodell SIRANE
|
Tag eins
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Gilles Barone-Rochette, Chu Grenoble Alpes
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Slama R, Morgenstern V, Cyrys J, Zutavern A, Herbarth O, Wichmann HE, Heinrich J; LISA Study Group. Traffic-related atmospheric pollutants levels during pregnancy and offspring's term birth weight: a study relying on a land-use regression exposure model. Environ Health Perspect. 2007 Sep;115(9):1283-92. doi: 10.1289/ehp.10047.
- Fearon WF, Low AF, Yong AS, McGeoch R, Berry C, Shah MG, Ho MY, Kim HS, Loh JP, Oldroyd KG. Prognostic value of the Index of Microcirculatory Resistance measured after primary percutaneous coronary intervention. Circulation. 2013 Jun 18;127(24):2436-41. doi: 10.1161/CIRCULATIONAHA.112.000298. Epub 2013 May 16.
- Skrede OJ, De Raedt S, Kleppe A, Hveem TS, Liestol K, Maddison J, Askautrud HA, Pradhan M, Nesheim JA, Albregtsen F, Farstad IN, Domingo E, Church DN, Nesbakken A, Shepherd NA, Tomlinson I, Kerr R, Novelli M, Kerr DJ, Danielsen HE. Deep learning for prediction of colorectal cancer outcome: a discovery and validation study. Lancet. 2020 Feb 1;395(10221):350-360. doi: 10.1016/S0140-6736(19)32998-8.
- Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, Onieva Onieva J, Rahaghi FN, Ross JC, Diaz A, San Jose Estepar R, Washko GR; COPDGene and ECLIPSE Investigators. Disease Staging and Prognosis in Smokers Using Deep Learning in Chest Computed Tomography. Am J Respir Crit Care Med. 2018 Jan 15;197(2):193-203. doi: 10.1164/rccm.201705-0860OC.
- Lu MT, Ivanov A, Mayrhofer T, Hosny A, Aerts HJWL, Hoffmann U. Deep Learning to Assess Long-term Mortality From Chest Radiographs. JAMA Netw Open. 2019 Jul 3;2(7):e197416. doi: 10.1001/jamanetworkopen.2019.7416.
- Betancur J, Hu LH, Commandeur F, Sharir T, Einstein AJ, Fish MB, Ruddy TD, Kaufmann PA, Sinusas AJ, Miller EJ, Bateman TM, Dorbala S, Di Carli M, Germano G, Otaki Y, Liang JX, Tamarappoo BK, Dey D, Berman DS, Slomka PJ. Deep Learning Analysis of Upright-Supine High-Efficiency SPECT Myocardial Perfusion Imaging for Prediction of Obstructive Coronary Artery Disease: A Multicenter Study. J Nucl Med. 2019 May;60(5):664-670. doi: 10.2967/jnumed.118.213538. Epub 2018 Sep 27.
- Krittanawong C, Johnson KW, Rosenson RS, Wang Z, Aydar M, Baber U, Min JK, Tang WHW, Halperin JL, Narayan SM. Deep learning for cardiovascular medicine: a practical primer. Eur Heart J. 2019 Jul 1;40(25):2058-2073. doi: 10.1093/eurheartj/ehz056.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Voraussichtlich)
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
- 38RC21.197
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 .