Eine Studie zur Bewertung der Genauigkeit und Gültigkeit der Chang Gung-Software zur Erkennung von EKG-Abnormalitäten
„Chang Gung ECG Abnormality Detection Software“ ist eine medizinische Signalanalysesoftware mit künstlicher Intelligenz, die anhand eines statischen 12-Kanal-EKGs erkennt, ob Patienten abnormale EKG-Signale von 14 Krankheiten haben. Die 14 Krankheiten waren
- Long-QT-Syndrom
- Sinusbradykardie
- Sinustachykardie
- Vorzeitige Vorhofkomplexe
- Vorzeitige ventrikuläre Komplexe
- Vorhofflattern, Rechtsschenkelblock
- Linksschenkelblock
- Linke ventrikuläre Hypertrophie
- Vorderwand-Myokardinfarkt
- Septumwand Myokardinfarkt
- Seitenwand-Myokardinfarkt
- Unterwand Myokardinfarkt
- Hinterwand-Myokardinfarkt
Der Hauptzweck dieser Studie besteht darin, zu überprüfen, ob die „Chang Gung ECG Abnormality Detection Software“ abnormale EKG-Signale bei Patienten mit 14 Krankheiten korrekt identifizieren kann. Der Interpretationsstandard ist der Konsens von 3 Kardiologen. Die Ergebnisse der Softwareanalyse werden zur Bewertung der Leistung der primären und sekundären Bewertungsindikatoren verwendet.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Detaillierte Vorgehensweise:
Beispielquelle:
Dies ist eine retrospektive Studie, und die Daten stammen aus der Chang Gung Medical Research Database (CGRD), einer Datenbank von 6 Krankenhäusern des Chang Gung Memorial Hospital. Wir haben vom 01.01.2006 bis zum 31.12.2019 nicht identifizierte statische 12-Kanal-EKG-Daten aus der Datenbank gesammelt, und die Länge des EKGs betrug 10 Sekunden.
Probenahme:
In diesem Experiment wurden der Trainingsdatensatz und der Testdatensatz EKG getrennt. Anschließend werden die EKG-Signale gemäß der Verteilung der Testprobe geschichtet und alle abnormalen EKG-Signale von 14 Krankheiten werden unabhängig aus der EKG-Datenbank des Testsatzes entnommen.
Bestätigungskriterien:
Die EKG-Daten werden vorab überprüft und anhand der Einschluss- und Ausschlusskriterien sowie der zusammengestellten Seriennummern ausgewählt. Anschließend bestätigt ein Kardiologe, dass die Stichprobenergebnisse der EKG-Daten die Ausschlusskriterien nicht erneut enthalten.
Interpretation durch den Arzt:
Die EKG-Daten werden in Grafikdateien umgewandelt und an drei Kardiologen zur Interpretation abnormaler EKG-Signale von 14 verwandten Krankheiten weitergeleitet. Die Ergebnisse werden als Standard dieser Studie verwendet (Referenz).
Softwareinterpretation:
Geben Sie nach Bestätigung des Teststandards das EKG-Signal in die Chang Gung EKG-Abnormalitätserkennungssoftware ein, um abnormale EKG-Signale von 14 Krankheiten zu analysieren und die einzelnen EKG-Daten zu interpretieren.
- Statistische Analyse:
Nachdem die Softwareinterpretation abgeschlossen ist, wird sie mit den Ergebnissen der Interpretation des Arztes verglichen und die primären und sekundären Bewertungsindikatoren analysiert.
Studientyp
Einschreibung (Geschätzt)
Phase
- Unzutreffend
Kontakte und Standorte
Studienkontakt
- Name: Chang-Fu Kuo, MD/Ph.D
- Telefonnummer: 7731 +886 033281200
- E-Mail: zandis@gmail.com
Studienorte
-
-
-
Taoyuan city, Taiwan, 333
- Chang Gung memorial hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Mindestens zwanzig Jahre alt.
- Statisches 12-Kanal-Elektrokardiogramm einer General Electric MUSE XML-Formatdatei.
- Die Daten stammen vom statischen 12-Kanal-Elektrokardiogrammgerät von General Electric (Modell MAC5500).
- Das Elektrokardiogrammsignal beträgt 500 Hz.
- Der Wechselstromfilter (AC) des Elektrokardiogrammsignals beträgt 60 Hz.
- Die Quelle der ursprünglichen Diagnose war ein Kardiologe.
Ausschlusskriterien:
- Im Modellentwicklungsprozess verwendete Fälle.
- Es fehlt jede Elektrode.
- Enthalten ist, dass jeder Elektrode ein Segment fehlt.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Softwarediagnose
Software-Diagnose mit Goldstandard der Interpretation von 3 Kardiologen.
|
Dieses Gerät soll für das statische 12-Kanal-EKG verwendet werden, um zu erkennen, ob abnormale EKG-Signale im Zusammenhang mit Krankheiten vorliegen, und die Ergebnisse auszugeben.
Andere Namen:
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Sensitivität und Spezifität
Zeitfenster: Grundlinie
|
Die Rate der Testergebnisse, die das Vorhandensein und Fehlen korrekt anzeigen.
|
Grundlinie
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Fläche unter der Betriebskennlinie des Empfängers
Zeitfenster: Grundlinie
|
Ein grafisches Diagramm, das die Diagnosefähigkeit eines binären Klassifikationssystems veranschaulicht, wenn seine Unterscheidungsschwelle variiert wird.
|
Grundlinie
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Studienstuhl: Chang-Fu Kuo, MD/Ph.D, Associate Professor and Director Division of Rheumatology
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Ribeiro AH, Ribeiro MH, Paixao GMM, Oliveira DM, Gomes PR, Canazart JA, Ferreira MPS, Andersson CR, Macfarlane PW, Meira W Jr, Schon TB, Ribeiro ALP. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020 Apr 9;11(1):1760. doi: 10.1038/s41467-020-15432-4. Erratum In: Nat Commun. 2020 May 1;11(1):2227.
- Malik J, Devecioglu OC, Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks. IEEE Trans Biomed Eng. 2022 May;69(5):1788-1801. doi: 10.1109/TBME.2021.3135622. Epub 2022 Apr 21.
- Acharya U.R., Fujita H., Lih O.S., Adam M., Tan J.H., Chua C.K. Automated detection of coronary artery disease using different durations of ECG segments with convolutional neu-ral network Knowl.-Based Syst., 132 (sep.15) (2017), pp. 62-71
- Bos JM, Attia ZI, Albert DE, Noseworthy PA, Friedman PA, Ackerman MJ. Use of Artificial Intelligence and Deep Neural Networks in Evaluation of Patients With Electrocardiographically Concealed Long QT Syndrome From the Surface 12-Lead Electrocardiogram. JAMA Cardiol. 2021 May 1;6(5):532-538. doi: 10.1001/jamacardio.2020.7422.
- U. Rajendra Acharya, Hamido Fujita, Oh Shu Lih, Yuki Hagiwara, Jen Hong Tan, Muhammad Adam, Automated detection of arrhythmias using different intervals of tachycardia ECG seg-ments with convolutional neural network, Information Sciences, Volume 405, 2017, Pages 81-90, ISSN 0020-0255
- Jeong DU, Lim KM. Convolutional neural network for classification of eight types of arrhythmia using 2D time-frequency feature map from standard 12-lead electrocardiogram. Sci Rep. 2021 Oct 14;11(1):20396. doi: 10.1038/s41598-021-99975-6.
- Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim SM, Kim KH, Song PS, Park J, Choi RK, Oh BH. Comparing the performance of artificial intelligence and conventional diagnosis criteria for detecting left ventricular hypertrophy using electrocardiography. Europace. 2020 Mar 1;22(3):412-419. doi: 10.1093/europace/euz324.
- Makimoto H, Hockmann M, Lin T, Glockner D, Gerguri S, Clasen L, Schmidt J, Assadi-Schmidt A, Bejinariu A, Muller P, Angendohr S, Babady M, Brinkmeyer C, Makimoto A, Kelm M. Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction. Sci Rep. 2020 May 21;10(1):8445. doi: 10.1038/s41598-020-65105-x.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
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
Zusätzliche relevante MeSH-Bedingungen
- Ischämie
- Pathologische Prozesse
- Nekrose
- Myokardischämie
- Herzkrankheiten
- Herz-Kreislauf-Erkrankungen
- Gefäßerkrankungen
- Angeborene Anomalien
- Pathologische Zustände, Anatomisch
- Arrhythmien, Herz
- Erkrankung des Herzleitungssystems
- Schwangerschaftskomplikationen
- Geburtsbedingte Geburtskomplikationen
- Geburtshilfe, Frühgeburt
- Infarkt
- Herzfehler, angeboren
- Herz-Kreislauf-Anomalien
- Kardiomegalie
- Herzkomplexe, vorzeitig
- Tachykardie, supraventrikulär
- Weibliche Urogenitalerkrankungen und Schwangerschaftskomplikationen
- Urogenitale Erkrankungen
- Herzinfarkt
- Bundle-Zweig-Block
- Herzblock
- Frühgeburt
- Bradykardie
- Tachykardie
- Hypertrophie
- Vorhofflattern
- Hypertrophie, linksventrikulär
- Ventrikuläre vorzeitige Komplexe
- Long-QT-Syndrom
- Atriale vorzeitige Komplexe
- Tachykardie, Sinus
Andere Studien-ID-Nummern
- 202300710A5
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
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 .