Deep Learning zur intelligenten Identifizierung von Arrhythmien (ECG-LEARNING)
2. April 2024 aktualisiert von: First Affiliated Hospital Xi'an Jiaotong University
Deep Learning zur intelligenten Identifizierung von Arrhythmien (EKG-LEARNING): eine von Forschern initiierte, nationale multizentrische, retrospektiv-prospektive Kohortenstudie
Ziel dieser Studie ist es, ein Deep-Learning-Modell für die Diagnose verschiedener Arrhythmien zu entwerfen und zu trainieren.
Studienübersicht
Status
Noch keine Rekrutierung
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Diese Studie zielt darauf ab, retrospektiv und prospektiv klinische Routinedaten wie Elektrokardiogramme von Patienten mit Arrhythmien zu sammeln, die die Einschluss- und Ausschlusskriterien erfüllen.
Anschließend entwerfen und trainieren wir ein Deep-Learning-Modell, um die elektrokardiographischen Merkmale der Arrhythmien zu analysieren, die Arten von Arrhythmien zu identifizieren und den Wert des Modells für die Diagnose verschiedener Arrhythmien zu bewerten.
Studientyp
Beobachtungs
Einschreibung (Geschätzt)
4000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
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
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Patienten, bei denen im Zwölf-Kanal-Elektrokardiogramm oder Holter eine Arrhythmie diagnostiziert wurde.
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
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / 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
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
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
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Mitarbeiter
Ermittler
- Hauptermittler: Guoliang Li, M.D., First Affiliated Hospital Xi'an Jiaotong University
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Geschätzt)
30. Dezember 2024
Primärer Abschluss (Geschätzt)
31. August 2028
Studienabschluss (Geschätzt)
31. Dezember 2028
Studienanmeldedaten
Zuerst eingereicht
6. Juli 2023
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
21. Juli 2023
Zuerst gepostet (Tatsächlich)
1. August 2023
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
4. April 2024
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
2. April 2024
Zuletzt verifiziert
1. April 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- XJTU1AF2023LSK-170
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .