Warnmodell für den Myokardumbau nach akutem Myokardinfarkt unter Verwendung der multimodalen Merkmalsstrukturtechnologie
Frühwarnmodell für den Myokardumbau nach akutem Myokardinfarkt basierend auf multimodaler Merkmalsstrukturtechnologie
Der akute Myokardinfarkt (AMI) ist eine der wichtigsten lebensbedrohlichen Krankheiten. Die bestehenden MI-Prognose-Vorhersageskalen sagen meist die Häufigkeit von Todesfällen, wiederkehrenden MI und Herzinsuffizienz anhand von 6–8 klinischen Textindikatoren voraus, und die Daten werden relativ einfach erfasst. Der Umbau des Myokards ist eine nachteilige pathologische Veränderung, die im Frühstadium nach einem Myokardinfarkt beginnen und weiter fortschreiten kann. Sie ist der wichtigste pathologische Mechanismus für Herzversagen und Tod. Es gibt jedoch kein quantitatives Frühwarnmodell für den Umbau des Myokards und es mangelt an klinischen Leitlinien für eine frühzeitige Intervention.
Unsere vorherige Studie ergab, dass die kardiale Magnetresonanztomographie den nekrotischen Bereich und das wiederhergestellte Myokard im ödematösen Myokard nach einem Myokardinfarkt genau quantifizieren kann. In dieser Studie werden maschinelle Lernalgorithmen, variable Faltungsnetzwerke (DCN) und Kapselnetzwerke (Capsnet) verwendet, um eine neue neuronale Netzwerkarchitektur aufzubauen. Die Extraktion struktureller Merkmale multimodaler klinischer Bilddaten wie MRT und Ultraschall wird realisiert. In Kombination mit der etablierten Datenbank von 3000 Patienten mit Myokardinfarkt wird die multimodale Merkmalsmatrix erstellt und verschiedene Klassifikatoren wie Support Vector Machine (SVM) und Random Forest (RF) zur quantitativen Vorhersage der Myokardumgestaltung verwendet Die Auswirkungen verschiedener Klassifikatoren wurden bewertet. Es wird erwartet, dass dieses Projekt ein quantitatives Frühwarnmodell für den Myokardumbau nach einem akuten Myokardinfarkt entsprechend den Merkmalen der chinesischen Bevölkerung etablieren wird. Dieselbe Art von Daten außerhalb der Datenbank wird zur Verifizierung verwendet, um ein effizientes und stabiles Frühwarnmodell zu etablieren.
Studienübersicht
Status
Bedingungen
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
Xicheng
-
Beijing, Xicheng, China, 100000
- Xuanwu Hospital, Capital Medical University
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Kriterien für die Diagnose eines akuten Myokardinfarkts:
erhöhte oder erniedrigte kardiale Biomarker (vorzugsweise cTn), mindestens einmaliges Überschreiten des 99. Perzentils des oberen Referenzwerts, Cut-off-Variabilität ≤ 10 % und mindestens ein Hinweis auf eine Myokardischämie (einschließlich Symptome, elektrokardiographische ischämische Veränderungen, pathologisches Q- Wellen oder bildgebende Beweise).
Beschreibung
Einschlusskriterien:
- 1. Patienten mit akutem Myokardinfarkt im Alter von 18 bis 80 Jahren; 2. Die Zeit vom Beginn bis zur Behandlung beträgt weniger als 72 Stunden. 3. Myokardenzym Tni/Tnt(+).
Ausschlusskriterien:
- 1. Patienten mit bösartigen Tumoren; 2. Patienten, die keine konventionelle Behandlung erhalten konnten 3. Patienten, die keine Koronarangiographie erhielten, weil anatomische und bildgebende Daten fehlten; 4. Patienten, die sich einer Herzoperation unterzogen haben (außer Koronararterien-Bypass-Operation)
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Neuartiger Faltungsalgorithmus für neuronale Netzwerke und kardiale Magnetresonanztomographie zur Bewertung des Auftretens einer Myokardumgestaltung. Umgestaltung nach einem Myokardinfarkt.
Zeitfenster: 1 Jahr
|
(Quantitative Charakterisierung des myokardialen Umbaus, kardiale Magnetresonanztomographie zur Quantifizierung nekrotischer Bereiche und wiederherstellbares Myokard innerhalb des ödematösen Myokards nach Myokardinfarkt).
|
1 Jahr
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die mehrdimensionalen Indizes bestehender Datenbanken wurden mithilfe der Methode der künstlichen Intelligenz und Grad der Korrelationsanalyse mit dem Ort und Verlauf der Myokardumgestaltung verglichen.
Zeitfenster: 1 Jahr
|
Durch das neue Deformable Convolutional Capsule-Netzwerk, das entwickelt wurde, konzentrierte sich die Studie von The Networks (DCCN) auf die vorhandene umfassende klinische und bildgebende Datenbank von Patienten mit akutem Myokardinfarkt. Maschinelles Lernen wurde an den Daten durchgeführt, um die Extraktion relevanter Merkmale und die logische Beziehungsanalyse abzuschließen des myokardialen Umbaus nach einem Myokardinfarkt. Starke Korrelationsmerkmale wurden überprüft. |
1 Jahr
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Ermittler
- Hauptermittler: Zhi Liu, Xuanwu Hospital, Beijing
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- McMurray JJ, Packer M, Desai AS, Gong J, Lefkowitz MP, Rizkala AR, Rouleau JL, Shi VC, Solomon SD, Swedberg K, Zile MR; PARADIGM-HF Investigators and Committees. Angiotensin-neprilysin inhibition versus enalapril in heart failure. N Engl J Med. 2014 Sep 11;371(11):993-1004. doi: 10.1056/NEJMoa1409077. Epub 2014 Aug 30.
- Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al-Mallah MH, Andreini D, Budoff MJ, Cademartiri F, Callister TQ, Chang HJ, Chinnaiyan K, Chow BJ, Cury RC, Delago A, Gomez M, Gransar H, Hadamitzky M, Hausleiter J, Hindoyan N, Feuchtner G, Kaufmann PA, Kim YJ, Leipsic J, Lin FY, Maffei E, Marques H, Pontone G, Raff G, Rubinshtein R, Shaw LJ, Stehli J, Villines TC, Dunning A, Min JK, Slomka PJ. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J. 2017 Feb 14;38(7):500-507. doi: 10.1093/eurheartj/ehw188.
- Anderson L, Oldridge N, Thompson DR, Zwisler AD, Rees K, Martin N, Taylor RS. Exercise-Based Cardiac Rehabilitation for Coronary Heart Disease: Cochrane Systematic Review and Meta-Analysis. J Am Coll Cardiol. 2016 Jan 5;67(1):1-12. doi: 10.1016/j.jacc.2015.10.044.
- Hausenloy DJ, Yellon DM. Myocardial ischemia-reperfusion injury: a neglected therapeutic target. J Clin Invest. 2013 Jan;123(1):92-100. doi: 10.1172/JCI62874. Epub 2013 Jan 2.
- Moran AE, Forouzanfar MH, Roth GA, Mensah GA, Ezzati M, Murray CJ, Naghavi M. Temporal trends in ischemic heart disease mortality in 21 world regions, 1980 to 2010: the Global Burden of Disease 2010 study. Circulation. 2014 Apr 8;129(14):1483-92. doi: 10.1161/CIRCULATIONAHA.113.004042. Epub 2014 Feb 26.
- Abuomara HZA, Hassan OM, Rashid T, Baraka M. Myocardial performance index as an echocardiographic predictor of early in-hospital heart failure during first acute anterior ST-elevation myocardial infarction. Egypt Heart J. 2018 Jun;70(2):71-75. doi: 10.1016/j.ehj.2017.12.001. Epub 2017 Dec 24.
- Hendriks T, Schurer RAJ, Al Ali L, van den Heuvel AFM, van der Harst P. Left ventricular restoration devices post myocardial infarction. Heart Fail Rev. 2018 Nov;23(6):871-883. doi: 10.1007/s10741-018-9711-2.
- Iborra-Egea O, Galvez-Monton C, Roura S, Perea-Gil I, Prat-Vidal C, Soler-Botija C, Bayes-Genis A. Mechanisms of action of sacubitril/valsartan on cardiac remodeling: a systems biology approach. NPJ Syst Biol Appl. 2017 Apr 18;3:12. doi: 10.1038/s41540-017-0013-4. eCollection 2017.
- Seferovic PM, Fragasso G, Petrie M, Mullens W, Ferrari R, Thum T, Bauersachs J, Anker SD, Ray R, Cavusoglu Y, Polovina M, Metra M, Ambrosio G, Prasad K, Seferovic J, Jhund PS, Dattilo G, Celutkiene J, Piepoli M, Moura B, Chioncel O, Ben Gal T, Heymans S, Jaarsma T, Hill L, Lopatin Y, Lyon AR, Ponikowski P, Lainscak M, Jankowska E, Mueller C, Cosentino F, Lund LH, Filippatos GS, Ruschitzka F, Coats AJS, Rosano GMC. Heart Failure Association of the European Society of Cardiology update on sodium-glucose co-transporter 2 inhibitors in heart failure. Eur J Heart Fail. 2020 Nov;22(11):1984-1986. doi: 10.1002/ejhf.2026. Epub 2020 Oct 27.
- Pasternak B, Ueda P, Eliasson B, Svensson AM, Franzen S, Gudbjornsdottir S, Hveem K, Jonasson C, Wintzell V, Melbye M, Svanstrom H. Use of sodium glucose cotransporter 2 inhibitors and risk of major cardiovascular events and heart failure: Scandinavian register based cohort study. BMJ. 2019 Aug 29;366:l4772. doi: 10.1136/bmj.l4772.
- West R, Jones D. Cardiac rehabilitation and mortality reduction after myocardial infarction: the emperor's new clothes? Evidence against cardiac rehabilitation. Heart. 2013 Jul;99(13):911-3. doi: 10.1136/heartjnl-2013-303705. Epub 2013 May 4.
- Milani RV, Lavie CJ. Impact of cardiac rehabilitation on depression and its associated mortality. Am J Med. 2007 Sep;120(9):799-806. doi: 10.1016/j.amjmed.2007.03.026.
- Karuzas A, Rumbinaite E, Verikas D, Ptasinskas T, Muckiene G, Kazakauskaite E, Zabiela V, Jurkevicius R, Vaskelyte JJ, Zaliunas R, Zaliaduonyte-Peksiene D. Accuracy of three-dimensional systolic dyssynchrony and sphericity indexes for identifying early left ventricular remodeling after acute myocardial infarction. Anatol J Cardiol. 2019 Jun;22(1):13-20. doi: 10.14744/AnatolJCardiol.2019.02844.
- Kagiyama N, Shrestha S, Cho JS, Khalil M, Singh Y, Challa A, Casaclang-Verzosa G, Sengupta PP. A low-cost texture-based pipeline for predicting myocardial tissue remodeling and fibrosis using cardiac ultrasound. EBioMedicine. 2020 Apr;54:102726. doi: 10.1016/j.ebiom.2020.102726. Epub 2020 Apr 6.
- Chirinos JA, Sardana M, Ansari B, Satija V, Kuriakose D, Edelstein I, Oldland G, Miller R, Gaddam S, Lee J, Suri A, Akers SR. Left Atrial Phasic Function by Cardiac Magnetic Resonance Feature Tracking Is a Strong Predictor of Incident Cardiovascular Events. Circ Cardiovasc Imaging. 2018 Dec;11(12):e007512. doi: 10.1161/CIRCIMAGING.117.007512.
- Ranka S, Reddy M, Noheria A. Artificial intelligence in cardiovascular medicine. Curr Opin Cardiol. 2021 Jan;36(1):26-35. doi: 10.1097/HCO.0000000000000812.
- Ahmad T, Lund LH, Rao P, Ghosh R, Warier P, Vaccaro B, Dahlstrom U, O'Connor CM, Felker GM, Desai NR. Machine Learning Methods Improve Prognostication, Identify Clinically Distinct Phenotypes, and Detect Heterogeneity in Response to Therapy in a Large Cohort of Heart Failure Patients. J Am Heart Assoc. 2018 Apr 12;7(8):e008081. doi: 10.1161/JAHA.117.008081.
- Tokodi M, Schwertner WR, Kovacs A, Toser Z, Staub L, Sarkany A, Lakatos BK, Behon A, Boros AM, Perge P, Kutyifa V, Szeplaki G, Geller L, Merkely B, Kosztin A. Machine learning-based mortality prediction of patients undergoing cardiac resynchronization therapy: the SEMMELWEIS-CRT score. Eur Heart J. 2020 May 7;41(18):1747-1756. doi: 10.1093/eurheartj/ehz902.
- Sanchez-Cabo F, Rossello X, Fuster V, Benito F, Manzano JP, Silla JC, Fernandez-Alvira JM, Oliva B, Fernandez-Friera L, Lopez-Melgar B, Mendiguren JM, Sanz J, Ordovas JM, Andres V, Fernandez-Ortiz A, Bueno H, Ibanez B, Garcia-Ruiz JM, Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J Am Coll Cardiol. 2020 Oct 6;76(14):1674-1685. doi: 10.1016/j.jacc.2020.08.017.
- Commandeur F, Slomka PJ, Goeller M, Chen X, Cadet S, Razipour A, McElhinney P, Gransar H, Cantu S, Miller RJH, Rozanski A, Achenbach S, Tamarappoo BK, Berman DS, Dey D. Machine learning to predict the long-term risk of myocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue: a prospective study. Cardiovasc Res. 2020 Dec 1;116(14):2216-2225. doi: 10.1093/cvr/cvz321.
- Than MP, Pickering JW, Sandoval Y, Shah ASV, Tsanas A, Apple FS, Blankenberg S, Cullen L, Mueller C, Neumann JT, Twerenbold R, Westermann D, Beshiri A, Mills NL; MI3 Collaborative. Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. Circulation. 2019 Sep 10;140(11):899-909. doi: 10.1161/CIRCULATIONAHA.119.041980. Epub 2019 Aug 16.
- Tan JH, Hagiwara Y, Pang W, Lim I, Oh SL, Adam M, Tan RS, Chen M, Acharya UR. Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals. Comput Biol Med. 2018 Mar 1;94:19-26. doi: 10.1016/j.compbiomed.2017.12.023. Epub 2018 Jan 2.
- D'Ascenzo F, De Filippo O, Gallone G, Mittone G, Deriu MA, Iannaccone M, Ariza-Sole A, Liebetrau C, Manzano-Fernandez S, Quadri G, Kinnaird T, Campo G, Simao Henriques JP, Hughes JM, Dominguez-Rodriguez A, Aldinucci M, Morbiducci U, Patti G, Raposeiras-Roubin S, Abu-Assi E, De Ferrari GM; PRAISE study group. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. Lancet. 2021 Jan 16;397(10270):199-207. doi: 10.1016/S0140-6736(20)32519-8.
- Fernandez-Ruiz I. Machine learning predicts risk in ACS. Nat Rev Cardiol. 2021 Apr;18(4):230. doi: 10.1038/s41569-021-00521-8. No abstract available.
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
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- xuanwuliuzhi
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 .