Durch künstliche Intelligenz ermöglichte EKG-Erkennung angeborener Herzfehler bei Kindern: ein neuartiges Diagnosetool (AI-ECG-CHD)
22. April 2024 aktualisiert von: Jing Sun, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
Angeborene Herzfehler (KHK) sind die häufigste angeborene Erkrankung bei Kindern.
Die Früherkennung, Diagnose und Behandlung von KHK bei Kindern ist von großer Bedeutung, um die Prognose zu verbessern und die Sterblichkeit von Kindern zu senken, doch die aktuellen Screening-Methoden weisen Einschränkungen auf.
Das Elektrokardiogramm (EKG) hat als kostengünstiges und schnelles Mittel zur Erkennung von Herzerkrankungen einen sehr wichtigen Stellenwert bei der Hilfsdiagnose von KHK. Big Data und Deep-Learning-Technologien in der künstlichen Intelligenz (KI) haben großes Potenzial im medizinischen Bereich gezeigt.
Das Aufkommen des Big-Data-Zeitalters bietet reichhaltige Datenressourcen für die eingehende Untersuchung von KHK-EKG-Signalen bei Kindern.
Die Entwicklung der Deep-Learning-Technologie, insbesondere der Durchbruch auf dem Gebiet der Bilderkennung, bietet eine starke technische Unterstützung für die intelligente Analyse von Elektrokardiogrammen.
Die Besonderheit des Elektrokardiogramms bei Kindern erfordert die Entwicklung eines speziellen Algorithmusmodells.
Derzeit ist die Forschung zur Anwendung von Deep-Learning-Modellen zur Identifizierung von Elektrokardiogrammen von Kindern begrenzt, und es mangelt an Training und Verifizierung anhand großer Datensätze.
Basierend auf dem Chinese Congenital Heart Disease Collaborative Research Network zielt dieses Projekt darauf ab, Daten und Deep-Learning-Technologie zu integrieren, um eine Reihe intelligenter Elektrokardiogramm-gestützter Diagnosesysteme (KHK-EKG-KI-System) zu entwickeln, die für Kinder mit KHK geeignet sind, um die Früherkennung zu verbessern Erhöhen Sie die Erkennungsrate von KHK und verbessern Sie die Effizienz des Screenings auf angeborene Herzfehler.
Studienübersicht
Status
Rekrutierung
Studientyp
Beobachtungs
Einschreibung (Geschätzt)
30000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Sun Jing, MD
- Telefonnummer: 15618497517
- E-Mail: sunjing02@xinhuamed.com.cn
Studienorte
-
-
Shanghai
-
Shanghai, Shanghai, China
- Rekrutierung
- Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
-
Kontakt:
- Sun Jing, MD
- Telefonnummer: 15618497517
- E-Mail: sunjing02@xinhuamed.com.cn
-
-
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
Akzeptiert gesunde Freiwillige
Ja
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Unser Datensatz bestand aus retrospektiven Daten von Patienten unter 18 Jahren, die über vollständige Informationen zu EKG, Echokardiographie, Untersuchung und Krankengeschichte verfügten.
Beschreibung
Einschlusskriterien:
- Das Alter beim ersten Besuch lag zwischen 3 Monaten nach der Geburt und 18 Jahren;
- In der Gruppe mit Vorhofseptumdefekten mussten die Patienten in der Fallgruppe eine EKG-Untersuchung durchführen und durch sorgfältige Herzultraschalluntersuchung bestätigten, dass ein einfacher sekundärer Vorhofseptumdefekt ohne andere komplexe Herzfehlbildungen (wie z. B. ektopische Pulmonalvenendrainage, Fehlbildung der Stammkonusarterie) vorlag , unterbrochener Aortenbogen, primäre pulmonale Hypertonie usw.). In der Gruppe mit pulmonaler Hypertonie wurde das Vorliegen einer KHK-assoziierten pulmonalen Hypertonie durch eine sorgfältige kardiale Ultraschalluntersuchung bestätigt. Die Kontrollgruppe bestand aus Patienten mit normaler intrakardialer Struktur, die mittels Herzultraschall untersucht wurden. Der Zeitabstand zwischen EKG-Untersuchung und Echokardiographie-Untersuchung betrug bei allen Patienten < 1 Monat;
- Keine schwerwiegende Erkrankung zum Zeitpunkt des Erstbesuchs (nicht lebensbedrohliche organische Erkrankung durch angeborene Herzfehler).
Ausschlusskriterien:
- Alter des ersten Besuchs < 3 Monate oder > 18 Jahre alt;
- Komplizierte angeborene Herzerkrankungen (z. B. anomale pulmonalvenöse Drainage, Fehlbildung der Stammkonusarterie, unterbrochener Aortenbogen, primäre pulmonale Hypertonie usw.);
- Die klinischen Informationen sind unvollständig, einschließlich fehlender EKG- oder Echokardiographie-Informationen, oder das Zeitintervall zwischen EKG und Echokardiographie beträgt > 1 Monat;
- Lebensbedrohliche Erkrankungen anderer Organsysteme;
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 |
|---|
|
Kontrolle
|
|
Pulmonale Hypertonie
|
|
Vorhofseptumdefekt
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Umfangreiche EKG-Datenbank für Kinder
Zeitfenster: 2024.01.01-2024.12.30
|
Die EKG-Daten von Kindern aus mehreren Zentren wurden gesammelt und zusammengestellt, darunter häufige und seltene KHK-Typen sowie normale Kinder-EKGs, um eine umfangreiche EKG-Datenbank zu erstellen, die verschiedene Altersgruppen und KHK-Erkrankungen abdeckt.
Darüber hinaus werden die ursprünglichen EKG-Daten (digitale Signale oder EKG-Bilder) vorverarbeitet, um sie an die Eingabestandards von Deep-Learning-Modellen anzupassen, um die Qualität und Effizienz des nachfolgenden Modelltrainings zu verbessern und die Heterogenität mehrerer Modelle zu verringern -Center-EKG-Daten.
|
2024.01.01-2024.12.30
|
|
Künstliche Intelligenz unterstütztes Elektrokardiogrammmodell für KHK bei Kindern
Zeitfenster: 2024.01.01-2025.12.30
|
Das tiefe neuronale Netzwerkmodell wird auf der Grundlage von Algorithmen wie Faltungs-Neuronalen Netzwerken, Transformatoren und Autoencodern erstellt und anhand des auf CCHDnet erstellten multizentrischen Kinder-EKG-Datensatzes (85 %) trainiert und verifiziert, um das Modell kontinuierlich zu optimieren Modell und verbessern die Diagnoseleistung des Modells.
Darüber hinaus wird das Deep-Learning-Modell, das auf der einzelnen Erkrankung der KHK basiert, integriert und das KHK-EKG-KI-System aufgebaut, und das Modell wird schließlich automatisch die allgemeinen Basisinformationen wie Alter und Geschlecht des Kindes extrahieren und erkennen durch das EKG, um dann auf dieser Grundlage die potenziellen KHK-Merkmale im EKG vorherzusagen und zu klassifizieren.
Als erste Forschungsrichtung wählte die Forschungsgruppe zunächst die repräsentativen Subtypen der KHK – Vorhofseptumdefekt und pulmonale Hypertonie.
|
2024.01.01-2025.12.30
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
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 (Tatsächlich)
1. Januar 2024
Primärer Abschluss (Geschätzt)
30. Dezember 2024
Studienabschluss (Geschätzt)
30. Dezember 2025
Studienanmeldedaten
Zuerst eingereicht
22. April 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
22. April 2024
Zuerst gepostet (Tatsächlich)
25. April 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
25. April 2024
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
22. April 2024
Zuletzt verifiziert
1. April 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- XHEC-C-2024-053-1
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
UNENTSCHIEDEN
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 .