- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT03662802
Desarrollo de una nueva red neuronal de convolución para la clasificación de arritmias (AI-ECG)
4 de noviembre de 2020 actualizado por: Sanjeev Bhavnani MD, Scripps Clinic
Desarrollo de una nueva red neuronal de convolución para la clasificación de arritmias para ritmos cardíacos desfibrilables
Identificar la arritmia correcta en el momento de un evento clínico, incluido un paro cardíaco, es de alta prioridad para los pacientes, las organizaciones de atención médica y la salud pública.
Los desarrollos recientes en inteligencia artificial y aprendizaje automático brindan nuevas oportunidades para diagnosticar de manera rápida y precisa las arritmias cardíacas y cómo se utilizan los nuevos dispositivos móviles de salud y telemetría cardíaca en la atención al paciente.
La investigación actual tiene como objetivo validar un nuevo enfoque estadístico de inteligencia artificial llamado 'clasificador de red neuronal convolucional' y su rendimiento para diferentes arritmias diagnosticadas en ECG de 12 derivaciones y Holter de derivación única/monitorización de eventos.
Estas arritmias incluyen; fibrilación auricular, taquicardia supraventricular, bloqueo AV, asistolia, taquicardia ventricular y fibrilación ventricular, y se comparará con los criterios de rendimiento de la American Heart Association (intervalo de confianza unilateral del 95 % de 67-92 % según el tipo de arritmia).
Para hacerlo, el enfoque del estudio es crear una gran base de datos de ECG de datos de ECG sin identificar y entrenar la red neuronal en los datos de ECG para mejorar la precisión del diagnóstico.
Descripción general del estudio
Estado
Terminado
Condiciones
Intervención / Tratamiento
Tipo de estudio
De observación
Inscripción (Actual)
25458
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
California
-
San Diego, California, Estados Unidos, 92037
- Scripps Clinic
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- ADULTO
- MAYOR_ADULTO
- NIÑO
Acepta Voluntarios Saludables
Sí
Géneros elegibles para el estudio
Todos
Método de muestreo
Muestra no probabilística
Población de estudio
Individuos que se someten a un ECG de 12 derivaciones o Holter/monitoreo de eventos
Descripción
Criterios de inclusión:
- Todos los datos de ECG recopilados a partir de bases de datos de ECG de 12 derivaciones, de una o varias derivaciones
Criterio de exclusión:
- Ninguno
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
---|---|
Datos de ECG
Datos codificados que incluyen; longitudes de onda, amplitud, intervalos, tiempo, frecuencia
|
La red neuronal convolucional está configurada para recibir un segmento de electrocardiograma como entrada y generar una salida indicativa de si el segmento de electrocardiograma recibido representa una arritmia cardíaca.
No se identifican características específicas del electrocardiograma en la red neuronal convolucional, y el segmento del electrocardiograma recibido no se filtra, transforma ni procesa antes de que el algoritmo lo reciba.
El algoritmo se entrena de manera similar: los segmentos del electrocardiograma son la única entrada a la red neuronal convolucional.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Precisión de diagnóstico
Periodo de tiempo: 1 AÑO
|
Criterios de rendimiento de ECG de la American Heart Association
|
1 AÑO
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Investigadores
- Investigador principal: Sanjeev Bhavnani, MD, Scripps Clinic Medical Group
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
Publicaciones Generales
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Trans Biomed Eng. 2016 Mar;63(3):664-75. doi: 10.1109/TBME.2015.2468589. Epub 2015 Aug 14.
- Bhavnani SP, Parakh K, Atreja A, Druz R, Graham GN, Hayek SS, Krumholz HM, Maddox TM, Majmudar MD, Rumsfeld JS, Shah BR. 2017 Roadmap for Innovation-ACC Health Policy Statement on Healthcare Transformation in the Era of Digital Health, Big Data, and Precision Health: A Report of the American College of Cardiology Task Force on Health Policy Statements and Systems of Care. J Am Coll Cardiol. 2017 Nov 28;70(21):2696-2718. doi: 10.1016/j.jacc.2017.10.018. No abstract available.
- Bhavnani SP, Narula J, Sengupta PP. Mobile technology and the digitization of healthcare. Eur Heart J. 2016 May 7;37(18):1428-38. doi: 10.1093/eurheartj/ehv770. Epub 2016 Feb 11.
- Vandendriessche B, Abas M, Dick TE, Loparo KA, Jacono FJ. A Framework for Patient State Tracking by Classifying Multiscalar Physiologic Waveform Features. IEEE Trans Biomed Eng. 2017 Dec;64(12):2890-2900. doi: 10.1109/TBME.2017.2684244. Epub 2017 Mar 17.
- Arvanaghi R, Daneshvar S, Seyedarabi H, Goshvarpour A. Fusion of ECG and ABP signals based on wavelet transform for cardiac arrhythmias classification. Comput Methods Programs Biomed. 2017 Nov;151:71-78. doi: 10.1016/j.cmpb.2017.08.013. Epub 2017 Aug 24.
- Figuera C, Irusta U, Morgado E, Aramendi E, Ayala U, Wik L, Kramer-Johansen J, Eftestol T, Alonso-Atienza F. Machine Learning Techniques for the Detection of Shockable Rhythms in Automated External Defibrillators. PLoS One. 2016 Jul 21;11(7):e0159654. doi: 10.1371/journal.pone.0159654. eCollection 2016.
- Li Q, Rajagopalan C, Clifford GD. Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Trans Biomed Eng. 2014 Jun;61(6):1607-13. doi: 10.1109/TBME.2013.2275000. Epub 2013 Jul 26.
- Lyon A, Minchole A, Martinez JP, Laguna P, Rodriguez B. Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J R Soc Interface. 2018 Jan;15(138):20170821. doi: 10.1098/rsif.2017.0821.
- Mjahad A, Rosado-Munoz A, Bataller-Mompean M, Frances-Villora JV, Guerrero-Martinez JF. Ventricular Fibrillation and Tachycardia detection from surface ECG using time-frequency representation images as input dataset for machine learning. Comput Methods Programs Biomed. 2017 Apr;141:119-127. doi: 10.1016/j.cmpb.2017.02.010. Epub 2017 Feb 10.
- Xiong Z, Nash MP, Cheng E, Fedorov VV, Stiles MK, Zhao J. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network. Physiol Meas. 2018 Sep 24;39(9):094006. doi: 10.1088/1361-6579/aad9ed.
- Fan X, Yao Q, Cai Y, Miao F, Sun F, Li Y. Multiscaled Fusion of Deep Convolutional Neural Networks for Screening Atrial Fibrillation From Single Lead Short ECG Recordings. IEEE J Biomed Health Inform. 2018 Nov;22(6):1744-1753. doi: 10.1109/JBHI.2018.2858789. Epub 2018 Aug 7.
- Warrick PA, Nabhan Homsi M. Ensembling convolutional and long short-term memory networks for electrocardiogram arrhythmia detection. Physiol Meas. 2018 Oct 30;39(11):114002. doi: 10.1088/1361-6579/aad386.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (ACTUAL)
1 de octubre de 2018
Finalización primaria (ACTUAL)
1 de marzo de 2020
Finalización del estudio (ACTUAL)
1 de octubre de 2020
Fechas de registro del estudio
Enviado por primera vez
5 de septiembre de 2018
Primero enviado que cumplió con los criterios de control de calidad
5 de septiembre de 2018
Publicado por primera vez (ACTUAL)
7 de septiembre de 2018
Actualizaciones de registros de estudio
Última actualización publicada (ACTUAL)
6 de noviembre de 2020
Última actualización enviada que cumplió con los criterios de control de calidad
4 de noviembre de 2020
Última verificación
1 de noviembre de 2020
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 027527
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .
Ensayos clínicos sobre Clasificador de redes neuronales
-
University of ManitobaButterfly NetworkReclutamientoTrastornos de la articulación temporomandibular | Imagen de resonancia magnética | Ultrasonido de manoCanadá
-
Centre Hospitalier Universitaire, AmiensTerminadoCarrera | Trastornos del comportamiento | Trastornos cognitivosFrancia
-
Josue Fernandez CarneroUniversidad Autonoma de MadridTerminado
-
Universidad Rey Juan CarlosDesconocidoDolor neuropáticoEspaña
-
Riphah International UniversityTerminadoRadiculopatía lumbarPakistán
-
Riphah International UniversityTerminadoRadiculopatía cervicalPakistán
-
University of SharjahAún no reclutandoMedicina Física y Rehabilitación
-
University of JaenUniversity of AlcalaTerminadoEnfermedad de ParkinsonEspaña
-
Okan UniversityTerminadoDolor de cuello | RespiratorioPavo
-
Riphah International UniversityTerminado