- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT04657900
Predicción de la fibrilación auricular de nueva aparición a nivel del paciente
Predicción de la fibrilación auricular de nueva aparición a nivel del paciente a partir de registros de salud electrónicos nacionales basados en la población: una investigación de medicina de precisión utilizando inteligencia artificial
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
La fibrilación auricular (FA) es una condición crónica común con un impacto sustancial en los resultados de salud. Muchos casos de FA se detectan demasiado tarde, como manifestación de accidente cerebrovascular, insuficiencia cardíaca u otra complicación. Si bien la detección temprana de FA ofrece el potencial para prevenir enfermedades cardiovasculares prematuras, no se recomienda el cribado poblacional.
La fibrilación auricular (FA) es un importante problema de salud cardiovascular. Es la arritmia cardíaca sostenida más común, que afecta al 1-2% de la población de Europa y EE. UU., con un riesgo de por vida de uno de cada cuatro en la población general. Tiene una prevalencia creciente a medida que la población envejece. En consecuencia, es probable que estas estimaciones aumenten, y actualmente están subestimadas dado que la FA puede permanecer sin diagnosticar durante mucho tiempo. La FA incurre en el 1-3 % del gasto sanitario como consecuencia de un ictus, muerte súbita, insuficiencia cardíaca, hospitalización no planificada y complicaciones asociadas. La epidemia emergente de fibrilación auricular resultante y sus costosas complicaciones asociadas (que incluyen, entre otros, accidente cerebrovascular, depresión, insuficiencia cardíaca, síndrome coronario agudo, deterioro cognitivo y hospitalización no programada) han asegurado que la fibrilación auricular sea ahora una gran amenaza para la longevidad saludable. El diagnóstico precoz de la FA, idealmente antes de la manifestación de la primera complicación, sigue siendo un importante desafío de salud pública. Mientras que para algunos pacientes la fibrilación auricular puede presentarse con palpitaciones sintomáticas, para otros el primer diagnóstico de fibrilación auricular puede ser cuando acuden a los profesionales sanitarios con un accidente cerebrovascular, una descompensación cardíaca aguda o una exacerbación de la comorbilidad, una etapa que es innecesariamente tardía en la trayectoria de la enfermedad. Esto se debe a que muchos pacientes con FA pueden no tener síntomas asociados con la FA. Dado que casi un tercio de los pacientes ingresados en una sala de ictus tienen FA en el momento de su ingreso en el hospital y que los anticoagulantes orales reducen el riesgo de ictus hasta en dos tercios en aquellos con FA que tienen un mayor riesgo de ictus, hay un argumento convincente para la detección más temprana de la FA. Con ese fin, el cribado oportunista de FA (palpación del pulso seguido de ECG en pacientes con pulso irregular) en pacientes de 65 años o más ahora se recomienda en las guías nacionales e internacionales. Las guías internacionales también recomiendan el uso de un ECG de 12 derivaciones y monitores de ritmo ambulatorios (con una duración creciente de acuerdo con el riesgo percibido de fibrilación auricular), escalando a registradores de fibrilación auricular sin cables implantables en pacientes con sospecha de fibrilación auricular pero no diagnosticada, y cada uno con implicaciones para los costos de atención médica y el paciente. satisfacción. Si bien existen resultados prometedores del cribado sistemático de la FA en poblaciones de edad avanzada con dispositivos autooperados, actualmente no existe una recomendación en el Reino Unido (UK) para el cribado sistemático de la FA en toda la población porque aún no está claro si las personas identificadas como el riesgo se beneficiaría de un diagnóstico precoz. De hecho, se necesita investigación para comprender mejor las tasas de detección, la precisión del diagnóstico, los resultados de dichos programas, así como para definir en qué subpoblaciones el cribado de FA ofrecería el mayor valor para el paciente y la salud pública.
La identificación de la FA tiene importantes ramificaciones clínicas y para el paciente. A aquellos pacientes con mayor riesgo de ictus (puntuación CHADSVASC ≥ 2) sin contraindicación se les debe ofrecer profilaxis del ictus con un anticoagulante oral. Además, la mayoría de los pacientes con fibrilación auricular tendrán factores de riesgo de accidente cerebrovascular, lo que los hará elegibles para un anticoagulante oral, y muchos tendrán enfermedades cardiovasculares concomitantes (como hipertensión, enfermedad valvular cardíaca o insuficiencia cardíaca), lo que los hará elegibles para una mayor investigación o tratamiento. Del mismo modo, en aquellos con FA que tienen bajo riesgo de accidente cerebrovascular (y, por lo tanto, no califican para la anticoagulación oral), se recomienda la vigilancia del aumento del riesgo de accidente cerebrovascular. Predecir con precisión si una persona tendrá una fibrilación auricular de nueva aparición y cuándo puede permitir una detección específica del fenotipo y temporal (por lo tanto, más eficaz), así como identificar marcadores de riesgo putativos para la etiología de la fibrilación auricular. Por ejemplo, los pacientes que actualmente están en ritmo sinusal, pero que tienen un mayor riesgo de accidente cerebrovascular y se prevé que desarrollen FA en un momento específico en el futuro pueden beneficiarse de la detección de FA más cerca de la fecha prevista. Del mismo modo, los factores de riesgo modificables para el desarrollo de FA y el riesgo de accidente cerebrovascular pueden abordarse de manera proactiva a la luz del conocimiento del mayor riesgo de aparición de FA y nuevos factores de riesgo estudiados para la causalidad. Otras posibles oportunidades de investigación pueden incluir el estudio de pacientes que no tienen y no se prevé que tengan FA, y la evaluación del estilo de vida, la tecnología del dispositivo y las estrategias farmacoterapéuticas para reducir el riesgo de FA en pacientes con alto riesgo previsto de FA de nueva aparición.
Hasta la fecha, se han desarrollado varias herramientas de predicción del riesgo de FA, incluidas las del consorcio CHARGE-AF, Framingham Heart Study, la puntuación CHADS, la puntuación CHADSVASC y la puntuación CHEST, entre otras. La puntuación CHEST (enfermedad cardíaca estructural, insuficiencia cardíaca, edad ≥ 75 años, enfermedad de las arterias coronarias, hipertiroidismo, enfermedad pulmonar obstructiva crónica (EPOC) e hipertensión) se obtuvo de 471 446 sujetos de la base de datos de seguros de Yunnan en China y se validó en 451 199 sujetos de la Se encontró que el Servicio Nacional de Seguro de Salud de Corea predice futuros incidentes de FA. De los 4764 participantes en el Framingham Heart Study, la edad, el sexo, el índice de masa corporal, la presión arterial sistólica, el tratamiento para la hipertensión, el tiempo desde el inicio de la onda P hasta el inicio del complejo de despolarización ventricular (QRS) (intervalo PR ), el soplo cardíaco clínicamente significativo y la insuficiencia cardíaca se encontraron utilizando modelos de supervivencia como componentes de una puntuación que predice la FA incidente a los 10 años. Sin embargo, cada uno de los estudios hasta la fecha está limitado por uno o más de su uso de datos geográficamente remotos, datos históricos, conjuntos de datos pequeños, falta de información temporal, modelado de riesgo crudo con el consiguiente rendimiento subóptimo del modelo y/o variables predictoras que no están fácilmente disponibles. al Médico General. Comprensiblemente, ninguno ha llegado a la práctica clínica generalizada. La inteligencia artificial facilita el uso de grandes cantidades de datos de eventos y la información temporal asociada (como la de los conjuntos de datos de atención primaria), maneja una gran cantidad de predictores con técnicas automáticas de selección de variables, acomoda las no linealidades y las interacciones entre variables, permite un enfoque de aprendizaje en vivo ( mediante el cual el modelo de predicción se actualiza automáticamente), y puede usar datos de toda la población para predecir si habrá un nuevo inicio de FA para un individuo y cuándo. Se ha aplicado una variedad de técnicas de inteligencia artificial (IA) a los datos de EHR y han demostrado un mejor poder de diagnóstico y predicción sobre los enfoques estadísticos tradicionales en datos de EHR a gran escala. Sin embargo, como se destacó recientemente, es importante identificar modelos que sean clínicamente útiles. Por ejemplo, un estudio que desarrolló un algoritmo de ECG habilitado por IA que predijo la fibrilación auricular a partir de ECG con ritmo sinusal normal, si bien es un importante paso adelante, puede no ser aplicable en el entorno comunitario donde los ECG de rutina no siempre están disponibles. Por lo tanto, el desarrollo de un algoritmo predictivo para la fibrilación auricular de nueva aparición a partir de datos de registros de salud electrónicos de atención primaria de rutina utilizando técnicas de inteligencia artificial podría ofrecer la oportunidad de una traducción temprana a la práctica clínica. Los investigadores desarrollarán y validarán un modelo de aprendizaje de redes neuronales profundas, utilizando registros de salud electrónicos (EHR) vinculados a gran escala de la atención primaria, para predecir el riesgo de una nueva FA. El algoritmo de predicción se entrenará y probará para determinar su precisión y solidez en la predicción de futuros eventos de FA utilizando Clinical Practice Research Datalink (CPRD)-Iniciativa global para la enfermedad pulmonar obstructiva crónica (GOLD), y se validará externamente utilizando bases de datos similares CPRD-AURUM pero en diferentes lugares geográficos. El nuevo algoritmo predictivo se comparará con una gama de técnicas clásicas de aprendizaje automático, así como con métodos tradicionales de modelado predictivo estadístico. A la espera de un modelo exitoso de mejora de la precisión de predicción de al menos un 5% en comparación con los modelos existentes, el algoritmo podría estar fácilmente disponible a través de un software de uso gratuito.
Tipo de estudio
Inscripción (Anticipado)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
West Yorkshire
-
Leeds, West Yorkshire, Reino Unido, LS2 9JT
- University of Leeds
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- FA diagnosticada después del 1 de enero de 2009 (identificada mediante códigos de lectura (para el perfil de paciente CPRD) y códigos ICD-10 (para eventos HES)
- Enlace de datos de investigación en práctica clínica: iniciativa global para la enfermedad pulmonar obstructiva crónica (CPRD-GOLD) y elegible para enlace de datos.
- Tener al menos 1 año de seguimiento en el período comprendido entre el 1 de enero de 1998 y el 31 de diciembre de 2018.
Criterio de exclusión:
- Menores de 18 años a la fecha del primer registro en CPRD
- Diagnosticado con FA antes del 1 de enero de 1998
- En CPRD-GOLD y no elegible para vinculación de datos
- Tiene menos de un año de seguimiento en CPRD
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Grupo
- Perspectivas temporales: Retrospectivo
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
---|---|
Todos los pacientes elegibles
Cohorte de observación que utiliza datos anónimos de atención primaria a nivel de paciente vinculados a datos administrativos secundarios; CPRD-GOLD y CPRD-AURUM.
|
Observacional - no se da ninguna intervención
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Desarrollar y validar un modelo jerárquico de aprendizaje profundo para predecir el riesgo y, en su caso, el período de FA de nueva aparición.
Periodo de tiempo: Entre el 1 de enero de 1998 y el 31 de diciembre de 2018
|
Los factores predictivos se identificarán mediante códigos de lectura (diagnósticos), mediciones y códigos Prod (medicamentos) en CPRD; Códigos ICD10 y códigos de clasificación estadística (OPCS) en Estadísticas de episodios hospitalarios (HES); y códigos ICD 10 (códigos ICD9 para el período anterior a 2001) en los datos de la Oficina Nacional de Estadísticas (ONS). Todas las variables se considerarán predictores potenciales y pueden incluir:
|
Entre el 1 de enero de 1998 y el 31 de diciembre de 2018
|
Identificar y cuantificar la magnitud de los predictores de FA de nueva aparición
Periodo de tiempo: Entre el 1 de enero de 1998 y el 31 de diciembre de 2018
|
El modelo de aprendizaje profundo propuesto puede extraer factores de riesgo informativos de los datos de EHR. Específicamente, se adaptará una estrategia de selección de factores de riesgo propuesta en Huang et al para identificar factores de riesgo informativos. El modelo proporcionará ponderaciones de los factores de riesgo identificados para ayudar a comprender la importancia de los factores de riesgo en diferentes niveles de riesgo. El impacto del número de factores de riesgo en el rendimiento de la predicción del riesgo de FA se evaluará a través de las curvas del área bajo la curva (AUC) y la precisión de la predicción graficadas frente al número de factores de riesgo. Algunos predictores, como el IMC, la presión arterial, la frecuencia de las visitas al médico general (GP), la potencia de la medicación prescrita, pueden cambiar con el tiempo. Se explorarán los valores de pronóstico incrementales de incluir estas trayectorias variables y se evaluará el impacto en la precisión predictiva. |
Entre el 1 de enero de 1998 y el 31 de diciembre de 2018
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Christopher P Gale, PhD, University of Leeds
Publicaciones y enlaces útiles
Publicaciones Generales
- Conen D. Epidemiology of atrial fibrillation. Eur Heart J. 2018 Apr 21;39(16):1323-1324. doi: 10.1093/eurheartj/ehy171. No abstract available.
- Kirchhof P. The future of atrial fibrillation management: integrated care and stratified therapy. Lancet. 2017 Oct 21;390(10105):1873-1887. doi: 10.1016/S0140-6736(17)31072-3. Epub 2017 Apr 28. Erratum In: Lancet. 2017 Oct 21;390(10105):1832. Dosage error in article text.
- Fuster V, Ryden LE, Cannom DS, Crijns HJ, Curtis AB, Ellenbogen KA, Halperin JL, Le Heuzey JY, Kay GN, Lowe JE, Olsson SB, Prystowsky EN, Tamargo JL, Wann S, Smith SC Jr, Jacobs AK, Adams CD, Anderson JL, Antman EM, Halperin JL, Hunt SA, Nishimura R, Ornato JP, Page RL, Riegel B, Priori SG, Blanc JJ, Budaj A, Camm AJ, Dean V, Deckers JW, Despres C, Dickstein K, Lekakis J, McGregor K, Metra M, Morais J, Osterspey A, Tamargo JL, Zamorano JL; American College of Cardiology/American Heart Association Task Force on Practice Guidelines; European Society of Cardiology Committee for Practice Guidelines; European Heart Rhythm Association; Heart Rhythm Society. ACC/AHA/ESC 2006 Guidelines for the Management of Patients with Atrial Fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines and the European Society of Cardiology Committee for Practice Guidelines (Writing Committee to Revise the 2001 Guidelines for the Management of Patients With Atrial Fibrillation): developed in collaboration with the European Heart Rhythm Association and the Heart Rhythm Society. Circulation. 2006 Aug 15;114(7):e257-354. doi: 10.1161/CIRCULATIONAHA.106.177292. No abstract available. Erratum In: Circulation. 2007 Aug 7;116(6):e138.
- Camm AJ, Kirchhof P, Lip GY, Schotten U, Savelieva I, Ernst S, Van Gelder IC, Al-Attar N, Hindricks G, Prendergast B, Heidbuchel H, Alfieri O, Angelini A, Atar D, Colonna P, De Caterina R, De Sutter J, Goette A, Gorenek B, Heldal M, Hohloser SH, Kolh P, Le Heuzey JY, Ponikowski P, Rutten FH; ESC Committee for Practice Guidelines. Guidelines for the management of atrial fibrillation: the Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology (ESC). Europace. 2010 Oct;12(10):1360-420. doi: 10.1093/europace/euq350. No abstract available. Erratum In: Europace. 2011 Jul;13(7):1058. Dosage error in article text.
- Kirchhof P, Auricchio A, Bax J, Crijns H, Camm J, Diener HC, Goette A, Hindricks G, Hohnloser S, Kappenberger L, Kuck KH, Lip GY, Olsson B, Meinertz T, Priori S, Ravens U, Steinbeck G, Svernhage E, Tijssen J, Vincent A, Breithardt G. Outcome parameters for trials in atrial fibrillation: executive summary. Eur Heart J. 2007 Nov;28(22):2803-17. doi: 10.1093/eurheartj/ehm358. Epub 2007 Sep 25.
- Friberg L, Rosenqvist M, Lindgren A, Terent A, Norrving B, Asplund K. High prevalence of atrial fibrillation among patients with ischemic stroke. Stroke. 2014 Sep;45(9):2599-605. doi: 10.1161/STROKEAHA.114.006070. Epub 2014 Jul 17.
- Wolf PA, Abbott RD, Kannel WB. Atrial fibrillation: a major contributor to stroke in the elderly. The Framingham Study. Arch Intern Med. 1987 Sep;147(9):1561-4.
- January CT, Wann LS, Alpert JS, Calkins H, Cigarroa JE, Cleveland JC Jr, Conti JB, Ellinor PT, Ezekowitz MD, Field ME, Murray KT, Sacco RL, Stevenson WG, Tchou PJ, Tracy CM, Yancy CW; ACC/AHA Task Force Members. 2014 AHA/ACC/HRS guideline for the management of patients with atrial fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on practice guidelines and the Heart Rhythm Society. Circulation. 2014 Dec 2;130(23):e199-267. doi: 10.1161/CIR.0000000000000041. Epub 2014 Mar 28. No abstract available. Erratum In: Circulation. 2014 Dec 2;130(23):e272-4.
- Aronson D, Shalev V, Katz R, Chodick G, Mutlak D. Risk Score for Prediction of 10-Year Atrial Fibrillation: A Community-Based Study. Thromb Haemost. 2018 Sep;118(9):1556-1563. doi: 10.1055/s-0038-1668522. Epub 2018 Aug 13.
- Alonso A, Krijthe BP, Aspelund T, Stepas KA, Pencina MJ, Moser CB, Sinner MF, Sotoodehnia N, Fontes JD, Janssens AC, Kronmal RA, Magnani JW, Witteman JC, Chamberlain AM, Lubitz SA, Schnabel RB, Agarwal SK, McManus DD, Ellinor PT, Larson MG, Burke GL, Launer LJ, Hofman A, Levy D, Gottdiener JS, Kaab S, Couper D, Harris TB, Soliman EZ, Stricker BH, Gudnason V, Heckbert SR, Benjamin EJ. Simple risk model predicts incidence of atrial fibrillation in a racially and geographically diverse population: the CHARGE-AF consortium. J Am Heart Assoc. 2013 Mar 18;2(2):e000102. doi: 10.1161/JAHA.112.000102.
- Chamberlain AM, Agarwal SK, Folsom AR, Soliman EZ, Chambless LE, Crow R, Ambrose M, Alonso A. A clinical risk score for atrial fibrillation in a biracial prospective cohort (from the Atherosclerosis Risk in Communities [ARIC] study). Am J Cardiol. 2011 Jan;107(1):85-91. doi: 10.1016/j.amjcard.2010.08.049.
- Schnabel RB, Sullivan LM, Levy D, Pencina MJ, Massaro JM, D'Agostino RB Sr, Newton-Cheh C, Yamamoto JF, Magnani JW, Tadros TM, Kannel WB, Wang TJ, Ellinor PT, Wolf PA, Vasan RS, Benjamin EJ. Development of a risk score for atrial fibrillation (Framingham Heart Study): a community-based cohort study. Lancet. 2009 Feb 28;373(9665):739-45. doi: 10.1016/S0140-6736(09)60443-8.
- Schnabel RB, Aspelund T, Li G, Sullivan LM, Suchy-Dicey A, Harris TB, Pencina MJ, D'Agostino RB Sr, Levy D, Kannel WB, Wang TJ, Kronmal RA, Wolf PA, Burke GL, Launer LJ, Vasan RS, Psaty BM, Benjamin EJ, Gudnason V, Heckbert SR. Validation of an atrial fibrillation risk algorithm in whites and African Americans. Arch Intern Med. 2010 Nov 22;170(21):1909-17. doi: 10.1001/archinternmed.2010.434.
- Li YG, Pastori D, Farcomeni A, Yang PS, Jang E, Joung B, Wang YT, Guo YT, Lip GYH. A Simple Clinical Risk Score (C2HEST) for Predicting Incident Atrial Fibrillation in Asian Subjects: Derivation in 471,446 Chinese Subjects, With Internal Validation and External Application in 451,199 Korean Subjects. Chest. 2019 Mar;155(3):510-518. doi: 10.1016/j.chest.2018.09.011. Epub 2018 Oct 4.
- Kolek MJ, Graves AJ, Xu M, Bian A, Teixeira PL, Shoemaker MB, Parvez B, Xu H, Heckbert SR, Ellinor PT, Benjamin EJ, Alonso A, Denny JC, Moons KG, Shintani AK, Harrell FE Jr, Roden DM, Darbar D. Evaluation of a Prediction Model for the Development of Atrial Fibrillation in a Repository of Electronic Medical Records. JAMA Cardiol. 2016 Dec 1;1(9):1007-1013. doi: 10.1001/jamacardio.2016.3366.
- Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016 Sep 29;375(13):1216-9. doi: 10.1056/NEJMp1606181. No abstract available.
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Ehteshami Bejnordi B, Veta M, Johannes van Diest P, van Ginneken B, Karssemeijer N, Litjens G, van der Laak JAWM; the CAMELYON16 Consortium; Hermsen M, Manson QF, Balkenhol M, Geessink O, Stathonikos N, van Dijk MC, Bult P, Beca F, Beck AH, Wang D, Khosla A, Gargeya R, Irshad H, Zhong A, Dou Q, Li Q, Chen H, Lin HJ, Heng PA, Hass C, Bruni E, Wong Q, Halici U, Oner MU, Cetin-Atalay R, Berseth M, Khvatkov V, Vylegzhanin A, Kraus O, Shaban M, Rajpoot N, Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N, Watanabe S, Seno S, Takenaka Y, Matsuda H, Ahmady Phoulady H, Kovalev V, Kalinovsky A, Liauchuk V, Bueno G, Fernandez-Carrobles MM, Serrano I, Deniz O, Racoceanu D, Venancio R. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017 Dec 12;318(22):2199-2210. doi: 10.1001/jama.2017.14585.
- Shah NH, Milstein A, Bagley PhD SC. Making Machine Learning Models Clinically Useful. JAMA. 2019 Oct 8;322(14):1351-1352. doi: 10.1001/jama.2019.10306. No abstract available.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, Carter RE, Yao X, Rabinstein AA, Erickson BJ, Kapa S, Friedman PA. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019 Sep 7;394(10201):861-867. doi: 10.1016/S0140-6736(19)31721-0. Epub 2019 Aug 1.
- Sultan AA, West J, Grainge MJ, Riley RD, Tata LJ, Stephansson O, Fleming KM, Nelson-Piercy C, Ludvigsson JF. Development and validation of risk prediction model for venous thromboembolism in postpartum women: multinational cohort study. BMJ. 2016 Dec 5;355:i6253. doi: 10.1136/bmj.i6253.
- Rahimian F, Salimi-Khorshidi G, Payberah AH, Tran J, Ayala Solares R, Raimondi F, Nazarzadeh M, Canoy D, Rahimi K. Predicting the risk of emergency admission with machine learning: Development and validation using linked electronic health records. PLoS Med. 2018 Nov 20;15(11):e1002695. doi: 10.1371/journal.pmed.1002695. eCollection 2018 Nov.
- Huang Z, Dong W, Duan H, Liu J. A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Using Electronic Health Records. IEEE Trans Biomed Eng. 2018 May;65(5):956-968. doi: 10.1109/TBME.2017.2731158. Epub 2017 Jul 24.
- Riley RD, Snell KI, Ensor J, Burke DL, Harrell FE Jr, Moons KG, Collins GS. Minimum sample size for developing a multivariable prediction model: PART II - binary and time-to-event outcomes. Stat Med. 2019 Mar 30;38(7):1276-1296. doi: 10.1002/sim.7992. Epub 2018 Oct 24. Erratum In: Stat Med. 2019 Dec 30;38(30):5672.
- Nadarajah R, Wu J, Frangi AF, Hogg D, Cowan C, Gale C. Predicting patient-level new-onset atrial fibrillation from population-based nationwide electronic health records: protocol of FIND-AF for developing a precision medicine prediction model using artificial intelligence. BMJ Open. 2021 Nov 2;11(11):e052887. doi: 10.1136/bmjopen-2021-052887.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Anticipado)
Finalización del estudio (Anticipado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 120029
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
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 Fibrilación auricular
-
The Second Affiliated Hospital of Chongqing Medical...TerminadoFibrilación auricular | Hipertensión,Esencial | Dilatación atrial izquierdaPorcelana
-
Region SkaneReclutamientoFibrilación auricular | Dilatación atrial izquierdaSuecia
-
Wake Forest University Health SciencesNational Heart, Lung, and Blood Institute (NHLBI)ReclutamientoEnfermedades Renales | Hipertensión | Obesidad Pediátrica | Proteinuria | Albuminuria | Lesión renal | Trastornos de la presión arterial | Disfunción autonómica | Enfermedad renal pediátrica | Disfunción Ventricular Izquierda | Hipertrofia del ventrículo izquierdo | Disfunción renal | Desequilibrio autonómico | Disfunción... y otras condicionesEstados Unidos