Un estudio multicéntrico sobre el diagnóstico precoz de pacientes con SCASEST basado en un modelo de aprendizaje automático
29 de diciembre de 2020 actualizado por: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
El diagnóstico temprano de pacientes con NSTEMI y UA se realiza principalmente a través de la construcción de un modelo de aprendizaje automático.
Descripción general del estudio
Estado
Desconocido
Intervención / Tratamiento
Descripción detallada
Se incluyeron los pacientes con IAMSEST y AI.
Después del etiquetado manual, se seleccionaron las características del registro de ingreso de los pacientes.
El 75 % de los datos se utiliza para construir el modelo y el 25 % de los datos se utiliza para verificar la validez del modelo.
Se construyeron cinco modelos de clasificación de convolución unidimensional (CNN), bayesiano ingenuo (NB), máquina de vector de soporte (SVM), bosque aleatorio (RF) y aprendizaje conjunto para identificar y diagnosticar pacientes con NSTEMI y UA.
La validación cruzada múltiple y la curva ROC-AUC se utilizan para medir las ventajas y desventajas de los modelos.
Tipo de estudio
De observación
Inscripción (Actual)
2500
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
-
-
Xinjiang
-
Ürümqi, Xinjiang, Porcelana, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
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
18 años a 75 años (Adulto, Adulto Mayor)
Acepta Voluntarios Saludables
N/A
Géneros elegibles para el estudio
Todos
Método de muestreo
Muestra de probabilidad
Población de estudio
Los pacientes con NSTEMI y UA se incluyeron en el Centro de Dolor en el Pecho del Primer Hospital Afiliado de la Universidad Médica de Xinjiang y el Primer Hospital Afiliado de la Facultad de Medicina de la Universidad de Shihezi de 2017 a 2019.
Descripción
Criterios de inclusión:
- Los pacientes se incluyeron y excluyeron estrictamente de acuerdo con los criterios de diagnóstico de las directrices chinas para el diagnóstico y tratamiento del síndrome coronario agudo sin elevación del segmento ST (2016). Los pacientes fueron admitidos en el hospital con dolor en el pecho como queja principal, y fueron admitidos en el primer Hospital afiliado de la Universidad de Medicina de Xinjiang y el primer Hospital afiliado de la Facultad de Medicina de la Universidad de Shihezi. los pacientes fueron diagnosticados de IAMSEST y AI por angiografía coronaria (rango de edad de 30 a 75 años).
Criterio de exclusión:
- 1. Pacientes con IAMCEST, aneurisma disecante de aorta, neumotórax y otros dolores torácicos no cardiogénicos. 2. Insuficiencia hepatorrenal grave, tumor primario sin tratamiento quirúrgico, infección no grave complicada con shock y gestantes. 3.Valvulopatía grave previa, miocarditis viral, derrame pericárdico, implante de marcapasos, shock cardiogénico con complicaciones graves, cardiopatía hipertensiva, miocardiopatías diversas, cardiopatías congénitas, etc.
4. Pacientes con cardiopatía, EAEPOC, tumor de pulmón e hipertiroidismo diagnosticados en el pasado.
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 |
|---|---|
|
Modelo CNN
Se recopiló información de salud electrónica de pacientes con NSTEMI y UA en dos centros de dolor torácico de 2017 a 2019，Después del etiquetado manual, se seleccionaron las características de los registros de admisión de pacientes y mediante la construcción de un modelo de convolución unidimensional (CNN).
Tomando la validación cruzada múltiple y la curva ROC-AUC como índice de medición, el 75 % de los datos se modelan y el 25 % de los datos se utilizan para verificar el efecto del modelo.
|
Diagnóstico temprano de pacientes con NTEMI por modelo de aprendizaje automático
|
|
Impulso XG
A través de la construcción del modelo XG boost, tomando la validación cruzada múltiple y la curva ROC-AUC como índice de medición, el 75 % de los datos se modelan y el 25 % de los datos se utilizan para verificar el efecto del modelo.
|
Diagnóstico temprano de pacientes con NTEMI por modelo de aprendizaje automático
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Diagnóstico preciso de NSTEMI de pacientes con dolor torácico agudo
Periodo de tiempo: Dentro de 1 año
|
Los pacientes con NSTEMI se diagnostican con precisión a partir de pacientes con dolor torácico agudo a través de un algoritmo de aprendizaje automático entrenado.
Nuestro modelo utiliza la validación cruzada múltiple y la curva ROC-AUC como índice de medición, el 75 % de los datos están modelados y el 25 % de los datos verifican el efecto del modelo.
Por este motivo, calcularemos la precisión, la especificidad y la razón de verosimilitud cuando el valor de corte de la sensibilidad sea 0,9.
|
Dentro de 1 año
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Colaboradores
Investigadores
- Investigador principal: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Director de estudio: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Investigador principal: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
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
- Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017 Apr 4;12(4):e0174944. doi: 10.1371/journal.pone.0174944. eCollection 2017.
- Lee HC, Park JS, Choe JC, Ahn JH, Lee HW, Oh JH, Choi JH, Cha KS, Hong TJ, Jeong MH; Korea Acute Myocardial Infarction Registry (KAMIR) and Korea Working Group on Myocardial Infarction (KorMI) Investigators. Prediction of 1-Year Mortality from Acute Myocardial Infarction Using Machine Learning. Am J Cardiol. 2020 Oct 15;133:23-31. doi: 10.1016/j.amjcard.2020.07.048. Epub 2020 Jul 26.
- Cuocolo R, Perillo T, De Rosa E, Ugga L, Petretta M. Current applications of big data and machine learning in cardiology. J Geriatr Cardiol. 2019 Aug;16(8):601-607. doi: 10.11909/j.issn.1671-5411.2019.08.002.
- Ambale-Venkatesh B, Yang X, Wu CO, Liu K, Hundley WG, McClelland R, Gomes AS, Folsom AR, Shea S, Guallar E, Bluemke DA, Lima JAC. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017 Oct 13;121(9):1092-1101. doi: 10.1161/CIRCRESAHA.117.311312. Epub 2017 Aug 9.
- Patel BB, Sperotto F, Molina M, Kimura S, Delgado MI, Santillana M, Kheir JN. Avoidable Serum Potassium Testing in the Cardiac ICU: Development and Testing of a Machine-Learning Model. Pediatr Crit Care Med. 2021 Apr 1;22(4):392-400. doi: 10.1097/PCC.0000000000002626.
- Groepenhoff F, Eikendal ALM, Bots SH, van Ommen AM, Overmars LM, Kapteijn D, Pasterkamp G, Reiber JHC, Hautemann D, Menken R, Wittekoek ME, Hofstra L, Onland-Moret NC, Haitjema S, Hoefer I, Leiner T, den Ruijter HM. Cardiovascular imaging of women and men visiting the outpatient clinic with chest pain or discomfort: design and rationale of the ARGUS Study. BMJ Open. 2020 Dec 15;10(12):e040712. doi: 10.1136/bmjopen-2020-040712.
- Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim S, Kim KH, Song PS, Park J, Choi RK, Oh BH. Deep-learning-based risk stratification for mortality of patients with acute myocardial infarction. PLoS One. 2019 Oct 31;14(10):e0224502. doi: 10.1371/journal.pone.0224502. eCollection 2019.
- Chowdhury MEH, Alzoubi K, Khandakar A, Khallifa R, Abouhasera R, Koubaa S, Ahmed R, Hasan MA. Wearable Real-Time Heart Attack Detection and Warning System to Reduce Road Accidents. Sensors (Basel). 2019 Jun 20;19(12):2780. doi: 10.3390/s19122780.
- Wu CC, Hsu WD, Islam MM, Poly TN, Yang HC, Nguyen PA, Wang YC, Li YJ. An artificial intelligence approach to early predict non-ST-elevation myocardial infarction patients with chest pain. Comput Methods Programs Biomed. 2019 May;173:109-117. doi: 10.1016/j.cmpb.2019.01.013. Epub 2019 Jan 31.
- Bernatz S, Ackermann J, Mandel P, Kaltenbach B, Zhdanovich Y, Harter PN, Doring C, Hammerstingl R, Bodelle B, Smith K, Bucher A, Albrecht M, Rosbach N, Basten L, Yel I, Wenzel M, Bankov K, Koch I, Chun FK, Kollermann J, Wild PJ, Vogl TJ. Comparison of machine learning algorithms to predict clinically significant prostate cancer of the peripheral zone with multiparametric MRI using clinical assessment categories and radiomic features. Eur Radiol. 2020 Dec;30(12):6757-6769. doi: 10.1007/s00330-020-07064-5. Epub 2020 Jul 16.
- Md Idris N, Chiam YK, Varathan KD, Wan Ahmad WA, Chee KH, Liew YM. Feature selection and risk prediction for patients with coronary artery disease using data mining. Med Biol Eng Comput. 2020 Dec;58(12):3123-3140. doi: 10.1007/s11517-020-02268-9. Epub 2020 Nov 6. Erratum In: Med Biol Eng Comput. 2022 Mar;60(3):887.
- Allen B, Molokie R, Royston TJ. Early Detection of Acute Chest Syndrome Through Electronic Recording and Analysis of Auscultatory Percussion. IEEE J Transl Eng Health Med. 2020 Sep 30;8:4900108. doi: 10.1109/JTEHM.2020.3027802. eCollection 2020.
- Eberhard M, Nadarevic T, Cousin A, von Spiczak J, Hinzpeter R, Euler A, Morsbach F, Manka R, Keller DI, Alkadhi H. Machine learning-based CT fractional flow reserve assessment in acute chest pain: first experience. Cardiovasc Diagn Ther. 2020 Aug;10(4):820-830. doi: 10.21037/cdt-20-381.
- Ma Q, Ma Y, Yu T, Sun Z, Hou Y. Radiomics of Non-Contrast-Enhanced T1 Mapping: Diagnostic and Predictive Performance for Myocardial Injury in Acute ST-Segment-Elevation Myocardial Infarction. Korean J Radiol. 2021 Apr;22(4):535-546. doi: 10.3348/kjr.2019.0969. Epub 2020 Nov 30.
- Zheng Y, Li T. Letter to the Editor concerning the article "Machine learning for prediction of 30-day mortality after ST elevation myocardial infarction". Int J Cardiol. 2018 Sep 1;266:41. doi: 10.1016/j.ijcard.2017.11.061. No abstract available.
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)
20 de diciembre de 2020
Finalización primaria (Anticipado)
20 de diciembre de 2021
Finalización del estudio (Anticipado)
1 de junio de 2022
Fechas de registro del estudio
Enviado por primera vez
19 de diciembre de 2020
Primero enviado que cumplió con los criterios de control de calidad
19 de diciembre de 2020
Publicado por primera vez (Actual)
24 de diciembre de 2020
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
31 de diciembre de 2020
Última actualización enviada que cumplió con los criterios de control de calidad
29 de diciembre de 2020
Última verificación
1 de diciembre de 2020
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- XMa
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
INDECISO
Descripción del plan IPD
Modelo de aprendizaje automático para identificar pacientes con AI y NSTMI
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. .