- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT05139797
Detección ecocardiográfica guiada por inteligencia artificial de enfermedades raras (EchoNet-Screening)
Cribado ecocardiográfico guiado por inteligencia artificial de enfermedades raras
A pesar de los rápidos avances en la terapia dirigida y la secuenciación genética, los límites persistentes en la precisión y el rendimiento del fenotipado clínico han llevado a una brecha cada vez mayor entre los beneficios potenciales y reales obtenidos por la medicina de precisión.
Los avances recientes en el aprendizaje automático y las técnicas de procesamiento de imágenes han demostrado que los modelos de aprendizaje automático pueden identificar características no reconocidas por expertos humanos y evaluar con mayor precisión/exactitud las mediciones comunes realizadas en la práctica clínica.
Los investigadores han desarrollado un algoritmo, denominado EchoNet-LVH, para identificar la hipertrofia cardíaca e identificar a los pacientes que se beneficiarían de una detección adicional de amiloidosis cardíaca y evaluarán prospectivamente su precisión para identificar a los pacientes que se beneficiarían de una detección adicional de amiloidosis cardíaca.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
A pesar de los rápidos avances en la terapia dirigida y la secuenciación genética, los límites persistentes en la precisión y el rendimiento del fenotipado clínico han llevado a una brecha cada vez mayor entre los beneficios potenciales y reales obtenidos por la medicina de precisión. Este enigma se ejemplifica con los enfoques actuales para evaluar las alteraciones morfológicas del corazón. Si se identifican de manera confiable, ciertas enfermedades cardíacas (p. amiloidosis cardíaca y miocardiopatía hipertrófica) podrían evitar diagnósticos erróneos y recibir un inicio de tratamiento eficiente con terapias dirigidas específicas. La capacidad de distinguir de forma fiable entre tipos de enfermedades cardíacas de morfología similar pero de etiología diferente también mejoraría la especificidad para vincular las variantes de riesgo genético y los mecanismos determinantes
Los avances recientes en el aprendizaje automático y las técnicas de procesamiento de imágenes han demostrado que los modelos de aprendizaje automático pueden identificar características no reconocidas por expertos humanos y evaluar con mayor precisión/exactitud las mediciones comunes realizadas en la práctica clínica. En ecocardiografía, esta capacidad de medición y detección de precisión es importante tanto en la detección de enfermedades como en el diagnóstico de enfermedades cardiovasculares.
La ecocardiografía se utiliza de forma rutinaria y frecuente para el diagnóstico y el pronóstico en la atención clínica de rutina, sin embargo, a menudo hay subjetividad en la interpretación y heterogeneidad en la aplicación. La atención humana es fatigable y tiene una interpretación heterogénea entre los proveedores. Se han propuesto flujos de trabajo de detección de enfermedades guiados por IA para enfermedades raras como la amiloidosis cardíaca y otras enfermedades con una prevalencia relativamente baja pero un impacto humano significativo con terapias dirigidas cuando se detectan temprano. Esta es un área particularmente adecuada para la IA, ya que existen múltiples imitaciones en las que enfermedades como la miocardiopatía hipertrófica, la amiloidosis cardíaca, la estenosis aórtica y otros fenotipos pueden ser similares visualmente, pero se pueden distinguir mediante algoritmos de IA. Los investigadores han desarrollado un algoritmo, denominado EchoNet-LVH, para identificar la hipertrofia cardíaca e identificar a los pacientes que se beneficiarían de una detección adicional de amiloidosis cardíaca, miocardiopatía hipertrófica y otras enfermedades. mi
Tipo de estudio
Inscripción (Anticipado)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
California
-
Los Angeles, California, Estados Unidos, 90048
- Reclutamiento
- Cedars-Sinai Medical Centre (Los Angeles)
-
Contacto:
- David Ouyang, MD
- Número de teléfono: 832-495-1605
- Correo electrónico: david.ouyang@cshs.org
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Pacientes con alta sospecha de amiloidosis cardiaca por algoritmo de IA
Criterio de exclusión:
- Pacientes que se niegan a ser atendidos en una clínica especializada
- Pacientes que han fallecido
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
---|---|
Detección de inteligencia artificial para la amiloidosis cardíaca
Un algoritmo de inteligencia artificial producirá una probabilidad de amiloidosis cardíaca que desencadenará la derivación a una clínica especializada para una evaluación adicional.
|
Un algoritmo de IA identifica HVI, bajo voltaje y alta sospecha de amiloidosis cardíaca.
La intervención es la puntuación de sospecha.
Los pacientes con una puntuación alta de sospecha serán remitidos a una clínica especializada para una evaluación, detección y tratamiento estándar de atención según lo determinen los médicos.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Número de nuevos diagnósticos de amiloidosis cardíaca encontrados
Periodo de tiempo: 6 meses
|
A partir de la revisión de expedientes, identificación de pacientes que tienen un diagnóstico posterior de amiloidosis cardíaca
|
6 meses
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Número de nuevos diagnósticos de amiloidosis TTR encontrados
Periodo de tiempo: 6 meses
|
A partir de la revisión de expedientes, identificación de pacientes que tienen un diagnóstico posterior de amiloidosis TTR
|
6 meses
|
Número de nuevos diagnósticos de amiloidosis AL encontrados
Periodo de tiempo: 6 meses
|
A partir de la revisión de expedientes, identificación de pacientes que tienen un diagnóstico posterior de amiloidosis AL
|
6 meses
|
Colaboradores e Investigadores
Patrocinador
Publicaciones y enlaces útiles
Enlaces Útiles
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
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- STUDY00001720
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (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. .