Uuden konvoluutiohermoverkon kehittäminen rytmihäiriöiden luokittelua varten (AI-ECG)
keskiviikko 4. marraskuuta 2020 päivittänyt: Sanjeev Bhavnani MD, Scripps Clinic
Uuden konvoluutiohermoverkon kehittäminen järkyttävien sydämen rytmien rytmihäiriöluokitukseen
Oikean rytmihäiriön tunnistaminen klinikan tapahtumahetkellä, mukaan lukien sydämenpysähdys, on erittäin tärkeää potilaille, terveydenhuoltoorganisaatioille ja kansanterveydelle.
Tekoälyn ja koneoppimisen viimeaikainen kehitys tarjoaa uusia mahdollisuuksia sydämen rytmihäiriöiden nopeaan ja täsmälliseen diagnosointiin sekä uusien mobiiliterveys- ja sydämen telemetrialaitteiden käyttöön potilaiden hoidossa.
Nykyisen tutkimuksen tavoitteena on validoida uusi tekoälyn tilastollinen lähestymistapa, jota kutsutaan "konvoluutiohermoverkkoluokittajaksi" ja sen suorituskykyä erilaisissa rytmihäiriöissä, jotka on diagnosoitu 12-kytkentäisellä EKG:llä ja yksikytkentäisellä Holter-/tapahtumaseurannalla.
Näihin rytmihäiriöihin kuuluvat; eteisvärinä, supraventrikulaarinen takykardia, AV-katkos, asystole, kammiotakykardia ja kammiovärinä, ja ne verrataan American Heart Associationin suorituskykykriteereihin (95 %:n yksipuolinen luottamusväli 67-92 % rytmihäiriötyypin perusteella).
Tätä varten tutkimuksen lähestymistapana on luoda suuri EKG-tietokanta tunnistamattomista raaka-EKG-tiedoista ja kouluttaa hermoverkko EKG-tiedoilla diagnostisen tarkkuuden parantamiseksi.
Tutkimuksen yleiskatsaus
Tila
Valmis
Interventio / Hoito
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
25458
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
California
-
San Diego, California, Yhdysvallat, 92037
- Scripps Clinic
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- AIKUINEN
- OLDER_ADULT
- LAPSI
Hyväksyy terveitä vapaaehtoisia
Joo
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Henkilöt, joille tehdään 12-kytkentäinen EKG tai Holter-/tapahtumaseuranta
Kuvaus
Sisällyttämiskriteerit:
- Kaikki EKG-tiedot on koottu 12-kytkentäisen EKG-, yhden ja usean kytkentäisen EKG-tietokannasta
Poissulkemiskriteerit:
- Ei mitään
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
EKG-tiedot
Koodatut tiedot mukaan lukien; aallonpituudet, amplitudi, intervallit, ajoitus, taajuus
|
Konvoluutiohermoverkko on konfiguroitu vastaanottamaan EKG-segmentti syötteenä ja generoimaan lähdön, joka ilmaisee, edustaako vastaanotettu EKG-segmentti sydämen rytmihäiriötä.
Konvoluutiohermoverkossa ei tunnisteta EKG:n erityispiirteitä, eikä vastaanotettua EKG-segmenttiä suodateta, muunneta tai prosessoida ennen kuin se vastaanottaa algoritmin.
Algoritmia opetetaan samalla tavalla - EKG-segmentit ovat ainoa syöttö konvoluutiohermoverkkoon.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Diagnostinen tarkkuus
Aikaikkuna: 1 VUOSI
|
American Heart Associationin EKG:n suorituskykykriteerit
|
1 VUOSI
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Tutkijat
- Päätutkija: Sanjeev Bhavnani, MD, Scripps Clinic Medical Group
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- 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.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (TODELLINEN)
Maanantai 1. lokakuuta 2018
Ensisijainen valmistuminen (TODELLINEN)
Sunnuntai 1. maaliskuuta 2020
Opintojen valmistuminen (TODELLINEN)
Torstai 1. lokakuuta 2020
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Keskiviikko 5. syyskuuta 2018
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Keskiviikko 5. syyskuuta 2018
Ensimmäinen Lähetetty (TODELLINEN)
Perjantai 7. syyskuuta 2018
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (TODELLINEN)
Perjantai 6. marraskuuta 2020
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Keskiviikko 4. marraskuuta 2020
Viimeksi vahvistettu
Sunnuntai 1. marraskuuta 2020
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 027527
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .