Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Tekoäly ja syvällinen sepelvaltimotaudin oppiminen (AIDECORO)

keskiviikko 18. toukokuuta 2022 päivittänyt: University Hospital, Grenoble
Sydäninfarktin (MI) hoidossa saavutetusta edistyksestä huolimatta siihen liittyvä sairastuvuus ja kuolleisuus ovat edelleen korkeat. Lukuisat tieteelliset tiedot osoittavat, että sepelvaltimon mikroverenkierron (CM) vaurioituminen STEMI:n aikana on edelleen ongelma, koska sen mittaustekniikat ovat edelleen epätäydellisiä. Meillä on yksinkertaisia ​​menetelmiä MC:n vaurion arvioimiseen alkuperäisen sepelvaltimon angiografian aikana, joista tunnetuin on sydänlihaksen punastuman asteen (MBG) laskenta, mutta joka on puolikvantitatiivinen ja siksi ei kovin tarkka, tai tarkempia kuvantamistekniikoita, kuten sydämen magneettikuvaus, joka tehdään 48 tuntia infarktin jälkeen ja joiden vuoksi varhaisessa vaiheessa sovellettavien hoitomuotojen kehittäminen ei ole kovin suotuisaa. Viime aikoina erityisten sepelvaltimon ohjaimien käyttö tarkan CM-indeksin mittaamiseen on edelleen epäoptimaalista, koska se pidentää toimenpidettä. Tieto on kuitenkin kuvassa, ja tämä tieto voisi mahdollistaa potilaan CM:n mukaisten terapeuttisten strategioiden kehittämisen. Itse asiassa jodin saapuminen CM:ään lisää kuvan pikselien tiheyttä, mikä on osoitettu vuonna 2009 käyttöön otetun ohjelmiston avulla, joka mahdollistaa MBG:n laskemisen tietokoneavusteisesti. Mutta tämän ohjelmiston suorituskyky ei sallinut sen laajaa leviämistä. Nykyään lääketieteellisen kuva-analyysin ala edustaa häikäisevää edistystä tekoälyn (AI) ansiosta. Deep Learning, koneoppimisen alaluokka, on luultavasti tehokkain tekoälymuoto automatisoituun kuva-analyysiin nykyään. Se koostuu keinotekoisten hermosolujen verkostosta, ja se mahdollistaa erittäin suuren määrän tunnettuja esimerkkejä käyttämällä poimia kuvan tärkeimmät ominaisuudet tietyn ongelman ratkaisemiseksi. Siten se käyttää tuhansia tietoja, joita joskus ei huomaa paljaalla silmällä. Oletamme, että valvottu Deep Learning -algoritmi, joka on koulutettu joukolla relevantteja tietoja, pystyy tunnistamaan potilaan, jonka ennuste on halventava, mikä todennäköisesti liittyy kuvassa näkyvään mikroverenkiertohäiriöön.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Yksityiskohtainen kuvaus

Tämän tutkimuksen tavoitteena on kehittää algoritmi, joka pystyy tunnistamaan potilaat, joilla on huonot ennustekriteerit sairaalahoidon aikana STEMI:n vuoksi onnistuneesta revaskularisaatiosta huolimatta analysoimalla sepelvaltimon angiografiakuvia valvotuilla Deep Learning -tyyppisillä tekoälymenetelmillä.

Protokolla jaetaan 4 vaiheeseen:

- Vaihe 1: Potilaan valinta

Tiedonlouhinta potilaiden tunnistamiseksi ja valitsemiseksi PMSI-tietojen avulla. Potilaisiin ollaan yhteydessä puhelimitse osallistumissopimuksen tarkistamiseksi ja ensisijaisen tuloksen keräämiseksi. Muut tiedot potilaan lääketieteellisestä tiedostosta kerätään PREDIMEDin kautta.

- Vaihe 2: Tietojen merkintä

Tunnistaa jokaiselle potilaalle, jolla on onnistunut revaskularisaatio tavallisten kriteerien mukaisesti (TIMI Flow = 3, MBG = 2 tai 3 ja ST-segmentin erotuskyky > 70 %), onko hänellä STEMI:n vuoksi sairaalahoitoon tullessaan pejoratiivista kehitystä. kriteerit, jotka määritellään kuolemantapauksen tai uudelleen sairaalahoitoon sydämen vajaatoiminnan vuoksi seurantahetkellä. Tämä vaihe vaatii angioplastian asiantuntemusta ja johtaa 600 tapauksen tietokannan luomiseen. Algoritmin kouluttamiseksi tunnistamaan kuvia STEMI-revaskularisaatiossa tunnistetaan myös 1000 normaalia sepelvaltimon angiografiaa, jotka on tehty vakaassa sairauden yhteydessä.

- Vaihe 3: Uuden menetelmän kehittäminen sepelvaltimon angiografiakuvien analysoimiseksi potilaiden tunnistamiseksi, joilla on epäoptimaalinen revaskularisaatio.

Kehitetään Tensorflow/Keras-kirjastojen avulla valvottu Deep Learning AI -algoritmi, joka on koulutettu tunnistamaan potilaat, joilla on ei-optimaalinen revaskularisaatio (potilas, jolla on huono ennuste). Algoritmi perustuu konvoluutiohermoverkkometodologiaan ja mallia opetetaan käyttämällä kahden edellisen vaiheen tietoja. Koko mielenkiinnon kohteena olevaa sarjaa tai osaa siitä käytetään mallin syötteessä, joka ehdottaa lähdössä potilaan hyvän tai huonon ennusteen todennäköisyyttä. 1000 täydentävää sepelvaltimon angiografiaa käytetään keinotekoisesti lisäämään oppimispohjaa lisäämällä tapausten lukumäärä tai niitä käytetään siirtooppimismenetelmään.

- Vaihe 4: Patofysiologisen hypoteesin arviointi.

Tekoälyn suurin heikkous on "musta laatikko". Eli algoritmi voi ennustaa oikein tietämättä miten. Tällöin tulosta on vaikea yhdistää fysiopatologiseen ilmiöön ja kehittää terapiaa. Tässä arvioimme algoritmin tuloksen korrelaatiota Guardiancory-tutkimuksen potilailla käytetyn CD-mittauksen vertailumenetelmän kanssa (NCT03087175).

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Odotettu)

600

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Tutki yhteystietojen varmuuskopiointi

Opiskelupaikat

  • Ranska
      • Grenoble, Ranska, 38043
        • Rekrytointi
        • CHU Grenoble Alpes
        • Ottaa yhteyttä:

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

18 vuotta ja vanhemmat (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Aikuiset potilaat, joille tehdään sepelvaltimon angioplastian revaskularisaatio CHUGAssa STEMI:n vuoksi vuosina 2015–2018.

Kuvaus

Sisällyttämiskriteerit:

  • Ikä yli 18 vuotta
  • Potilaat, joille on tehty sepelvaltimon angioplastian revaskularisaatio CHUGAssa STEMI:n vuoksi vuosina 2015–2018, joille kuvia voidaan käyttää.
  • Potilas, joka kuuluu sosiaaliturvaan
  • Osallistumisen vastustamattomuus

Poissulkemiskriteerit:

  • Sepelvaltimokuvaa ei voi käyttää
  • Potilas on holhouksen alainen tai vapausriistetty

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

  • Havaintomallit: Kohortti
  • Aikanäkymät: Tulevaisuuden

Kohortit ja interventiot

Ryhmä/Kohortti
Prospektiivitutkimukseen osallistui 600 potilasta
Näihin potilaisiin otetaan yhteyttä puhelimitse, heille tarjotaan osallistumista tutkimukseen ja heille lähetetään tiedote ja ei-vastuukirje. Jos kieltäydytään, tietoja ei käytetä.
1000 potilasta ei-ihmistutkimuksessa
Algoritmin kouluttamiseksi tunnistamaan kuvia STEMI-revaskularisaatiossa tunnistetaan myös 1000 normaalia sepelvaltimon angiogrammia, jotka suoritetaan vakaassa sairauden yhteydessä.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Kuolema tai uudelleen sairaalahoito sydämen vajaatoiminnan vuoksi
Aikaikkuna: Lähtötilanne (puhelun aikaan) - marraskuusta 2020 ja tammikuusta 2021 [odotettu]
Ennustetarkkuus arvioidaan laskemalla testikohortin herkkyys, spesifisyys, positiivinen ennustearvo ja negatiivinen ennustearvo.
Lähtötilanne (puhelun aikaan) - marraskuusta 2020 ja tammikuusta 2021 [odotettu]

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Algoritmitutkimus
Aikaikkuna: Tietojen annotoinnin (vaihe 2) ja algoritmin kehittämisen (vaihe 3) jälkeen - tammikuussa 2022 [odotettu]
Algoritmin tuloksen korrelaatioiden tutkiminen sepelvaltimon mikroverenkierron mittausmenetelmän kanssa.
Tietojen annotoinnin (vaihe 2) ja algoritmin kehittämisen (vaihe 3) jälkeen - tammikuussa 2022 [odotettu]

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

University Hospital, Grenoble

Tutkijat

  • Päätutkija: Gilles Barone-Rochette, University Hospital, Grenoble

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)

Tiistai 20. lokakuuta 2020

Ensisijainen valmistuminen (Odotettu)

Sunnuntai 1. tammikuuta 2023

Opintojen valmistuminen (Odotettu)

Sunnuntai 1. tammikuuta 2023

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Maanantai 5. lokakuuta 2020

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Perjantai 16. lokakuuta 2020

Ensimmäinen Lähetetty (Todellinen)

Torstai 22. lokakuuta 2020

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Torstai 19. toukokuuta 2022

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Keskiviikko 18. toukokuuta 2022

Viimeksi vahvistettu

Sunnuntai 1. toukokuuta 2022

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • 38RC20.307
  • 2020-A02379-30 (Muu tunniste: ID RCB)

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 .

Kliiniset tutkimukset Sydän-ja verisuonitaudit

Hae vastaavia kokeiluja

Sponsorit ja yhteistyökumppanit

Sairaudet

Huumeiden interventiot

CROs by country

CROs in Kuwait

Ehdot

Harvinaiset sairaudet

Huumeiden interventiot

Ravintolisät

Sponsori / yhteistyökumppanit

Sijainnit

3
Tilaa