- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT04598997
Tekoäly ja syvällinen sepelvaltimotaudin oppiminen (AIDECORO)
Tutkimuksen yleiskatsaus
Tila
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
Ilmoittautuminen (Odotettu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Gilles Barone-Rochette
- Puhelinnumero: +33476765172
- Sähköposti: gbarone@chu-grenoble.fr
Tutki yhteystietojen varmuuskopiointi
- Nimi: Pauline PERETOUT
- Puhelinnumero: +33476766700
- Sähköposti: pperetout@chu-grenoble.fr
Opiskelupaikat
-
-
-
Grenoble, Ranska, 38043
- Rekrytointi
- CHU Grenoble Alpes
-
Ottaa yhteyttä:
- Gilles Barone-Rochette
- Puhelinnumero: +33476765172
- Sähköposti: gbarone@chu-grenoble.fr
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
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
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
Sponsori
Tutkijat
- Päätutkija: Gilles Barone-Rochette, University Hospital, Grenoble
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Odotettu)
Opintojen valmistuminen (Odotettu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
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)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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
-
University of Texas at AustinValmisCardiovascular FitnessYhdysvallat
-
University of Wisconsin, MadisonWisconsin Department of Public InstructionValmisLihavuus | Cardiovascular Fitness
-
San Diego State UniversityArizona State UniversityValmisLiikunta | Cardiovascular FitnessYhdysvallat
-
Ottawa Hospital Research InstituteValmisStressi | Crisis Resource Management (CRM) -taidot | Advanced Cardiovascular Life Support (ACLS) -taidotKanada