Koneoppimismalliin perustuva monikeskustutkimus NSTE-ACS-potilaiden varhaisesta diagnoosista
tiistai 29. joulukuuta 2020 päivittänyt: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
NSTEMI- ja UA-potilaiden varhainen diagnoosi tapahtuu pääasiassa koneoppimismallin rakentamisen kautta.
Tutkimuksen yleiskatsaus
Tila
Tuntematon
Interventio / Hoito
Yksityiskohtainen kuvaus
Mukaan otettiin NSTEMI- ja UA-potilaat.
Manuaalisen merkinnän jälkeen valittiin potilaiden vastaanottotietueen ominaisuudet.
75 % tiedoista käytetään mallin rakentamiseen ja 25 % tiedoista mallin validiteetin tarkistamiseen.
NSTEMI- ja UA-potilaiden tunnistamiseksi ja diagnosoimiseksi rakennettiin viisi yksiulotteisen konvoluution (CNN), naiivin Bayesin (NB), tukivektorikoneen (SVM), satunnaismetsän (RF) ja ensemble learning -luokitusmallia.
Monikertaista ristiinvalidointia ja ROC-AUC-käyrää käytetään mallien etujen ja haittojen mittaamiseen.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
2500
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Xinjiang
-
Ürümqi, Xinjiang, Kiina, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
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 - 75 vuotta (Aikuinen, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei käytössä
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
NSTEMI- ja UA-potilaat sisällytettiin Xinjiangin lääketieteellisen yliopiston ensimmäisen liitännäissairaalan rintakipukeskukseen ja Shihezin yliopiston lääketieteellisen korkeakoulun ensimmäiseen liitännäissairaalaan vuosina 2017–2019.
Kuvaus
Sisällyttämiskriteerit:
- Potilaat otettiin mukaan ja suljettiin pois tiukasti kiinalaisten ei-ST-segmentin nousun akuutin sepelvaltimoiden oireyhtymän diagnosointiin ja hoitoon liittyvien diagnostisten kriteerien mukaisesti (2016). Potilaat vietiin sairaalaan rintakipujen pääasiallisena valituksena, ja heidät otettiin Xinjiangin lääketieteellisen yliopiston ensimmäiseen liitännäissairaalaan ja Shihezin yliopiston lääketieteellisen korkeakoulun ensimmäiseen liitännäissairaalaan. potilailla diagnosoitiin NSTEMI ja UA sepelvaltimon angiografiassa (ikähaarukka 30-75 vuotta).
Poissulkemiskriteerit:
- 1. Potilaat, joilla on STEMI, aortan dissekoiva aneurysma, ilmarinta ja muu ei-kardiogeeninen rintakipu. 2. Vaikea maksan vajaatoiminta, primaarinen kasvain ilman kirurgista hoitoa, ei-vakava infektio, johon liittyy sokki ja raskaana olevat naiset. 3. Aikaisempi vakava läppäsairaus, virusperäinen sydänlihastulehdus, sydänpussin effuusio, sydämentahdistimen implantaatio, kardiogeeninen sokki, johon liittyy vakavia komplikaatioita, hypertensiivinen sydänsairaus, erilainen kardiomyopatia, synnynnäinen sydänsairaus jne.
4. Aiemmin diagnosoitiin potilaita, joilla oli sydänsairaus, AECOPD, keuhkokasvain ja kilpirauhasen liikatoiminta.
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 |
|---|---|
|
CNN malli
NSTEMI- ja UA-potilaiden sähköiset terveystiedot kahdessa rintakipukeskuksessa vuosilta 2017-2019 kerättiin, manuaalisen merkinnän jälkeen valittiin potilastietueiden ominaisuudet ja rakennettiin yksiulotteinen konvoluutiomalli (CNN).
Kun mittausindeksiksi otetaan moninkertainen ristiinvalidointi ja ROC-AUC-käyrä, 75 % tiedoista mallinnetaan ja 25 % tiedoista käytetään mallin vaikutuksen todentamiseen.
|
NTEMI-potilaiden varhainen diagnoosi koneoppimismallilla
|
|
XG-tehostus
XG-boost-mallin rakentamisen avulla, ottaen mittausindeksiksi moninkertaisen ristiinvalidoinnin ja ROC-AUC-käyrän, 75 % tiedoista mallinnetaan ja 25 % tiedoista käytetään mallin vaikutuksen tarkistamiseen.
|
NTEMI-potilaiden varhainen diagnoosi koneoppimismallilla
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
NSTEMI:n tarkka diagnoosi potilailta, joilla on akuutti rintakipu
Aikaikkuna: 1 vuoden sisällä
|
NSTEMI-potilaat diagnosoidaan tarkasti potilailta, joilla on akuutti rintakipu koulutetun koneoppimisalgoritmin avulla.
Mallissamme käytetään moninkertaista ristiinvalidointia ja ROC-AUC-käyrää mittausindeksinä, 75 % tiedoista mallinnetaan ja 25 % tiedoista varmistaa mallin vaikutuksen.
Tästä syystä laskemme tarkkuuden, spesifisyyden ja todennäköisyyssuhteen, kun herkkyyden raja-arvo on 0,9.
|
1 vuoden sisällä
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Yhteistyökumppanit
Tutkijat
- Päätutkija: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Opintojohtaja: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Päätutkija: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- 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.
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)
Sunnuntai 20. joulukuuta 2020
Ensisijainen valmistuminen (Odotettu)
Maanantai 20. joulukuuta 2021
Opintojen valmistuminen (Odotettu)
Keskiviikko 1. kesäkuuta 2022
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Lauantai 19. joulukuuta 2020
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Lauantai 19. joulukuuta 2020
Ensimmäinen Lähetetty (Todellinen)
Torstai 24. joulukuuta 2020
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Torstai 31. joulukuuta 2020
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Tiistai 29. joulukuuta 2020
Viimeksi vahvistettu
Tiistai 1. joulukuuta 2020
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- XMa
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
PÄÄTTÄMÄTÖN
IPD-suunnitelman kuvaus
Koneoppimismalli UA- ja NSTMI-potilaiden tunnistamiseen
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 .