Varoitusmalli sydänlihaksen uusiutumisesta akuutin sydäninfarktin jälkeen käyttämällä multimodaalista ominaisrakennetekniikkaa
sunnuntai 28. huhtikuuta 2024 päivittänyt: Xuanwu Hospital, Beijing
Varhaisvaroitusmalli sydänlihaksen uusiutumisesta akuutin sydäninfarktin jälkeen, joka perustuu multimodaaliseen ominaisuusrakenneteknologiaan
Akuutti sydäninfarkti (AMI) on yksi tärkeimmistä ihmishenkeä uhkaavista sairauksista. Nykyiset MI-ennusteen ennusteasteikot ennustavat enimmäkseen kuoleman, uusiutuvan sydäninfarktin ja sydämen vajaatoiminnan ilmaantuvuuden 6-8 kliinisen tekstiindikaattorin avulla, ja tiedot kerätään suhteellisen yksinkertaisesti. Sydänlihaksen uusiutuminen haitallisena patologisena muutoksena, joka voi alkaa ja jatkuu varhaisessa vaiheessa sydäninfarktin jälkeen, on sydämen vajaatoiminnan ja kuoleman pääasiallinen patologinen mekanismi. Kuitenkaan ei ole olemassa kvantitatiivista varhaisvaroitusmallia sydänlihaksen uusiutumisesta, ja kliiniset ohjeet varhaiseen puuttumiseen puuttuvat.
Edellisessä tutkimuksessamme havaittiin, että sydämen magneettikuvaus voi tarkasti määrittää nekroottisen alueen ja palautuvan sydänlihaksen turvotussa sydänlihassa sydäninfarktin jälkeen. Tässä tutkimuksessa koneoppimisalgoritmia, muuttujakonvoluutioverkkoa (DCN) ja kapseliverkkoa (capsnet) käytetään uuden hermoverkkoarkkitehtuurin rakentamiseen. Multimodaalisen kliinisen kuvan datan, kuten MRI:n ja ultraäänen, rakenteellisten piirteiden erottaminen toteutetaan. Yhdessä vakiintuneen 3 000 sydäninfarktipotilaan tietokannan kanssa rakennetaan multimodaalinen ominaisuusmatriisi, ja erilaisia luokittajia, kuten tukivektorikonetta (SVM) ja satunnaismetsää (RF), käytetään sydänlihaksen uudelleenmuodostumisen kvantitatiiviseen ennustamiseen. eri luokittimien vaikutuksia arvioitiin. Tämän hankkeen odotetaan luovan kvantitatiivisen varhaisvaroitusmallin sydänlihaksen uusiutumisesta akuutin sydäninfarktin jälkeen kiinalaisten ominaisuuksien mukaisesti. Samantyyppisiä tietoja tietokannan ulkopuolelta käytetään varmennukseen tehokkaan ja vakaan varhaisvaroitusmallin luomiseksi.
Tutkimuksen yleiskatsaus
Tila
Aktiivinen, ei rekrytointi
Ehdot
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
4000
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Xicheng
-
Beijing, Xicheng, Kiina, 100000
- Xuanwu Hospital, Capital 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
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Kriteerit akuutin sydäninfarktin diagnosoimiseksi:
kohonneet tai vähentyneet sydämen biomarkkerit (mieluiten cTn), vähintään kerran ylittävät ylemmän viitearvon 99. persentiilin, rajavaihtelu ≤10 % ja vähintään yksi näyttö sydänlihasiskemiasta (mukaan lukien oireet, elektrokardiografiset iskeemiset muutokset, patologinen Q- aallot tai kuvantamistodisteet).
Kuvaus
Sisällyttämiskriteerit:
- 1.Potilaat, joilla on akuutti sydäninfarkti, iältään 18-80 vuotta; 2. Aika aloituksesta hoitoon on alle 72 tuntia 3. Sydänlihasentsyymi Tni/Tnt(+).
Poissulkemiskriteerit:
- 1. Potilaat, joilla on pahanlaatuisia kasvaimia; 2. Potilaat, jotka eivät voineet saada tavanomaista hoitoa 3. Potilaat, jotka eivät saaneet sepelvaltimon angiografiaa, joilla ei ole anatomisia ja kuvantamistietoja; 4. Potilaat, joille on tehty sydänleikkaus (paitsi sepelvaltimon ohitusleikkaus)
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Uusi konvoluutiohermoverkkoalgoritmi ja sydämen magneettikuvaus sydänlihaksen remodellingin esiintymisen arvioimiseksi. remodeling sydäninfarktin jälkeen.
Aikaikkuna: 1 vuosi
|
(Sydänlihaksen uudelleenmuotoilun kvantitatiivinen karakterisointi, sydämen magneettikuvaus, joka määrittää nekroottisten alueiden ja palautuvan sydänlihaksen turvotussa sydänlihassa sydäninfarktin jälkeen).
|
1 vuosi
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Olemassa olevan tietokannan moniulotteisia indeksejä verrattiin sydänlihaksen uudelleenmuotoilun sijaintiin ja etenemiseen tekoälymenetelmällä. Korrelaatioanalyysin aste.
Aikaikkuna: 1 vuosi
|
Kehitetyn uuden Deformable Convolutional Capsule -verkon avulla Networks (DCCN) -tutkimus keskittyi olemassa olevaan kliinisen ja kuvantamisen kattavaan akuutin sydäninfarktin potilaiden tietokantaan. Tiedoille suoritettiin koneoppiminen asiaankuuluvien piirteiden poimimisen ja loogisen suhdeanalyysin saattamiseksi päätökseen. sydänlihaksen uudelleenmuotoilu sydäninfarktin jälkeen. Vahvat korrelaatiopiirteet seulottiin. |
1 vuosi
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Zhi Liu, Xuanwu Hospital, Beijing
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- McMurray JJ, Packer M, Desai AS, Gong J, Lefkowitz MP, Rizkala AR, Rouleau JL, Shi VC, Solomon SD, Swedberg K, Zile MR; PARADIGM-HF Investigators and Committees. Angiotensin-neprilysin inhibition versus enalapril in heart failure. N Engl J Med. 2014 Sep 11;371(11):993-1004. doi: 10.1056/NEJMoa1409077. Epub 2014 Aug 30.
- Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al-Mallah MH, Andreini D, Budoff MJ, Cademartiri F, Callister TQ, Chang HJ, Chinnaiyan K, Chow BJ, Cury RC, Delago A, Gomez M, Gransar H, Hadamitzky M, Hausleiter J, Hindoyan N, Feuchtner G, Kaufmann PA, Kim YJ, Leipsic J, Lin FY, Maffei E, Marques H, Pontone G, Raff G, Rubinshtein R, Shaw LJ, Stehli J, Villines TC, Dunning A, Min JK, Slomka PJ. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J. 2017 Feb 14;38(7):500-507. doi: 10.1093/eurheartj/ehw188.
- Anderson L, Oldridge N, Thompson DR, Zwisler AD, Rees K, Martin N, Taylor RS. Exercise-Based Cardiac Rehabilitation for Coronary Heart Disease: Cochrane Systematic Review and Meta-Analysis. J Am Coll Cardiol. 2016 Jan 5;67(1):1-12. doi: 10.1016/j.jacc.2015.10.044.
- Hausenloy DJ, Yellon DM. Myocardial ischemia-reperfusion injury: a neglected therapeutic target. J Clin Invest. 2013 Jan;123(1):92-100. doi: 10.1172/JCI62874. Epub 2013 Jan 2.
- Moran AE, Forouzanfar MH, Roth GA, Mensah GA, Ezzati M, Murray CJ, Naghavi M. Temporal trends in ischemic heart disease mortality in 21 world regions, 1980 to 2010: the Global Burden of Disease 2010 study. Circulation. 2014 Apr 8;129(14):1483-92. doi: 10.1161/CIRCULATIONAHA.113.004042. Epub 2014 Feb 26.
- Abuomara HZA, Hassan OM, Rashid T, Baraka M. Myocardial performance index as an echocardiographic predictor of early in-hospital heart failure during first acute anterior ST-elevation myocardial infarction. Egypt Heart J. 2018 Jun;70(2):71-75. doi: 10.1016/j.ehj.2017.12.001. Epub 2017 Dec 24.
- Hendriks T, Schurer RAJ, Al Ali L, van den Heuvel AFM, van der Harst P. Left ventricular restoration devices post myocardial infarction. Heart Fail Rev. 2018 Nov;23(6):871-883. doi: 10.1007/s10741-018-9711-2.
- Iborra-Egea O, Galvez-Monton C, Roura S, Perea-Gil I, Prat-Vidal C, Soler-Botija C, Bayes-Genis A. Mechanisms of action of sacubitril/valsartan on cardiac remodeling: a systems biology approach. NPJ Syst Biol Appl. 2017 Apr 18;3:12. doi: 10.1038/s41540-017-0013-4. eCollection 2017.
- Seferovic PM, Fragasso G, Petrie M, Mullens W, Ferrari R, Thum T, Bauersachs J, Anker SD, Ray R, Cavusoglu Y, Polovina M, Metra M, Ambrosio G, Prasad K, Seferovic J, Jhund PS, Dattilo G, Celutkiene J, Piepoli M, Moura B, Chioncel O, Ben Gal T, Heymans S, Jaarsma T, Hill L, Lopatin Y, Lyon AR, Ponikowski P, Lainscak M, Jankowska E, Mueller C, Cosentino F, Lund LH, Filippatos GS, Ruschitzka F, Coats AJS, Rosano GMC. Heart Failure Association of the European Society of Cardiology update on sodium-glucose co-transporter 2 inhibitors in heart failure. Eur J Heart Fail. 2020 Nov;22(11):1984-1986. doi: 10.1002/ejhf.2026. Epub 2020 Oct 27.
- Pasternak B, Ueda P, Eliasson B, Svensson AM, Franzen S, Gudbjornsdottir S, Hveem K, Jonasson C, Wintzell V, Melbye M, Svanstrom H. Use of sodium glucose cotransporter 2 inhibitors and risk of major cardiovascular events and heart failure: Scandinavian register based cohort study. BMJ. 2019 Aug 29;366:l4772. doi: 10.1136/bmj.l4772.
- West R, Jones D. Cardiac rehabilitation and mortality reduction after myocardial infarction: the emperor's new clothes? Evidence against cardiac rehabilitation. Heart. 2013 Jul;99(13):911-3. doi: 10.1136/heartjnl-2013-303705. Epub 2013 May 4.
- Milani RV, Lavie CJ. Impact of cardiac rehabilitation on depression and its associated mortality. Am J Med. 2007 Sep;120(9):799-806. doi: 10.1016/j.amjmed.2007.03.026.
- Karuzas A, Rumbinaite E, Verikas D, Ptasinskas T, Muckiene G, Kazakauskaite E, Zabiela V, Jurkevicius R, Vaskelyte JJ, Zaliunas R, Zaliaduonyte-Peksiene D. Accuracy of three-dimensional systolic dyssynchrony and sphericity indexes for identifying early left ventricular remodeling after acute myocardial infarction. Anatol J Cardiol. 2019 Jun;22(1):13-20. doi: 10.14744/AnatolJCardiol.2019.02844.
- Kagiyama N, Shrestha S, Cho JS, Khalil M, Singh Y, Challa A, Casaclang-Verzosa G, Sengupta PP. A low-cost texture-based pipeline for predicting myocardial tissue remodeling and fibrosis using cardiac ultrasound. EBioMedicine. 2020 Apr;54:102726. doi: 10.1016/j.ebiom.2020.102726. Epub 2020 Apr 6.
- Chirinos JA, Sardana M, Ansari B, Satija V, Kuriakose D, Edelstein I, Oldland G, Miller R, Gaddam S, Lee J, Suri A, Akers SR. Left Atrial Phasic Function by Cardiac Magnetic Resonance Feature Tracking Is a Strong Predictor of Incident Cardiovascular Events. Circ Cardiovasc Imaging. 2018 Dec;11(12):e007512. doi: 10.1161/CIRCIMAGING.117.007512.
- Ranka S, Reddy M, Noheria A. Artificial intelligence in cardiovascular medicine. Curr Opin Cardiol. 2021 Jan;36(1):26-35. doi: 10.1097/HCO.0000000000000812.
- Ahmad T, Lund LH, Rao P, Ghosh R, Warier P, Vaccaro B, Dahlstrom U, O'Connor CM, Felker GM, Desai NR. Machine Learning Methods Improve Prognostication, Identify Clinically Distinct Phenotypes, and Detect Heterogeneity in Response to Therapy in a Large Cohort of Heart Failure Patients. J Am Heart Assoc. 2018 Apr 12;7(8):e008081. doi: 10.1161/JAHA.117.008081.
- Tokodi M, Schwertner WR, Kovacs A, Toser Z, Staub L, Sarkany A, Lakatos BK, Behon A, Boros AM, Perge P, Kutyifa V, Szeplaki G, Geller L, Merkely B, Kosztin A. Machine learning-based mortality prediction of patients undergoing cardiac resynchronization therapy: the SEMMELWEIS-CRT score. Eur Heart J. 2020 May 7;41(18):1747-1756. doi: 10.1093/eurheartj/ehz902.
- Sanchez-Cabo F, Rossello X, Fuster V, Benito F, Manzano JP, Silla JC, Fernandez-Alvira JM, Oliva B, Fernandez-Friera L, Lopez-Melgar B, Mendiguren JM, Sanz J, Ordovas JM, Andres V, Fernandez-Ortiz A, Bueno H, Ibanez B, Garcia-Ruiz JM, Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J Am Coll Cardiol. 2020 Oct 6;76(14):1674-1685. doi: 10.1016/j.jacc.2020.08.017.
- Commandeur F, Slomka PJ, Goeller M, Chen X, Cadet S, Razipour A, McElhinney P, Gransar H, Cantu S, Miller RJH, Rozanski A, Achenbach S, Tamarappoo BK, Berman DS, Dey D. Machine learning to predict the long-term risk of myocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue: a prospective study. Cardiovasc Res. 2020 Dec 1;116(14):2216-2225. doi: 10.1093/cvr/cvz321.
- Than MP, Pickering JW, Sandoval Y, Shah ASV, Tsanas A, Apple FS, Blankenberg S, Cullen L, Mueller C, Neumann JT, Twerenbold R, Westermann D, Beshiri A, Mills NL; MI3 Collaborative. Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. Circulation. 2019 Sep 10;140(11):899-909. doi: 10.1161/CIRCULATIONAHA.119.041980. Epub 2019 Aug 16.
- Tan JH, Hagiwara Y, Pang W, Lim I, Oh SL, Adam M, Tan RS, Chen M, Acharya UR. Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals. Comput Biol Med. 2018 Mar 1;94:19-26. doi: 10.1016/j.compbiomed.2017.12.023. Epub 2018 Jan 2.
- D'Ascenzo F, De Filippo O, Gallone G, Mittone G, Deriu MA, Iannaccone M, Ariza-Sole A, Liebetrau C, Manzano-Fernandez S, Quadri G, Kinnaird T, Campo G, Simao Henriques JP, Hughes JM, Dominguez-Rodriguez A, Aldinucci M, Morbiducci U, Patti G, Raposeiras-Roubin S, Abu-Assi E, De Ferrari GM; PRAISE study group. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. Lancet. 2021 Jan 16;397(10270):199-207. doi: 10.1016/S0140-6736(20)32519-8.
- Fernandez-Ruiz I. Machine learning predicts risk in ACS. Nat Rev Cardiol. 2021 Apr;18(4):230. doi: 10.1038/s41569-021-00521-8. 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)
Maanantai 10. lokakuuta 2022
Ensisijainen valmistuminen (Arvioitu)
Lauantai 1. kesäkuuta 2024
Opintojen valmistuminen (Arvioitu)
Lauantai 1. kesäkuuta 2024
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Sunnuntai 17. syyskuuta 2023
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Keskiviikko 27. syyskuuta 2023
Ensimmäinen Lähetetty (Todellinen)
Maanantai 2. lokakuuta 2023
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 30. huhtikuuta 2024
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Sunnuntai 28. huhtikuuta 2024
Viimeksi vahvistettu
Sunnuntai 1. lokakuuta 2023
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- xuanwuliuzhi
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
PÄÄTTÄMÄTÖN
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 .