AI-EKG sydämen systolisen vajaatoiminnan ajallisesti eroteltuun ennustamiseen
Sähkökardiogrammiin perustuva syväoppiminen sydämen vajaatoiminnan ennustamiseksi ajan suhteen: monikansallinen tutkimus
Tämä tutkimus pyrkii kehittämään ja validoimaan syväoppimiseen perustuvan elektrokardiogrammin (EKG) mallin, jolla ennustetaan sydämen vajaatoiminnan riskiä vähentyneellä ejektiofraktiolla (HFrEF). Malli koulutetaan käyttämällä raakaa 12-liitännän EKG-dataa ja se tuottaa yksilöllisiä, aikaresoluutioisia riskiarvioita 5 vuoden ajalta.
Data kerätään useista kohorteista, mukaan lukien Zhongshan-sairaala, Shanghain kymmenen kansan sairaala ja Beth Israel Deaconess Medical Center, jotka edustavat erilaisia väestöjä Kiinassa ja Yhdysvalloissa. Malli on suunniteltu tunnistamaan henkilöt, joilla on kohonnut riski sairastua HFrEF:iin ennen selkeän kliinisen taudin alkua.
Mallin suorituskykyä arvioidaan käyttämällä useita täydentäviä mittareita, kuten erottelukykyä, kalibrointia ja kliinistä hyötyä. Lisäksi suoritetaan tulkittavuusanalyysiä tutkiakseen ennustetun riskiin liittyvien EKG-ominaisuuksien fysiologista merkitystä.
Tämä tutkimus pyrkii tarjoamaan helposti saatavilla olevan ja skaalautuvan työkalun sydämen vajaatoiminnan varhaiseen riskiryhmittelyyn, jolla on potentiaalia tukea ajallaan tehtyjä kliinisiä päätöksiä ja parantaa potilaiden hoitotuloksia.
Tutkimuksen yleiskatsaus
Tila
Yksityiskohtainen kuvaus
Redusoidun ejektiofraktion sydämen vajaatoiminta (HFrEF) liittyy merkittävään sairastavuuteen ja kuolleisuuteen maailmanlaajuisesti, ja riskialttiiden henkilöiden varhainen tunnistaminen on edelleen suuri kliininen haaste. Vaikka olemassa olevat riskimallit ja biomarkkerit voivat tarjota ennusteellista tietoa, niiden käyttöä rajoittaa usein laboratoriotestauksen tai kuvantamisen tarve sekä suorituskyvyn vaihtelu eri väestöryhmissä.
Tässä tutkimuksessa kehitämme syväoppimiseen perustuvan selviytymismallin, joka käyttää raakaa 12-liittimellä tehtyä elektrokardiogrammi (EKG) -dataa ennustamaan HFrEF:n tulevaa puhkeamista. Malli on suunniteltu tuottamaan yksilöllisiä, tapahtumaan asti kestäviä riskiarvioita viiden vuoden seuranta-ajanjakson aikana, mikä mahdollistaa riskien dynamiikan arvioinnin staattisen luokittelun sijaan.
Mallia koulutetaan Zhongshan-sairaalan tiedoilla, ja sitä validoidaan ulkoisesti itsenäisissä kohorteissa Shanghai Tenth People's Hospitalista ja Beth Israel Deaconess Medical Centeristä. Nämä kohortit sisältävät laajan potilaskirjon, yksilöistä ilman tunnettua sydän- ja verisuonitautia potilaisiin moninaisilla kliinisillä tiloilla, mikä mahdollistaa mallin yleistettävyyden arvioinnin eri terveydenhuoltojärjestelmissä ja demografisissa alaryhmissä.
Mallin suorituskykyä arvioidaan kattavasti useilla mittareilla, mukaan lukien konsensusindeksi, vastaanottajan toimintakäyrän alue ajan funktiona, tarkkuus-muistokäyrän alla oleva alue, Brier-pistemäärä, kalibrointianalyysi ja päätöskäyräanalyysi. Riskien kerrostumiskykyä arvioidaan Kaplan-Meierin selviytymisanalyysin avulla.
Tulkittavuuden parantamiseksi sovelletaan täydentäviä esitykseen ja tarkkaavuuteen perustuvia menetelmiä. Nämä sisältävät variaatioautokooderista johdetun latenttien ominaisuuksien analyysin, korrelaation perinteisten EKG-parametrien kanssa sekä gradienttiin perustuvia visualisointitekniikoita tunnistamaan aaltomuotoalueet, jotka vaikuttavat mallin ennusteisiin. Näillä lähestymistavoilla pyritään varmistamaan, että malli havaitsee fysiologisesti merkityksellisiä signaaleja, jotka liittyvät sydänlihasuudistukseen ja sydämen vajaatoimintaan.
Tämä tutkimus on luonteeltaan havainnoiva ja retrospektiivinen eikä sisällä mitään interventiota. Tulosten tavoitteena on tukea ei-invasiivisen, kustannustehokkaan ja laajasti saatavilla olevan työkalun kehittämistä HFrEF-riskialttiiden henkilöiden varhaiseen havaitsemiseen, mikä voi vaikuttaa ennaltaehkäiseviin strategioihin ja yksilölliseen kliiniseen hoitoon.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Kiina, 200436
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
Aikuiset, ikä ≥18 vuotta On suoritettu standardi 12-johdinelektrokardiografia (EKG) On suoritettu rintakehän läpi tehty ekkokardiografia, jossa on saatavilla LVEF-mittaus Parillisen EKG-ekkokardiografiatiedon saatavuus Seuranta-arviointiin tarvittavien tietojen saatavuus
Poissulkemiskriteerit:
Puuttuvat tai epätäydelliset EKG- tai ekkokardiografiatiedot Huonolaatuiset analyysiin sopimattomat EKG-nauhoitukset Mallin kehittämiseen vaadittavien keskeisten kliinisten muuttujien puuttuminen
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
Tutkimukseen osallistuneiden kokonaisväestö
Osallistujat kolmesta riippumattomasta kohortista (Zhongshan-sairaala, Shanghain kymmenennen kansansairaalan ja Beth Israel Deaconess Medical Center), jotka kävivät läpi standardin 12-johdinelektrokardiografian ja ekkokardiografisen arvioinnin.
Näitä tietoja käytettiin kehittämään ja ulkoisesti validoimaan syväoppimismalli aika-tapahtuma-ennustamiseen vähentyneestä ejektiofraktiosta kärsivän sydämen vajaatoiminnan (HFrEF) ilmaantumiselle.
Interventioita ei määrätty, koska kyseessä oli havainnoiva tutkimus, joka perustui rutiininomaisesti kerättyihin kliinisiin tietoihin.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tapahtunut sydämen vajaatoiminta supistumiskyvyn alenemisella (HFrEF)
Aikaikkuna: Enintään 5 vuotta
|
Sydämen vajaatoiminta vähentyneellä ejektiofraktiolla (HFrEF), joka määritellään vasemman kammion ejektiofraktion (LVEF) olevan ≤40 % seurannan aikana, kuten määritetään rintakehän kaikuluotauksella.
Sekä vallitsevat että uudet tapaukset, jotka on tunnistettu EKG-kaikuluotausdatasta, sisällytetään.
|
Enintään 5 vuotta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
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
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- ZS-HF-AIECG-2026
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
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 .