- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT03458806
Détection assistée par phono et électrocardiogramme de la maladie valvulaire (PEA-Valve)
Le diagnostic de cardiopathie valvulaire (VHD), ou son absence, nécessite invariablement une imagerie cardiaque. Un outil familier et peu coûteux pour aider au diagnostic ou à l'exclusion d'une VHD importante pourrait à la fois accélérer l'accès à des thérapies salvatrices et réduire le besoin de tests coûteux. L'appareil Eko Duo approuvé par la FDA se compose d'un stéthoscope numérique et d'un électrocardiogramme (ECG) à dérivation unique, qui se couple sans fil avec l'application Eko Mobile pour permettre l'enregistrement et la visualisation simultanés de phono et d'électrocardiogrammes. Ces caractéristiques permettent à cet appareil d'accumuler de grands ensembles de données d'auscultation sur des patients avec et sans VHD.
Dans cette étude, les chercheurs cherchent à développer un système automatisé pour identifier VHD par phono- et électrocardiogramme. Plus précisément, les chercheurs tenteront de développer des algorithmes d'apprentissage automatique pour apprendre les phonocardiogrammes de patients atteints de sténose aortique (SA) ou de régurgitation mitrale (MR) cliniquement importantes, puis chargeront les algorithmes d'identifier les sujets atteints de VHD cliniquement importants, identifiés par un or standard, à partir de phonocardiogrammes naïfs. Les enquêteurs prévoient que l'étude a le potentiel de révolutionner le diagnostic de VHD en fournissant un substitut plus précis à l'auscultation traditionnelle.
Aperçu de l'étude
Statut
Les conditions
Description détaillée
Détection assistée par phono et électrocardiogramme des maladies valvulaires (étude PEA-Valve)
Objectif(s) spécifique(s) Objectif 1 : Un algorithme d'apprentissage automatique dérivé d'enregistrements simultanés de phono et d'électrocardiogramme peut-il diagnostiquer de manière fiable une sténose aortique cliniquement importante ?
Objectif 2 : Un algorithme d'apprentissage automatique dérivé d'enregistrements simultanés de phono et d'électrocardiogramme peut-il diagnostiquer de manière fiable une régurgitation mitrale cliniquement importante ?
Signification La cardiopathie valvulaire (VHD) est un problème de santé mondial courant, avec des études basées sur la population montrant une prévalence de 10 % pour la sténose aortique (SA) et de 20 % pour la régurgitation mitrale (RM). De nouvelles avancées chirurgicales et interventionnelles permettent de traiter des patients plus âgés ou dont le risque d'intervention aurait été auparavant intenable. Étant donné que l'incidence de la RM et de la SA augmente avec l'âge, il est de plus en plus nécessaire d'identifier ces conditions afin de proposer des thérapies modifiant la maladie.
Dans la pratique clinique actuelle, le diagnostic de VHD repose fortement sur l'échocardiographie. Ceci, à son tour, nécessite à la fois une référence d'un fournisseur avec une suspicion clinique de VHD, généralement due à une anomalie à l'auscultation, ainsi que l'accès à l'échocardiogramme lui-même. L'IRM et la SA entraînent toutes deux des résultats auscultatoires reproductibles de manière fiable : souffles crescendo-decrescendo holosystolique et systolique, respectivement. Pourtant, malgré cela, l'auscultation en tant qu'outil de diagnostic est notoirement médiocre : sa précision pour détecter la RM et la SA ne varie que de 5 à 40 %. Ces facteurs suscitent tous des inquiétudes quant au sous-diagnostic de ces affections de plus en plus traitables.
Ici, les enquêteurs répondront aux besoins d'un meilleur accès et d'une meilleure précision diagnostique des tests de VHD. Les enquêteurs utiliseront une combinaison d'enregistrements de phonocardiogramme (PCG) et d'électrocardiogramme (ECG) à dérivation unique, synchronisés en temps réel sur un serveur cloud sécurisé, à l'aide du stéthoscope électronique Eko Duo. Avec ces données, les chercheurs développeront et valideront un algorithme d'apprentissage automatique pour diagnostiquer la SA ou la RM cliniquement importante. Comme l'Eko Duo est essentiellement similaire à un stéthoscope traditionnel, un outil emblématique largement accepté par les patients et les prestataires, son utilisation pour piloter un algorithme de détection automatisé est à la fois faisable et attrayante en tant que substitut à l'auscultation traditionnelle. De plus, en déplaçant le fardeau de l'interprétation des tests du clinicien vers l'algorithme, les chercheurs émettent l'hypothèse que cela améliorera la précision globale du diagnostic.
Méthodes Aperçu de la conception : étude transversale de tous les sujets subissant des échocardiogrammes cliniques au laboratoire d'échocardiographie pour adultes de l'UCSF
Sujets de l'étude Aperçu : Les enquêteurs recruteront des sujets adultes subissant des échocardiogrammes cliniques sur le campus de l'UCSF Parnassus. Ces sujets seront regroupés séquentiellement en cohortes de dérivation et de validation, stratifiés par statut de cas, de manière à atteindre la taille d'échantillon attendue. Un tel regroupement aura lieu après l'inscription des sujets et la collecte des données.
Population cible : Adultes atteints de SA modérée à sévère à sévère ou de RM modérée à sévère à sévère (cas) et adultes avec un cœur structurellement normal avec VHD minime (témoins). Dans une analyse parallèle plus rigoureuse, une population cible de témoins sera définie comme ayant un degré quelconque de SA ou de RM inférieur à modéré à sévère.
Population accessible : Adultes répondant aux critères d'entrée et subissant des échocardiogrammes cliniques au laboratoire d'échocardiographie de l'UCSF susceptibles de participer.
Schéma d'échantillonnage : les enquêteurs aborderont consécutivement les sujets se présentant au laboratoire d'échocardiographie pour adultes de l'UCSF Parnassus. De plus, les enquêteurs présélectionneront les sujets pour une forte probabilité d'avoir une SA ou une RM (sur la base de l'indication de l'étude et des diagnostics antérieurs dans le dossier médical APEX) et cibleront sélectivement leur inscription dans les situations où la capacité d'inscription du coordinateur de l'étude est saturée .
Stratégie de recrutement : introduction de l'étude au moment de l'inscription à l'échocardiogramme avec une brochure ou un dépliant, suivie d'une approche en personne des sujets potentiels en attendant l'échocardiogramme clinique.
Stratégie de rétention : Aucune. Les enquêteurs conserveront un fichier principal des numéros de dossier médical pour identifier les coordonnées à l'avenir si cela est jugé nécessaire.
Aperçu des mesures : L'étude se concentrera sur deux mesures : 1) l'évaluation de référence de la VHD par échocardiogramme, telle que rapportée par le laboratoire d'échocardiographie de l'UCSF. 2) Enregistrements simultanés PCG et ECG à dérivation unique de 30 secondes par l'appareil Eko Duo à chacune des quatre positions d'auscultation cardiaque standard, avec des enregistrements supplémentaires en option avec l'appareil Eko Core. L'étude tire parti du fait que tous les rapports d'échocardiogrammes cliniques incluent ces évaluations valvulaires.
Gold Standard: L'échocardiogramme est accepté comme l'étalon-or pour le diagnostic de la gravité VHD par la communauté cardiologique. Afin de minimiser le fardeau des enquêteurs et de réduire les coûts, les enquêteurs tireront parti du fait que tous les rapports d'échocardiogrammes cliniques incluent des évaluations de la VHD, qui serviront d'étalon-or. Ces rapports suivent les directives de l'American Society for Echocardiography (ASE), qui permettent de classer la VHD comme suit : aucune, légère, modérée ou grave. Le laboratoire d'échocardiographie de l'UCSF comprend des catégories supplémentaires de traces, légères à modérées, modérées à sévères et critiques, permettant des interprétations lorsque des paramètres individuels au sein de l'étude sont en conflit. La mesure principale sera la conclusion finale de la gravité de VHD pour MR ou AS, telle que rapportée par un cardiologue certifié. Les enquêteurs définiront la VHD "cliniquement importante" comme celle classée modérée à sévère ou pire, car cela engloberait tous les niveaux de maladie qui pourraient nécessiter une intervention directe. De plus, les enquêteurs extrairont l'intégralité du rapport d'échocardiographie, ainsi que les images des fichiers d'échocardiogramme, afin de sauvegarder les données pour une utilisation future au fur et à mesure que de nouvelles questions de recherche se poseront.
Mesures de l'appareil : les enregistrements simultanés du PCG et de l'ECG à une seule dérivation seront effectués pour chaque sujet de manière standardisée. Chaque sujet subira des enregistrements de 30 secondes à l'aide de l'appareil Eko Duo aux quatre positions d'auscultation standard. Les observateurs seront formés à la méthode systématique d'obtention des mesures. Si le temps et le patient le permettent, les enquêteurs obtiendront également les mêmes enregistrements à l'aide de l'appareil Eko Core, qui utilise le même logiciel mais n'inclut pas l'enregistrement ECG. Comme l'appareil permettra la visualisation du PCG pendant l'enregistrement, l'observateur obtiendra une rétroaction en temps réel sur le positionnement de l'appareil afin de maximiser la qualité de l'enregistrement à chaque position. Les enquêteurs planifieront un examen périodique des enregistrements pour garantir une qualité adéquate des données. Les enquêteurs prévoient que cette flexibilité et cette rétroaction en temps réel amélioreront la généralisation de l'utilisation de l'appareil dans un monde réel (c'est-à-dire hors étude) situation clinique.
Facteurs de confusion et biais : la dérivation et la validation des algorithmes se produiront à distance, après la réalisation de l'échocardiogramme clinique, et donc sans effet sur le résultat de l'étalon-or. Le test peut être influencé par la présence d'autres conditions provoquant des souffles systoliques (y compris VHD autre que AS ou MR, ou cardiopathie congénitale). Les enquêteurs incluront ces mesures du rapport d'échocardiogramme pour comparer les performances des tests chez ceux avec et sans ces autres conditions.
Problèmes statistiques Hypothèse nulle : un algorithme d'apprentissage automatique ne peut pas prédire la présence de SA ou de RM cliniquement importantes.
Justification de la taille de l'échantillon :
- Sensibilité de l'algorithme : 90 %
- Spécificité de l'algorithme : 90 %
- Rapport de vraisemblance cible (+) de l'algorithme [LR(R)] : 9 (dérivé de Sn / [1 - Sp])
- Rapport de vraisemblance minimum (+) de l'algorithme [LR(R)] : 5
- Niveau de confiance = 0,95 (alpha = 0,05)
- Intervalle de confiance [LR(R)] : 5.120-15.820
- Taille de l'échantillon = 110 par groupe ; 330 par cohorte (témoin, cas SA, cas RM) ; 660 au total (cohortes de formation et de validation)
- Résumé : En supposant que la sensibilité et la spécificité de l'algorithme d'apprentissage automatique pour la détection de la SA ou de la RM cliniquement importantes sont toutes deux de 0,9, une taille d'échantillon totale de 660 ne devrait pas descendre en dessous du rapport de vraisemblance seuil de 5,0 dans l'intervalle de confiance à 95 % dans l'un ou l'autre les cohortes de dérivation ou de validation.
- Justification des hypothèses critiques : les enquêteurs supposent que l'algorithme peut produire une sensibilité et une spécificité de 90 % dans la détection de la sténose aortique ou de la régurgitation mitrale par rapport aux cœurs sans maladie valvulaire, sur la base de rapports publiés antérieurs utilisant des réseaux neuronaux, en utilisant des tailles d'échantillon inférieures à 100 cas. De plus, les chercheurs estiment qu'un rapport de vraisemblance minimum de 5 serait nécessaire pour que le test soit cliniquement utile. Bien que cette estimation fonctionne bien pour l'ensemble de validation, le nombre nécessaire pour l'ensemble de dérivation est moins clair ; les estimations ci-dessus sont un nombre conservateur. Les enquêteurs prévoient de former l'algorithme après l'inscription de tous les 20 cas en utilisant une approche d'amorçage ; cela fournira des caractéristiques de test provisoires et aidera à déterminer le nombre réel nécessaire pour l'ensemble de dérivation. Comme il s'agit en partie d'une étude pilote, l'identification de la sensibilité et de la spécificité réelles du test est en soi un résultat précieux.
Approche d'analyse : les chercheurs généreront des courbes ROC (représentant Sn vs 1-Sp) pour les scores d'algorithme pour l'ensemble de validation. En fin de compte, les enquêteurs généreront 4 courbes : deux pour MR et AS, en utilisant des algorithmes générés par les approches primaire (définissant les contrôles comme n'ayant pas plus de VHD léger) et secondaire (définissant les contrôles comme n'ayant pas de VHD modéré à sévère ou supérieur) . De plus, les chercheurs prévoient d'effectuer des analyses descriptives exploratoires de l'algorithme lui-même, en identifiant les corrélats cliniques aux caractéristiques les plus fortement pondérées dans la détection de la SA ou de la RM.
Divers Considérations éthiques : Aucune préoccupation majeure. Les données seront stockées en toute sécurité sur des plateformes conformes à la HIPAA. L'étude est qualifiée de risque minimal selon les critères UCSF CHR.
Plans de pré-test : Avant le recrutement de l'étude, le personnel de l'étude collectera des données sur lui-même et sur les prestataires pour tester le système de collecte de données. Lors du recrutement initial des sujets, le personnel de l'étude examinera le processus après chaque journée pour discuter des obstacles ou des préoccupations.
Plan de gestion des données : Les données de l'étude proviendront de deux sources. Les rapports d'échocardiogrammes, extraits du dossier médical électronique (APEX), seront examinés par le personnel de l'étude pour générer la base de données principale des caractéristiques de la maladie. Un fichier principal reliant les identifiants des sujets aux informations identifiables, ainsi que les rapports d'échocardiogramme extraits et anonymisés et les images brutes d'échocardiogramme anonymisées seront stockés sur un serveur de recherche sécurisé utilisé par la Division de cardiologie. Les données PCG et ECG enregistrées (les mesures réelles de l'étude) seront synchronisées en temps réel sur un serveur cloud sécurisé, conforme à la loi HIPAA et géré par Eko Devices. À des moments prédéfinis de la formation à l'algorithme, l'équipe d'apprentissage automatique (coordonnée par Eko Devices) recevra des clés pour l'attribution de l'identifiant de sujet à la catégorie VHD.
Mesures de contrôle de la qualité : un examen périodique des données enregistrées sera effectué par le PI de l'étude pour garantir une qualité appropriée des données.
Calendrier:
Contrat/Logistique Sujet Inscription Algorithme Développement Analyse Publication Calendrier global : 9 mois
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
California
-
San Francisco, California, États-Unis, 94143
- University of California San Francisco
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Capable de donner son consentement
- Passer un échocardiogramme complet
Critère d'exclusion:
- Refus de participer
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cas-témoins
- Perspectives temporelles: Transversale
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Contrôle
Sujets atteints d'une maladie valvulaire confirmée par échocardiographie d'un grade inférieur à modéré à sévère en ce qui concerne la sténose aortique (SA) et la régurgitation mitrale (RM).
Notez qu'au sein de cette cohorte, il y aura une sous-cohorte composée de sujets dont le cœur est structurellement normal, sans maladie valvulaire plus que légère de n'importe quelle valve, sans intervention valvulaire antérieure et sans signe de maladie cardiaque congénitale.
|
Algorithme d'apprentissage automatique, généré à partir d'enregistrements ECG et PCG, distinguant la sténose aortique modérée à sévère ou supérieure des témoins présentant des résultats autres qu'une sténose aortique modérée à sévère ou supérieure.
Algorithme d'apprentissage automatique, généré à partir d'enregistrements ECG et PCG, distinguant la régurgitation mitrale modérée à sévère ou supérieure des contrôles présentant des résultats autres qu'une régurgitation mitrale modérée à sévère ou supérieure.
|
|
AS Cas
Sujets présentant une sténose aortique (SA) confirmée par échocardiographie de grade modéré à sévère ou supérieur.
|
Algorithme d'apprentissage automatique, généré à partir d'enregistrements ECG et PCG, distinguant la sténose aortique modérée à sévère ou supérieure des témoins présentant des résultats autres qu'une sténose aortique modérée à sévère ou supérieure.
Algorithme d'apprentissage automatique, généré à partir d'enregistrements ECG et PCG, distinguant la sténose aortique modérée à sévère ou supérieure des témoins ayant des cœurs structurellement normaux avec une cardiopathie valvulaire légère à n'importe quel endroit.
|
|
Cas MR
Sujets présentant une régurgitation mitrale (RM) confirmée par échocardiographie de grade modéré à sévère ou supérieur.
|
Algorithme d'apprentissage automatique, généré à partir d'enregistrements ECG et PCG, distinguant la régurgitation mitrale modérée à sévère ou supérieure des contrôles présentant des résultats autres qu'une régurgitation mitrale modérée à sévère ou supérieure.
Algorithme d'apprentissage automatique, généré à partir d'enregistrements ECG et PCG, distinguant une régurgitation mitrale modérée à sévère ou supérieure des témoins ayant des cœurs structurellement normaux avec une cardiopathie valvulaire légère à n'importe quel endroit.
|
|
Sous-groupe de contrôle
- Sujets avec un cœur structurellement normal, avec une maladie valvulaire au plus légère de toute valve, aucune intervention valvulaire antérieure et aucun signe de maladie cardiaque congénitale.
|
Algorithme d'apprentissage automatique, généré à partir d'enregistrements ECG et PCG, distinguant la sténose aortique modérée à sévère ou supérieure des témoins ayant des cœurs structurellement normaux avec une cardiopathie valvulaire légère à n'importe quel endroit.
Algorithme d'apprentissage automatique, généré à partir d'enregistrements ECG et PCG, distinguant une régurgitation mitrale modérée à sévère ou supérieure des témoins ayant des cœurs structurellement normaux avec une cardiopathie valvulaire légère à n'importe quel endroit.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Différenciation des sténoses aortiques cliniquement significatives des cœurs structurellement normaux
Délai: Clôture de l'étude (après inscription définitive de l'ensemble de validation de la sténose aortique), dans un délai d'un an.
|
Identification par l'algorithme d'apprentissage automatique formé d'une sténose aortique cliniquement importante (définie comme modérée à sévère ou plus) chez des sujets témoins avec des cœurs structurellement normaux et pas plus qu'une cardiopathie valvulaire légère, avec une comparaison avec l'interprétation de l'échocardiogramme de référence.
Comme notre algorithme fournira un "score" continu pour déterminer la probabilité de maladie, les données se présenteront principalement sous la forme d'une courbe caractéristique de fonctionnement du récepteur, pour laquelle nous calculerons l'exactitude, la spécificité et les rapports de probabilité à des seuils de sensibilité de 0,9, 0,95 et 0,99.
|
Clôture de l'étude (après inscription définitive de l'ensemble de validation de la sténose aortique), dans un délai d'un an.
|
|
Différenciation des sténoses mitrales cliniquement significatives des cœurs structurellement normaux
Délai: Clôture de l'étude (après inscription définitive de l'ensemble de validation de la régurgitation mitrale), dans un délai d'un an.
|
Identification par l'algorithme d'apprentissage automatique formé d'une régurgitation mitrale cliniquement importante (définie comme modérée à sévère ou plus) chez des sujets témoins avec des cœurs structurellement normaux et pas plus qu'une cardiopathie valvulaire légère, avec une comparaison avec l'interprétation de l'échocardiogramme de référence.
Comme notre algorithme fournira un "score" continu pour déterminer la probabilité de maladie, les données se présenteront principalement sous la forme d'une courbe caractéristique de fonctionnement du récepteur, pour laquelle nous calculerons l'exactitude, la spécificité et les rapports de probabilité à des seuils de sensibilité de 0,9, 0,95 et 0,99..
|
Clôture de l'étude (après inscription définitive de l'ensemble de validation de la régurgitation mitrale), dans un délai d'un an.
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Différenciation de la sténose aortique cliniquement significative de l'absence de sténose aortique cliniquement significative
Délai: Clôture de l'étude (après inscription définitive de l'ensemble de validation de la sténose aortique), dans un délai d'un an.
|
Identification par l'algorithme d'apprentissage automatique formé d'une sténose aortique cliniquement importante (définie comme modérée à sévère ou supérieure) à partir de témoins présentant une sténose aortique inférieure à modérée à sévère, avec comparaison avec l'interprétation de l'échocardiogramme de référence.
Comme notre algorithme fournira un "score" continu pour déterminer la probabilité de maladie, les données se présenteront principalement sous la forme d'une courbe caractéristique de fonctionnement du récepteur, pour laquelle nous calculerons l'exactitude, la spécificité et les rapports de probabilité à des seuils de sensibilité de 0,9, 0,95 et 0,99.
|
Clôture de l'étude (après inscription définitive de l'ensemble de validation de la sténose aortique), dans un délai d'un an.
|
|
Différenciation de l'insuffisance mitrale cliniquement significative de l'absence d'insuffisance mitrale cliniquement significative
Délai: Clôture de l'étude (après inscription définitive de l'ensemble de validation de la régurgitation mitrale), dans un délai d'un an.
|
Identification par l'algorithme d'apprentissage automatique formé d'une régurgitation mitrale cliniquement importante (définie comme modérée à sévère ou supérieure) à partir de témoins présentant une régurgitation mitrale inférieure à modérée à sévère, avec comparaison avec l'interprétation de l'échocardiogramme de référence.
Comme notre algorithme fournira un "score" continu pour déterminer la probabilité de maladie, les données se présenteront principalement sous la forme d'une courbe caractéristique de fonctionnement du récepteur, pour laquelle nous calculerons l'exactitude, la spécificité et les rapports de probabilité à des seuils de sensibilité de 0,9, 0,95 et 0,99.
|
Clôture de l'étude (après inscription définitive de l'ensemble de validation de la régurgitation mitrale), dans un délai d'un an.
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Chercheur principal: John Chorba, MD, University of California, San Francisco
Publications et liens utiles
Publications générales
- Zoghbi WA, Adams D, Bonow RO, Enriquez-Sarano M, Foster E, Grayburn PA, Hahn RT, Han Y, Hung J, Lang RM, Little SH, Shah DJ, Shernan S, Thavendiranathan P, Thomas JD, Weissman NJ. Recommendations for Noninvasive Evaluation of Native Valvular Regurgitation: A Report from the American Society of Echocardiography Developed in Collaboration with the Society for Cardiovascular Magnetic Resonance. J Am Soc Echocardiogr. 2017 Apr;30(4):303-371. doi: 10.1016/j.echo.2017.01.007. Epub 2017 Mar 14. No abstract available.
- Nishimura RA, Otto CM, Bonow RO, Carabello BA, Erwin JP 3rd, Guyton RA, O'Gara PT, Ruiz CE, Skubas NJ, Sorajja P, Sundt TM 3rd, Thomas JD; American College of Cardiology/American Heart Association Task Force on Practice Guidelines. 2014 AHA/ACC guideline for the management of patients with valvular heart disease: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines. J Am Coll Cardiol. 2014 Jun 10;63(22):e57-185. doi: 10.1016/j.jacc.2014.02.536. Epub 2014 Mar 3. No abstract available. Erratum In: J Am Coll Cardiol. 2014 Jun 10;63(22):2489. Dosage error in article text.
- Jones EC, Devereux RB, Roman MJ, Liu JE, Fishman D, Lee ET, Welty TK, Fabsitz RR, Howard BV. Prevalence and correlates of mitral regurgitation in a population-based sample (the Strong Heart Study). Am J Cardiol. 2001 Feb 1;87(3):298-304. doi: 10.1016/s0002-9149(00)01362-x.
- Eveborn GW, Schirmer H, Heggelund G, Lunde P, Rasmussen K. The evolving epidemiology of valvular aortic stenosis. the Tromso study. Heart. 2013 Mar;99(6):396-400. doi: 10.1136/heartjnl-2012-302265. Epub 2012 Sep 2.
- Faxon DP, Williams DO. Interventional Cardiology: Current Status and Future Directions in Coronary Disease and Valvular Heart Disease. Circulation. 2016 Jun 21;133(25):2697-711. doi: 10.1161/CIRCULATIONAHA.116.023551. No abstract available.
- Mangione S, Nieman LZ. Cardiac auscultatory skills of internal medicine and family practice trainees. A comparison of diagnostic proficiency. JAMA. 1997 Sep 3;278(9):717-22. Erratum In: JAMA 1998 May 13;279(18):1444.
- Mangione S. Cardiac auscultatory skills of physicians-in-training: a comparison of three English-speaking countries. Am J Med. 2001 Feb 15;110(3):210-6. doi: 10.1016/s0002-9343(00)00673-2.
- Baumgartner H, Hung J, Bermejo J, Chambers JB, Edvardsen T, Goldstein S, Lancellotti P, LeFevre M, Miller F Jr, Otto CM. Recommendations on the Echocardiographic Assessment of Aortic Valve Stenosis: A Focused Update from the European Association of Cardiovascular Imaging and the American Society of Echocardiography. J Am Soc Echocardiogr. 2017 Apr;30(4):372-392. doi: 10.1016/j.echo.2017.02.009.
- Pretorius E, Cronje ML, Strydom O. Development of a pediatric cardiac computer aided auscultation decision support system. Annu Int Conf IEEE Eng Med Biol Soc. 2010;2010:6078-82. doi: 10.1109/IEMBS.2010.5627633.
- Chorba JS, Shapiro AM, Le L, Maidens J, Prince J, Pham S, Kanzawa MM, Barbosa DN, Currie C, Brooks C, White BE, Huskin A, Paek J, Geocaris J, Elnathan D, Ronquillo R, Kim R, Alam ZH, Mahadevan VS, Fuller SG, Stalker GW, Bravo SA, Jean D, Lee JJ, Gjergjindreaj M, Mihos CG, Forman ST, Venkatraman S, McCarthy PM, Thomas JD. Deep Learning Algorithm for Automated Cardiac Murmur Detection via a Digital Stethoscope Platform. J Am Heart Assoc. 2021 May 4;10(9):e019905. doi: 10.1161/JAHA.120.019905. Epub 2021 Apr 26.
Liens utiles
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 17-21881
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
produit fabriqué et exporté des États-Unis.
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .
Essais cliniques sur AS Algorithme 2
-
Universidad Pública de NavarraMutua NavarraInconnueImpact sur l'épaule | Maladie de la coiffe des rotateursEspagne
-
Carmel Medical CenterComplétéSignes et symptômes respiratoires | Allergie | L'asthme bronchiqueIsraël
-
Renmin Hospital of Wuhan UniversityPas encore de recrutementIntelligence artificielle | SurveillanceChine
-
InQpharm GroupRetiré
-
Centre hospitalier de l'Université de Montréal...Johnson & JohnsonComplété
-
Centre hospitalier de l'Université de Montréal...Centre de Recherche du Centre Hospitalier de l'Université de MontréalComplétéCancer du poumonCanada
-
Centre hospitalier de l'Université de Montréal...Centre de Recherche du Centre Hospitalier de l'Université de MontréalComplétéCancer du poumonCanada
-
Renmin Hospital of Wuhan UniversityShanghai Pudong Hospital; The Eighth Hospital of Wuhan; Jinjiang Municipal Hospital...RecrutementIntelligence artificielle | SurveillanceChine
-
Zimmer BiometActif, ne recrute pasArthrite, rhumatoïde | Nécrose vasculaire | Arthrite dégénérative | Chirurgie de révision | Conditions consécutives à des opérations antérieures | Arthrite; TraumatiqueBelgique, Royaume-Uni, Suisse, Allemagne
-
London School of Hygiene and Tropical MedicineHindustan Unilever Ltd.; University of Kalyani; KIIT UniversityComplétéMaladie diarrhéique | Arsenic urinaire total | Arsenic total dans l'eauInde