Développement d'un nouveau réseau de neurones à convolution pour la classification des arythmies (AI-ECG)
4 novembre 2020 mis à jour par: Sanjeev Bhavnani MD, Scripps Clinic
Développement d'un nouveau réseau de neurones à convolution pour la classification des arythmies pour les rythmes cardiaques choquables
L'identification de l'arythmie correcte au moment d'un événement clinique, y compris un arrêt cardiaque, est d'une grande priorité pour les patients, les organisations de soins de santé et la santé publique.
Les développements récents de l'intelligence artificielle et de l'apprentissage automatique offrent de nouvelles opportunités pour diagnostiquer rapidement et avec précision les arythmies cardiaques et pour savoir comment les nouveaux appareils mobiles de santé et de télémétrie cardiaque sont utilisés dans les soins aux patients.
L'enquête en cours vise à valider une nouvelle approche statistique d'intelligence artificielle appelée "classificateur de réseau de neurones à convolution" et ses performances pour différentes arythmies diagnostiquées sur des ECG à 12 dérivations et une surveillance Holter/événement à dérivation unique.
Ces arythmies comprennent ; fibrillation auriculaire, tachycardie supraventriculaire, bloc AV, asystole, tachycardie ventriculaire et fibrillation ventriculaire, et sera étalonné selon les critères de performance de l'American Heart Association (intervalle de confiance unilatéral à 95 % de 67 à 92 % basé sur le type d'arythmie).
Pour ce faire, l'approche de l'étude consiste à créer une grande base de données ECG de données ECG brutes anonymisées et à former le réseau neuronal sur les données ECG afin d'améliorer la précision du diagnostic.
Aperçu de l'étude
Statut
Complété
Les conditions
Intervention / Traitement
Type d'étude
Observationnel
Inscription (Réel)
25458
Contacts et emplacements
Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.
Lieux d'étude
-
-
California
-
San Diego, California, États-Unis, 92037
- Scripps Clinic
-
-
Critères de participation
Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.
Critère d'éligibilité
Âges éligibles pour étudier
- ADULTE
- OLDER_ADULT
- ENFANT
Accepte les volontaires sains
Oui
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Les personnes subissant un ECG à 12 dérivations ou une surveillance Holter/Event
La description
Critère d'intégration:
- Toutes les données ECG compilées à partir de bases de données ECG à 12 dérivations, à une ou plusieurs dérivations
Critère d'exclusion:
- Aucun
Plan d'étude
Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Données ECG
Données codées comprenant ; longueurs d'onde, amplitude, intervalles, timing, fréquence
|
Le réseau neuronal convolutif est configuré pour recevoir un segment d'électrocardiogramme en tant qu'entrée et pour générer une sortie indiquant si le segment d'électrocardiogramme reçu représente une arythmie cardiaque.
Aucune caractéristique spécifique de l'électrocardiogramme n'est identifiée sur le réseau neuronal convolutif, et le segment d'électrocardiogramme reçu n'est pas filtré, transformé ou traité avant la réception par l'algorithme.
L'algorithme est formé d'une manière similaire - les segments d'électrocardiogramme sont la seule entrée du réseau neuronal convolutif.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Précision diagnostique
Délai: 1 AN
|
Critères de performance ECG de l'American Heart Association
|
1 AN
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Les enquêteurs
- Chercheur principal: Sanjeev Bhavnani, MD, Scripps Clinic Medical Group
Publications et liens utiles
La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.
Publications générales
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Trans Biomed Eng. 2016 Mar;63(3):664-75. doi: 10.1109/TBME.2015.2468589. Epub 2015 Aug 14.
- Bhavnani SP, Parakh K, Atreja A, Druz R, Graham GN, Hayek SS, Krumholz HM, Maddox TM, Majmudar MD, Rumsfeld JS, Shah BR. 2017 Roadmap for Innovation-ACC Health Policy Statement on Healthcare Transformation in the Era of Digital Health, Big Data, and Precision Health: A Report of the American College of Cardiology Task Force on Health Policy Statements and Systems of Care. J Am Coll Cardiol. 2017 Nov 28;70(21):2696-2718. doi: 10.1016/j.jacc.2017.10.018. No abstract available.
- Bhavnani SP, Narula J, Sengupta PP. Mobile technology and the digitization of healthcare. Eur Heart J. 2016 May 7;37(18):1428-38. doi: 10.1093/eurheartj/ehv770. Epub 2016 Feb 11.
- Vandendriessche B, Abas M, Dick TE, Loparo KA, Jacono FJ. A Framework for Patient State Tracking by Classifying Multiscalar Physiologic Waveform Features. IEEE Trans Biomed Eng. 2017 Dec;64(12):2890-2900. doi: 10.1109/TBME.2017.2684244. Epub 2017 Mar 17.
- Arvanaghi R, Daneshvar S, Seyedarabi H, Goshvarpour A. Fusion of ECG and ABP signals based on wavelet transform for cardiac arrhythmias classification. Comput Methods Programs Biomed. 2017 Nov;151:71-78. doi: 10.1016/j.cmpb.2017.08.013. Epub 2017 Aug 24.
- Figuera C, Irusta U, Morgado E, Aramendi E, Ayala U, Wik L, Kramer-Johansen J, Eftestol T, Alonso-Atienza F. Machine Learning Techniques for the Detection of Shockable Rhythms in Automated External Defibrillators. PLoS One. 2016 Jul 21;11(7):e0159654. doi: 10.1371/journal.pone.0159654. eCollection 2016.
- Li Q, Rajagopalan C, Clifford GD. Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Trans Biomed Eng. 2014 Jun;61(6):1607-13. doi: 10.1109/TBME.2013.2275000. Epub 2013 Jul 26.
- Lyon A, Minchole A, Martinez JP, Laguna P, Rodriguez B. Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J R Soc Interface. 2018 Jan;15(138):20170821. doi: 10.1098/rsif.2017.0821.
- Mjahad A, Rosado-Munoz A, Bataller-Mompean M, Frances-Villora JV, Guerrero-Martinez JF. Ventricular Fibrillation and Tachycardia detection from surface ECG using time-frequency representation images as input dataset for machine learning. Comput Methods Programs Biomed. 2017 Apr;141:119-127. doi: 10.1016/j.cmpb.2017.02.010. Epub 2017 Feb 10.
- Xiong Z, Nash MP, Cheng E, Fedorov VV, Stiles MK, Zhao J. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network. Physiol Meas. 2018 Sep 24;39(9):094006. doi: 10.1088/1361-6579/aad9ed.
- Fan X, Yao Q, Cai Y, Miao F, Sun F, Li Y. Multiscaled Fusion of Deep Convolutional Neural Networks for Screening Atrial Fibrillation From Single Lead Short ECG Recordings. IEEE J Biomed Health Inform. 2018 Nov;22(6):1744-1753. doi: 10.1109/JBHI.2018.2858789. Epub 2018 Aug 7.
- Warrick PA, Nabhan Homsi M. Ensembling convolutional and long short-term memory networks for electrocardiogram arrhythmia detection. Physiol Meas. 2018 Oct 30;39(11):114002. doi: 10.1088/1361-6579/aad386.
Dates d'enregistrement des études
Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.
Dates principales de l'étude
Début de l'étude (RÉEL)
1 octobre 2018
Achèvement primaire (RÉEL)
1 mars 2020
Achèvement de l'étude (RÉEL)
1 octobre 2020
Dates d'inscription aux études
Première soumission
5 septembre 2018
Première soumission répondant aux critères de contrôle qualité
5 septembre 2018
Première publication (RÉEL)
7 septembre 2018
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (RÉEL)
6 novembre 2020
Dernière mise à jour soumise répondant aux critères de contrôle qualité
4 novembre 2020
Dernière vérification
1 novembre 2020
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 027527
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Non
Étudie un produit d'appareil réglementé par la FDA américaine
Non
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 .