Une étude multicentrique sur le diagnostic précoce des patients NSTE-ACS basée sur un modèle d'apprentissage automatique
29 décembre 2020 mis à jour par: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
Le diagnostic précoce des patients NSTEMI et UA se fait principalement par la construction d'un modèle d'apprentissage automatique.
Aperçu de l'étude
Statut
Inconnue
Les conditions
Intervention / Traitement
Description détaillée
Les patients avec NSTEMI et UA ont été inclus.
Après un étiquetage manuel, les caractéristiques du dossier d'admission des patients ont été sélectionnées.
75% des données sont utilisées pour construire le modèle et 25% des données sont utilisées pour vérifier la validité du modèle.
Cinq modèles de classification de convolution unidimensionnelle (CNN), bayésien naïf (NB), machine à vecteurs de support (SVM), forêt aléatoire (RF) et apprentissage d'ensemble ont été construits pour identifier et diagnostiquer les patients NSTEMI et UA.
La validation croisée multiple et la courbe ROC-AUC sont utilisées pour mesurer les avantages et les inconvénients des modèles.
Type d'étude
Observationnel
Inscription (Réel)
2500
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
-
-
Xinjiang
-
Ürümqi, Xinjiang, Chine, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
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
18 ans à 75 ans (Adulte, Adulte plus âgé)
Accepte les volontaires sains
N/A
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon de probabilité
Population étudiée
Les patients atteints de NSTEMI et d'AU ont été inclus dans le centre de douleur thoracique du premier hôpital affilié de l'université médicale du Xinjiang et du premier hôpital affilié de la faculté de médecine de l'université Shihezi de 2017 à 2019.
La description
Critère d'intégration:
- Les patients ont été inclus et exclus strictement selon les critères de diagnostic des directives chinoises pour le diagnostic et le traitement du syndrome coronarien aigu sans élévation du segment ST (2016). Les patients ont été admis à l'hôpital avec des douleurs thoraciques comme principale plainte, et ont été admis au premier hôpital affilié de l'Université médicale du Xinjiang et au premier hôpital affilié du Collège médical de l'Université Shihezi. les patients ont été diagnostiqués comme NSTEMI et UA par coronarographie (tranche d'âge de 30 à 75 ans).
Critère d'exclusion:
- 1. Patients atteints d'un STEMI, d'un anévrisme disséquant de l'aorte, d'un pneumothorax et d'autres douleurs thoraciques non cardiogéniques. 2. Insuffisance hépatorénale sévère, tumeur primitive sans traitement chirurgical, infection non sévère compliquée de choc et femmes enceintes. 3. Maladie valvulaire sévère antérieure, myocardite virale, épanchement péricardique, implantation d'un stimulateur cardiaque, choc cardiogénique avec complications graves, cardiopathie hypertensive, diverses cardiomyopathies, cardiopathie congénitale, etc.
4.Les patients atteints de maladie cardiaque, d'EAMPOC, de tumeur pulmonaire et d'hyperthyroïdie ont été diagnostiqués dans le passé.
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 |
|---|---|
|
Modèle CNN
Les informations électroniques sur la santé des patients NSTEMI et UA dans deux centres de douleur thoracique de 2017 à 2019 ont été collectées. Après un étiquetage manuel, les caractéristiques des dossiers d'admission des patients ont été sélectionnées et grâce à la construction d'un modèle de convolution unidimensionnelle (CNN).
En prenant la validation croisée multiple et la courbe ROC-AUC comme indice de mesure, 75 % des données sont modélisées et 25 % des données sont utilisées pour vérifier l'effet du modèle.
|
Diagnostic précoce des patients NTEMI par modèle d'apprentissage automatique
|
|
Coup de pouce XG
Grâce à la construction du modèle boost XG, en prenant la validation croisée multiple et la courbe ROC-AUC comme indice de mesure, 75 % des données sont modélisées et 25 % des données sont utilisées pour vérifier l'effet du modèle.
|
Diagnostic précoce des patients NTEMI par modèle d'apprentissage automatique
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Diagnostic précis du NSTEMI chez les patients souffrant de douleurs thoraciques aiguës
Délai: Dans 1 an
|
Les patients NSTEMI sont diagnostiqués avec précision parmi les patients souffrant de douleurs thoraciques aiguës grâce à un algorithme d'apprentissage automatique formé.
Notre modèle utilise une validation croisée multiple et une courbe ROC-AUC comme indice de mesure, 75 % des données sont modélisées et 25 % des données vérifient l'effet du modèle.
Pour cette raison, nous calculerons l'exactitude, la spécificité et le rapport de vraisemblance lorsque la valeur seuil de sensibilité est de 0,9.
|
Dans 1 an
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Collaborateurs
Les enquêteurs
- Chercheur principal: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Directeur d'études: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Chercheur principal: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
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
- 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.
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)
20 décembre 2020
Achèvement primaire (Anticipé)
20 décembre 2021
Achèvement de l'étude (Anticipé)
1 juin 2022
Dates d'inscription aux études
Première soumission
19 décembre 2020
Première soumission répondant aux critères de contrôle qualité
19 décembre 2020
Première publication (Réel)
24 décembre 2020
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
31 décembre 2020
Dernière mise à jour soumise répondant aux critères de contrôle qualité
29 décembre 2020
Dernière vérification
1 décembre 2020
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- XMa
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
INDÉCIS
Description du régime IPD
Modèle d'apprentissage automatique pour identifier les patients atteints d'AU et de NSTMI
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 .