Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Dépistage échocardiographique guidé par intelligence artificielle des maladies rares (EchoNet-Screening)

21 juillet 2026 mis à jour par: Lily Stern, Cedars-Sinai Medical Center

Dépistage échocardiographique guidé par intelligence artificielle des maladies rares

Malgré l'évolution rapide des thérapies ciblées et du séquençage génétique, les limites persistantes de la précision et du débit du phénotypage clinique ont conduit à un écart grandissant entre les avantages potentiels et réels de la médecine de précision.

Les progrès récents des techniques d'apprentissage automatique et de traitement d'images ont montré que les modèles d'apprentissage automatique peuvent identifier des caractéristiques non reconnues par les experts humains et évaluer plus précisément/avec précision les mesures courantes effectuées dans la pratique clinique.

Les chercheurs ont développé un algorithme, appelé EchoNet-LVH, pour identifier l'hypertrophie cardiaque et identifier les patients qui bénéficieraient d'un dépistage supplémentaire de l'amylose cardiaque et évalueront de manière prospective sa précision dans l'identification des patients qui bénéficieraient d'un dépistage supplémentaire de l'amylose cardiaque.

Aperçu de l'étude

Statut

Recrutement

Les conditions

Description détaillée

Malgré l'évolution rapide des thérapies ciblées et du séquençage génétique, les limites persistantes de la précision et du débit du phénotypage clinique ont conduit à un écart grandissant entre les avantages potentiels et réels de la médecine de précision. Cette énigme est illustrée par les approches actuelles d'évaluation des altérations morphologiques du cœur. Si elles sont identifiées de manière fiable, certaines maladies cardiaques (par ex. l'amylose cardiaque et la cardiomyopathie hypertrophique) pourraient éviter les erreurs de diagnostic et bénéficier d'un traitement efficace avec des thérapies ciblées spécifiques. La capacité de distinguer de manière fiable les types de maladies cardiaques de morphologie similaire mais d'étiologie différente améliorerait également la spécificité pour lier les variants de risque génétique et déterminer les mécanismes

Les progrès récents des techniques d'apprentissage automatique et de traitement d'images ont montré que les modèles d'apprentissage automatique peuvent identifier des caractéristiques non reconnues par les experts humains et évaluer plus précisément/avec précision les mesures courantes effectuées dans la pratique clinique. En échocardiographie, cette capacité de mesure et de détection de précision est importante à la fois pour le dépistage des maladies et pour le diagnostic des maladies cardiovasculaires.

L'échocardiographie est couramment et fréquemment utilisée pour le diagnostic et le pronostic dans les soins cliniques de routine, mais il y a souvent une subjectivité dans l'interprétation et une hétérogénéité dans l'application. L'attention humaine est fatigable et a une interprétation hétérogène entre les prestataires. Des flux de travail de dépistage de maladies guidés par l'IA ont été proposés pour des maladies rares telles que l'amylose cardiaque et d'autres maladies à prévalence relativement faible mais à impact humain significatif avec des thérapies ciblées lorsqu'elles sont détectées tôt. Il s'agit d'un domaine particulièrement adapté à l'IA car il existe de multiples mimiques où des maladies telles que la cardiomyopathie hypertrophique, l'amylose cardiaque, la sténose aortique et d'autres phénotypes peuvent être visuellement similaires mais peuvent être distinguées par des algorithmes d'IA. Les chercheurs ont développé un algorithme, appelé EchoNet-LVH, pour identifier l'hypertrophie cardiaque et identifier les patients qui bénéficieraient d'un dépistage supplémentaire de l'amylose cardiaque, de la cardiomyopathie hypertrophique et d'autres maladies. E

Type d'étude

Observationnel

Inscription (Estimé)

300

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
      • Los Angeles, California, États-Unis, 90048
        • Recrutement
        • Cedars-Sinai Medical Centre (Los Angeles)
        • Contact:

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 et plus (Adulte, Adulte plus âgé)

Accepte les volontaires sains

Non

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Patients fortement suspectés d'amylose cardiaque par l'algorithme d'IA

La description

Critère d'intégration:

  • Patients fortement suspectés d'amylose cardiaque par l'algorithme d'IA

Critère d'exclusion:

  • Patients qui refusent d'être vus à la clinique spécialisée
  • Les patients décédés

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
Dépistage par intelligence artificielle de l'amylose cardiaque
Un algorithme d'intelligence artificielle produira une probabilité d'amylose cardiaque qui déclenchera l'orientation vers une clinique spécialisée pour une évaluation plus approfondie.
Un algorithme d'IA identifie l'HVG, la basse tension et la forte suspicion d'amylose cardiaque. L'intervention est le score de suspicion. Les patients dont le score de suspicion est élevé seront référés à une clinique spécialisée pour une évaluation, un dépistage et un traitement conformes aux normes de soins, tel que déterminé par les médecins.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Nombre de nouveaux diagnostics d'amylose cardiaque découverts
Délai: 6 mois
À partir de l'examen des dossiers, identification des patients qui ont un diagnostic en aval d'amylose cardiaque
6 mois

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Nombre de nouveaux diagnostics d'amylose TTR découverts
Délai: 6 mois
À partir de l'examen des dossiers, identification des patients qui ont un diagnostic en aval d'amylose TTR
6 mois
Nombre de nouveaux diagnostics d'amylose AL découverts
Délai: 6 mois
À partir de l'examen des dossiers, identification des patients qui ont un diagnostic en aval d'amylose AL
6 mois

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

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.

Liens utiles

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)

18 novembre 2021

Achèvement primaire (Estimé)

1 janvier 2027

Achèvement de l'étude (Estimé)

1 juin 2027

Dates d'inscription aux études

Première soumission

18 novembre 2021

Première soumission répondant aux critères de contrôle qualité

30 novembre 2021

Première publication (Réel)

1 décembre 2021

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

22 juillet 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

21 juillet 2026

Dernière vérification

1 juillet 2026

Plus d'information

Termes liés à cette étude

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

Oui

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 .

S'abonner