- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05139797
Dépistage échocardiographique guidé par intelligence artificielle des maladies rares (EchoNet-Screening)
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
Les conditions
Intervention / Traitement
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
Inscription (Estimé)
Contacts et emplacements
Lieux d'étude
-
-
California
-
Los Angeles, California, États-Unis, 90048
- Recrutement
- Cedars-Sinai Medical Centre (Los Angeles)
-
Contact:
- Lily Stern, MD
- Numéro de téléphone: (310) 248-8300
- E-mail: lily.stern@cshs.org
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
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
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
Parrainer
Publications et liens utiles
Liens utiles
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
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
Mots clés
Termes MeSH pertinents supplémentaires
- Maladies du système nerveux
- Maladies neuromusculaires
- Métabolisme, erreurs innées
- Maladies génétiques, innées
- Maladies métaboliques
- Maladies du système nerveux périphérique
- Maladies neurodégénératives
- Troubles hérédodégénératifs, système nerveux
- Déficits de protéostase
- Neuropathies amyloïdes
- Amylose familiale
- Amylose
- Maladies et anomalies congénitales, héréditaires et néonatales
- Maladies nutritionnelles et métaboliques
- Neuropathies amyloïdes, familiales
Autres numéros d'identification d'étude
- STUDY00001720
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
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
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 .