- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06062316
Modèle d'avertissement du remodelage du myocarde après un infarctus aigu du myocarde à l'aide de la technologie de structure de caractéristiques multimodale
Modèle d'alerte précoce du remodelage myocardique après un infarctus aigu du myocarde basé sur la technologie de structure de caractéristiques multimodale
L'infarctus aigu du myocarde (IAM) est l'une des maladies les plus graves menaçant la vie humaine. Les échelles de prédiction de pronostic d'IM existantes prédisent principalement l'incidence des décès, des IM récurrents et de l'insuffisance cardiaque au moyen de 6 à 8 indicateurs de texte clinique, et les données sont collectées relativement simplement. Le remodelage myocardique, en tant que changement pathologique indésirable qui peut commencer et continuer à progresser à un stade précoce après un infarctus du myocarde, est le principal mécanisme pathologique de l'insuffisance cardiaque et de la mort. Cependant, il n’existe pas de modèle quantitatif d’alerte précoce du remodelage myocardique et les conseils cliniques en matière d’intervention précoce font défaut.
Notre étude précédente a révélé que l'imagerie par résonance magnétique cardiaque peut quantifier avec précision la zone nécrotique et le myocarde récupérable dans le myocarde œdémateux après un infarctus du myocarde. Dans cette étude, un algorithme d'apprentissage automatique, un réseau à convolution variable (DCN) et un réseau de capsules (capsnet) sont utilisés pour construire une nouvelle architecture de réseau neuronal. L'extraction des caractéristiques structurelles de données d'images cliniques multimodales telles que l'IRM et l'échographie est réalisée. En combinaison avec la base de données établie de 3 000 patients atteints d'infarctus du myocarde, la matrice de caractéristiques multimodales sera construite et une variété de classificateurs tels que la machine à vecteurs de support (SVM) et la forêt aléatoire (RF) seront utilisés pour la prédiction quantitative du remodelage myocardique, et les effets de différents classificateurs ont été évalués. On s'attend à ce que ce projet établisse un modèle quantitatif d'alerte précoce du remodelage du myocarde après un infarctus aigu du myocarde, conforme aux caractéristiques du peuple chinois. Le même type de données en dehors de la base de données sera utilisé à des fins de vérification afin d'établir un modèle d'alerte précoce efficace et stable.
Aperçu de l'étude
Statut
Les conditions
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
Xicheng
-
Beijing, Xicheng, Chine, 100000
- Xuanwu Hospital, Capital Medical University
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
Critères de diagnostic de l'infarctus aigu du myocarde :
augmentation ou diminution des biomarqueurs cardiaques (de préférence cTn), dépassant au moins une fois le 99e centile de la valeur de référence supérieure, variabilité du seuil ≤ 10 % et au moins un signe d'ischémie myocardique (y compris symptômes, modifications ischémiques électrocardiographiques, Q- pathologique ondes ou preuves d’imagerie).
La description
Critère d'intégration:
- 1.Patients présentant un infarctus aigu du myocarde, âgés de 18 à 80 ans ; 2. Le délai entre le début du traitement et le traitement est inférieur à 72 heures. 3. Enzyme myocardique Tni/Tnt(+).
Critère d'exclusion:
- 1.Patients atteints de tumeurs malignes ; 2.Patients qui n'ont pas pu recevoir de traitement conventionnel 3.Patients qui n'ont pas reçu de coronarographie, manquant de données anatomiques et d'imagerie ; 4.Patients ayant subi une chirurgie cardiaque (sauf pontage aorto-coronarien)
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Nouvel algorithme de réseau neuronal convolutif et imagerie par résonance magnétique cardiaque pour évaluer l'apparition d'un remodelage myocardique après un infarctus du myocarde.
Délai: 1 an
|
(Caractérisation quantitative du remodelage myocardique, imagerie par résonance magnétique cardiaque quantifiant les zones nécrotiques et le myocarde récupérable au sein du myocarde œdémateux après un infarctus du myocarde).
|
1 an
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Les index multidimensionnels de la base de données existante ont été comparés à l'emplacement et à l'évolution du remodelage myocardique par la méthode d'intelligence artificielle. Degré d'analyse de corrélation.
Délai: 1 an
|
Grâce au nouveau réseau de capsules convolutionnelles déformables qui a été développé, l'étude The Networks (DCCN) s'est concentrée sur la base de données clinique et d'imagerie complète existante des patients atteints d'infarctus aigu du myocarde. Un apprentissage automatique a été effectué sur les données pour compléter l'extraction des caractéristiques pertinentes et l'analyse des relations logiques. du remodelage myocardique après un infarctus du myocarde. De fortes caractéristiques de corrélation ont été examinées. |
1 an
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Chercheur principal: Zhi Liu, Xuanwu Hospital, Beijing
Publications et liens utiles
Publications générales
- McMurray JJ, Packer M, Desai AS, Gong J, Lefkowitz MP, Rizkala AR, Rouleau JL, Shi VC, Solomon SD, Swedberg K, Zile MR; PARADIGM-HF Investigators and Committees. Angiotensin-neprilysin inhibition versus enalapril in heart failure. N Engl J Med. 2014 Sep 11;371(11):993-1004. doi: 10.1056/NEJMoa1409077. Epub 2014 Aug 30.
- Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al-Mallah MH, Andreini D, Budoff MJ, Cademartiri F, Callister TQ, Chang HJ, Chinnaiyan K, Chow BJ, Cury RC, Delago A, Gomez M, Gransar H, Hadamitzky M, Hausleiter J, Hindoyan N, Feuchtner G, Kaufmann PA, Kim YJ, Leipsic J, Lin FY, Maffei E, Marques H, Pontone G, Raff G, Rubinshtein R, Shaw LJ, Stehli J, Villines TC, Dunning A, Min JK, Slomka PJ. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J. 2017 Feb 14;38(7):500-507. doi: 10.1093/eurheartj/ehw188.
- Anderson L, Oldridge N, Thompson DR, Zwisler AD, Rees K, Martin N, Taylor RS. Exercise-Based Cardiac Rehabilitation for Coronary Heart Disease: Cochrane Systematic Review and Meta-Analysis. J Am Coll Cardiol. 2016 Jan 5;67(1):1-12. doi: 10.1016/j.jacc.2015.10.044.
- Hausenloy DJ, Yellon DM. Myocardial ischemia-reperfusion injury: a neglected therapeutic target. J Clin Invest. 2013 Jan;123(1):92-100. doi: 10.1172/JCI62874. Epub 2013 Jan 2.
- Moran AE, Forouzanfar MH, Roth GA, Mensah GA, Ezzati M, Murray CJ, Naghavi M. Temporal trends in ischemic heart disease mortality in 21 world regions, 1980 to 2010: the Global Burden of Disease 2010 study. Circulation. 2014 Apr 8;129(14):1483-92. doi: 10.1161/CIRCULATIONAHA.113.004042. Epub 2014 Feb 26.
- Abuomara HZA, Hassan OM, Rashid T, Baraka M. Myocardial performance index as an echocardiographic predictor of early in-hospital heart failure during first acute anterior ST-elevation myocardial infarction. Egypt Heart J. 2018 Jun;70(2):71-75. doi: 10.1016/j.ehj.2017.12.001. Epub 2017 Dec 24.
- Hendriks T, Schurer RAJ, Al Ali L, van den Heuvel AFM, van der Harst P. Left ventricular restoration devices post myocardial infarction. Heart Fail Rev. 2018 Nov;23(6):871-883. doi: 10.1007/s10741-018-9711-2.
- Iborra-Egea O, Galvez-Monton C, Roura S, Perea-Gil I, Prat-Vidal C, Soler-Botija C, Bayes-Genis A. Mechanisms of action of sacubitril/valsartan on cardiac remodeling: a systems biology approach. NPJ Syst Biol Appl. 2017 Apr 18;3:12. doi: 10.1038/s41540-017-0013-4. eCollection 2017.
- Seferovic PM, Fragasso G, Petrie M, Mullens W, Ferrari R, Thum T, Bauersachs J, Anker SD, Ray R, Cavusoglu Y, Polovina M, Metra M, Ambrosio G, Prasad K, Seferovic J, Jhund PS, Dattilo G, Celutkiene J, Piepoli M, Moura B, Chioncel O, Ben Gal T, Heymans S, Jaarsma T, Hill L, Lopatin Y, Lyon AR, Ponikowski P, Lainscak M, Jankowska E, Mueller C, Cosentino F, Lund LH, Filippatos GS, Ruschitzka F, Coats AJS, Rosano GMC. Heart Failure Association of the European Society of Cardiology update on sodium-glucose co-transporter 2 inhibitors in heart failure. Eur J Heart Fail. 2020 Nov;22(11):1984-1986. doi: 10.1002/ejhf.2026. Epub 2020 Oct 27.
- Pasternak B, Ueda P, Eliasson B, Svensson AM, Franzen S, Gudbjornsdottir S, Hveem K, Jonasson C, Wintzell V, Melbye M, Svanstrom H. Use of sodium glucose cotransporter 2 inhibitors and risk of major cardiovascular events and heart failure: Scandinavian register based cohort study. BMJ. 2019 Aug 29;366:l4772. doi: 10.1136/bmj.l4772.
- West R, Jones D. Cardiac rehabilitation and mortality reduction after myocardial infarction: the emperor's new clothes? Evidence against cardiac rehabilitation. Heart. 2013 Jul;99(13):911-3. doi: 10.1136/heartjnl-2013-303705. Epub 2013 May 4.
- Milani RV, Lavie CJ. Impact of cardiac rehabilitation on depression and its associated mortality. Am J Med. 2007 Sep;120(9):799-806. doi: 10.1016/j.amjmed.2007.03.026.
- Karuzas A, Rumbinaite E, Verikas D, Ptasinskas T, Muckiene G, Kazakauskaite E, Zabiela V, Jurkevicius R, Vaskelyte JJ, Zaliunas R, Zaliaduonyte-Peksiene D. Accuracy of three-dimensional systolic dyssynchrony and sphericity indexes for identifying early left ventricular remodeling after acute myocardial infarction. Anatol J Cardiol. 2019 Jun;22(1):13-20. doi: 10.14744/AnatolJCardiol.2019.02844.
- Kagiyama N, Shrestha S, Cho JS, Khalil M, Singh Y, Challa A, Casaclang-Verzosa G, Sengupta PP. A low-cost texture-based pipeline for predicting myocardial tissue remodeling and fibrosis using cardiac ultrasound. EBioMedicine. 2020 Apr;54:102726. doi: 10.1016/j.ebiom.2020.102726. Epub 2020 Apr 6.
- Chirinos JA, Sardana M, Ansari B, Satija V, Kuriakose D, Edelstein I, Oldland G, Miller R, Gaddam S, Lee J, Suri A, Akers SR. Left Atrial Phasic Function by Cardiac Magnetic Resonance Feature Tracking Is a Strong Predictor of Incident Cardiovascular Events. Circ Cardiovasc Imaging. 2018 Dec;11(12):e007512. doi: 10.1161/CIRCIMAGING.117.007512.
- Ranka S, Reddy M, Noheria A. Artificial intelligence in cardiovascular medicine. Curr Opin Cardiol. 2021 Jan;36(1):26-35. doi: 10.1097/HCO.0000000000000812.
- Ahmad T, Lund LH, Rao P, Ghosh R, Warier P, Vaccaro B, Dahlstrom U, O'Connor CM, Felker GM, Desai NR. Machine Learning Methods Improve Prognostication, Identify Clinically Distinct Phenotypes, and Detect Heterogeneity in Response to Therapy in a Large Cohort of Heart Failure Patients. J Am Heart Assoc. 2018 Apr 12;7(8):e008081. doi: 10.1161/JAHA.117.008081.
- Tokodi M, Schwertner WR, Kovacs A, Toser Z, Staub L, Sarkany A, Lakatos BK, Behon A, Boros AM, Perge P, Kutyifa V, Szeplaki G, Geller L, Merkely B, Kosztin A. Machine learning-based mortality prediction of patients undergoing cardiac resynchronization therapy: the SEMMELWEIS-CRT score. Eur Heart J. 2020 May 7;41(18):1747-1756. doi: 10.1093/eurheartj/ehz902.
- Sanchez-Cabo F, Rossello X, Fuster V, Benito F, Manzano JP, Silla JC, Fernandez-Alvira JM, Oliva B, Fernandez-Friera L, Lopez-Melgar B, Mendiguren JM, Sanz J, Ordovas JM, Andres V, Fernandez-Ortiz A, Bueno H, Ibanez B, Garcia-Ruiz JM, Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J Am Coll Cardiol. 2020 Oct 6;76(14):1674-1685. doi: 10.1016/j.jacc.2020.08.017.
- Commandeur F, Slomka PJ, Goeller M, Chen X, Cadet S, Razipour A, McElhinney P, Gransar H, Cantu S, Miller RJH, Rozanski A, Achenbach S, Tamarappoo BK, Berman DS, Dey D. Machine learning to predict the long-term risk of myocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue: a prospective study. Cardiovasc Res. 2020 Dec 1;116(14):2216-2225. doi: 10.1093/cvr/cvz321.
- Than MP, Pickering JW, Sandoval Y, Shah ASV, Tsanas A, Apple FS, Blankenberg S, Cullen L, Mueller C, Neumann JT, Twerenbold R, Westermann D, Beshiri A, Mills NL; MI3 Collaborative. Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. Circulation. 2019 Sep 10;140(11):899-909. doi: 10.1161/CIRCULATIONAHA.119.041980. Epub 2019 Aug 16.
- Tan JH, Hagiwara Y, Pang W, Lim I, Oh SL, Adam M, Tan RS, Chen M, Acharya UR. Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals. Comput Biol Med. 2018 Mar 1;94:19-26. doi: 10.1016/j.compbiomed.2017.12.023. Epub 2018 Jan 2.
- D'Ascenzo F, De Filippo O, Gallone G, Mittone G, Deriu MA, Iannaccone M, Ariza-Sole A, Liebetrau C, Manzano-Fernandez S, Quadri G, Kinnaird T, Campo G, Simao Henriques JP, Hughes JM, Dominguez-Rodriguez A, Aldinucci M, Morbiducci U, Patti G, Raposeiras-Roubin S, Abu-Assi E, De Ferrari GM; PRAISE study group. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. Lancet. 2021 Jan 16;397(10270):199-207. doi: 10.1016/S0140-6736(20)32519-8.
- Fernandez-Ruiz I. Machine learning predicts risk in ACS. Nat Rev Cardiol. 2021 Apr;18(4):230. doi: 10.1038/s41569-021-00521-8. No abstract available.
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
Autres numéros d'identification d'étude
- xuanwuliuzhi
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 .