- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT03458806
A billentyűbetegségek fono- és elektrokardiogrammal segített kimutatása (PEA-Valve)
A szívbillentyű-betegség (VHD) diagnózisa vagy hiánya mindig szívképalkotást igényel. Egy jól ismert és olcsó eszköz, amely segíti a jelentős VHD diagnózisát vagy kizárását, meggyorsíthatja az életmentő terápiákhoz való hozzáférést és csökkentheti a költséges vizsgálatok szükségességét. Az FDA által jóváhagyott Eko Duo készülék egy digitális sztetoszkópból és egy elvezetéses elektrokardiogramból (EKG) áll, amely vezeték nélkül párosul az Eko Mobile alkalmazással, így lehetővé teszi a fono- és elektrokardiogramok egyidejű rögzítését és megjelenítését. Ezek a funkciók egyedülállóan alkalmassá teszik ezt az eszközt arra, hogy nagyszámú hallási adatot gyűjtsön a VHD-vel rendelkező és anélküli betegekről.
Ebben a tanulmányban a kutatók egy automatizált rendszer kifejlesztésére törekednek a VHD fono- és elektrokardiogram segítségével történő azonosítására. A kutatók konkrétan gépi tanulási algoritmusokat próbálnak kifejleszteni a klinikailag fontos aorta stenosisban (AS) vagy mitralis regurgitációban (MR) szenvedő betegek fonokardiogramjának megtanulására, majd megbízzák az algoritmusokat, hogy azonosítsák azokat a betegeket, akiknek klinikailag fontos VHD-ja van. standard, naiv fonokardiogramokból. A kutatók arra számítanak, hogy a tanulmány forradalmasíthatja a VHD diagnózisát azáltal, hogy pontosabb helyettesíti a hagyományos auszkultációt.
A tanulmány áttekintése
Állapot
Részletes leírás
A szívbillentyű-betegség fono- és elektrokardiogrammal segített kimutatása (PEA-billentyű vizsgálat)
Konkrét cél(ok) 1. cél: Egyidejű fono- és elektrokardiogram felvételekből származó gépi tanulási algoritmus képes-e megbízhatóan diagnosztizálni klinikailag fontos aorta szűkületet?
2. cél: Egyidejű fono- és elektrokardiogram felvételekből származó gépi tanulási algoritmus képes-e megbízhatóan diagnosztizálni a klinikailag fontos mitralis regurgitációt?
Jelentőség A szívbillentyű-betegség (VHD) gyakori globális egészségügyi probléma, a populációalapú vizsgálatok szerint az aorta szűkülete (AS) 10%-os, míg a mitralis regurgitáció (MR) esetében 20%-os gyakorisággal fordul elő. Az új sebészeti és intervenciós fejlesztések lehetővé teszik az idősebb betegek kezelését, vagy akiknél a beavatkozás kockázata korábban tarthatatlan lett volna. Tekintettel arra, hogy mind az MR, mind az AS előfordulása az életkor előrehaladtával növekszik, egyre nagyobb szükség van ezen állapotok azonosítására, hogy a betegséget megváltoztató terápiákat kínálhassunk.
A jelenlegi klinikai gyakorlatban a VHD diagnózisa nagymértékben támaszkodik az echokardiográfiára. Ehhez viszont egy olyan szolgáltató beutalójára van szükség, akinek klinikai gyanúja van VHD-re, jellemzően auskultáció során fellépő rendellenesség miatt, valamint magához az echokardiogramhoz. Mind az MR, mind az AS megbízhatóan reprodukálható auskultációs leleteket eredményez: holosystolés, illetve szisztolés crescendo-decrescendo zörejeket. Ennek ellenére az auskultáció, mint diagnosztikai eszköz köztudottan gyenge: az MR és az AS kimutatásának pontossága mindössze 5-40%. Ezek a tényezők mind-mind aggodalomra adnak okot az egyre jobban kezelhető állapotok aluldiagnosztizálása miatt.
Itt a vizsgálók a VHD-tesztekhez való nagyobb hozzáférés és a jobb diagnosztikai pontosság iránti igényekkel foglalkoznak. A nyomozók a fonokardiogram (PCG) és az egyelvezetéses elektrokardiogram (EKG) felvételek kombinációját használják majd, valós időben szinkronizálva egy biztonságos felhőalapú szerverrel, az Eko Duo elektronikus sztetoszkóp segítségével. Ezekkel az adatokkal a kutatók gépi tanulási algoritmust dolgoznak ki és validálnak a klinikailag fontos AS vagy MR diagnosztizálására. Mivel az Eko Duo lényegében hasonlít egy hagyományos sztetoszkóphoz, amely ikonikus eszköz, amelyet a betegek és a szolgáltatók egyaránt széles körben elfogadnak, az automatizált észlelési algoritmus meghajtására való használata megvalósítható és vonzó a hagyományos auszkultáció helyettesítőjeként. Ezen túlmenően azáltal, hogy a tesztértelmezés terhét a klinikusról az algoritmusra helyezik át, a vizsgálók azt feltételezik, hogy ez javítja az általános diagnosztikai pontosságot.
Módszerek A tervezés áttekintése: Az UCSF felnőtt echokardiográfiás laboratóriumában klinikai echokardiogramon átesett alanyok keresztmetszeti vizsgálata
Vizsgálati alanyok Áttekintés: A vizsgálók olyan felnőtt alanyokat vesznek fel, akiknek klinikai echokardiogramon esnek át az UCSF Parnassus campusán. Ezeket az alanyokat levezetési és érvényesítési kohorszokba csoportosítják egymás után, az eset állapota szerint rétegezve, hogy elérjék a várt mintanagyságot. Ilyen csoportosításra a tantárgyfelvétel és az adatgyűjtés után kerül sor.
Célpopuláció: Felnőttek közepesen súlyos vagy súlyos AS-ban vagy közepesen súlyos vagy súlyos MR-ben (esetek) és szerkezetileg normális szívű felnőttek, minimális VHD-val (kontroll). Egy szigorúbb, párhuzamos elemzésben a kontrollok célpopulációját úgy határozzuk meg, hogy az AS vagy MR bármilyen fokú mérsékelttől súlyosig kisebb.
Hozzáférhető lakosság: Az UCSF echokardiográfiás laboratóriumában klinikai echokardiográfiás vizsgálaton átesett felnőttek, akik megfelelnek a részvételi feltételeknek.
Mintavételi séma: A vizsgálók egymás után közelítik meg az UCSF Parnassus felnőtt echokardiográfiás laboratóriumában jelentkező alanyokat. Ezenkívül a vizsgálók előzetesen szűrik az alanyokat, hogy nagy valószínűséggel szenvednek-e AS-ben vagy MR-ben (a vizsgálat indikációi és az APEX-orvosi nyilvántartásban szereplő korábbi diagnózisok alapján), és szelektíven megcélozzák felvételüket olyan helyzetekben, amikor a vizsgálati koordinátor felvételi kapacitása telített. .
Toborzási stratégia: A tanulmány bevezetése az echokardiogramra való regisztrációkor egy brosúrával vagy szórólappal, majd a lehetséges alanyok személyes megkeresése a klinikai echokardiogramra várva.
Megtartási stratégia: Nincs. A nyomozók megőrzik a kórlapszámok törzsfájlját, hogy a jövőben azonosíthassák az elérhetőségeket, ha szükségesnek ítélik.
A mérések áttekintése: A tanulmány két mérésre összpontosít: 1) a VHD arany standard értékelése echokardiogrammal, az UCSF echokardiográfiai laboratóriuma szerint. 2) 30 másodperces szimultán PCG és egyelvezetéses EKG-felvételek az Eko Duo készülékkel mind a négy standard kardiális auszkultációs pozícióban, opcionális kiegészítő felvételekkel az Eko Core készülékkel. A tanulmány kihasználja azt a tényt, hogy minden klinikai echokardiogram jelentés tartalmazza ezeket a billentyűértékeléseket.
Arany standard: Az echokardiogramot a kardiológiai közösség aranystandardjaként fogadja el a VHD súlyosságának diagnosztizálására. A vizsgálók terheinek minimalizálása és a költségek csökkentése érdekében a vizsgálók kihasználják, hogy minden klinikai echokardiogram jelentés tartalmazza a VHD értékelését, amely aranystandardként fog szolgálni. Ezek a jelentések az American Society for Echocardiography (ASE) irányelveit követik, amelyek lehetővé teszik a VHD minősítését a következőképpen: nincs, enyhe, közepes vagy súlyos. Az UCSF echokardiográfiás laboratórium további nyomkövetési, enyhe-közepes, közepes-súlyos és kritikus kategóriákat tartalmaz, lehetővé téve az olyan értelmezéseket, ahol a vizsgálaton belüli egyéni paraméterek ütköznek. Az elsődleges mérés a VHD súlyosságának végső megállapítása MR vagy AS esetén, amint azt egy okleveles kardiológus jelentette. A kutatók a "klinikailag fontos" VHD-t közepestől súlyosig vagy még rosszabbnak minősítik, mivel ez magában foglalja a betegség minden szintjét, amely közvetlen beavatkozást igényelhet. Ezen túlmenően a kutatók kivonják a teljes echokardiográfiás jelentést, valamint az echokardiogram fájlok képeit, hogy az adatokat későbbi felhasználás céljából elmentsék, amint új kutatási kérdések merülnek fel.
Eszközmérések: Az egyidejű PCG és az egyelvezetéses EKG rögzítése minden alanynál szabványos módon történik. Minden alany 30 másodperces felvételen megy keresztül az Eko Duo készülékkel a négy szabványos auskultációs pozícióban. A megfigyelők képzést kapnak a mérések szisztematikus módszeréről. Ha az idő és a beteg engedi, a vizsgálók ugyanazokat a felvételeket az Eko Core készülékkel is megkapják, amely ugyanazt a szoftvert használja, de nem tartalmaz EKG-felvételt. Mivel az eszköz lehetővé teszi a PCG megjelenítését a rögzítés során, a megfigyelő valós idejű visszajelzést kap az eszköz helyzetéről, hogy maximalizálja a felvétel minőségét az egyes pozíciókban. A megfelelő adatminőség biztosítása érdekében a nyomozók a felvételek időszakos felülvizsgálatát tervezik. A kutatók arra számítanak, hogy ez a rugalmasság és a valós idejű visszajelzés javítani fogja az eszköz használatának általánosíthatóságát a valós világra (pl. nem vizsgálat) klinikai helyzet.
Zavarok és torzítás: Az algoritmusok levezetése és validálása távolról történik, a klinikai echokardiogram elvégzése után, és ezért nincs hatással az aranystandard eredményére. A tesztet befolyásolhatja a szisztolés zörejt okozó egyéb állapotok jelenléte (beleértve az AS-től vagy az MR-től eltérő VHD-t vagy a veleszületett szívbetegséget). A vizsgálók ezeket a méréseket az echokardiogram jelentéséből fogják felvenni, hogy összehasonlítsák a tesztteljesítményt azoknál, akiknél ez az egyéb állapot fennáll, vagy nem.
Statisztikai kérdések Null hipotézis: A gépi tanulási algoritmus nem tudja megjósolni a klinikailag fontos AS vagy MR jelenlétét.
A minta méretének indoklása:
- Az algoritmus érzékenysége: 90%
- Az algoritmus specifikussága: 90%
- Az [LR(R)] algoritmus célvalószínűségi aránya (+): 9 (az Sn / [1 - Sp]-ből származtatva)
- Az algoritmus [LR(R)] minimális valószínűségi aránya (+): 5
- Megbízhatósági szint = 0,95 (alfa = 0,05)
- Konfidenciaintervallum [LR(R)]: 5,120-15,820
- Mintaméret = 110 csoportonként; 330 kohorszonként (kontroll, AS-eset, MR-eset); Összességében 660 (képzési és érvényesítési kohorsz)
- Összegzés: Feltételezve, hogy a klinikailag fontos AS vagy MR kimutatására szolgáló gépi tanulási algoritmus érzékenysége és specificitása egyaránt 0,9, a 660-as teljes mintanagyság várhatóan egyik esetben sem megy az 5,0-s valószínűségi küszöbérték alá a 95%-os konfidencia intervallumban. a származtatási vagy érvényesítési kohorszok.
- A kritikus feltételezések indoklása: A kutatók feltételezik, hogy az algoritmus 90%-os szenzitivitást és specificitást tud produkálni az aorta szűkület vagy mitralis regurgitáció kimutatásában a szívbillentyű-betegségben nem szenvedő szívekhez képest, neurális hálózatokat használó, korábban publikált jelentések alapján, 100-nál kisebb mintamérettel esetek. Ezenkívül a vizsgálók becslése szerint legalább 5-ös valószínűségi arány szükséges ahhoz, hogy a teszt klinikailag hasznos legyen. Bár ez a becslés jól működik az érvényesítési halmaznál, a származtatási halmazhoz szükséges szám kevésbé egyértelmű; a fenti becslések óvatos számok. A nyomozók azt várják, hogy az algoritmus betanítása minden 20. eset után bootstrapping megközelítést alkalmazzon; ez köztes tesztjellemzőket biztosít, és segít meghatározni a származtatási halmazhoz szükséges valódi számot. Mivel ez részben egy kísérleti vizsgálat, a teszt valódi érzékenységének és specificitásának meghatározása önmagában is értékes eredmény.
Elemzési megközelítés: A vizsgálók ROC-görbéket generálnak (Sn vs. 1-Sp ábrázolása) az érvényesítési halmaz algoritmuspontszámaihoz. Végül a vizsgálók 4 görbét generálnak: kettőt-kettőt az MR-hez és az AS-hez, az elsődleges (meghatározva, hogy a kontrollok legfeljebb enyhe VHD-val rendelkeznek) és a másodlagos (a kontrollokat úgy határozzák meg, hogy nem rendelkeznek közepestől súlyos vagy nagyobb VHD-vel) által generált algoritmusok segítségével. . Ezen túlmenően a vizsgálók azt várják, hogy magának az algoritmusnak feltáró, leíró elemzését végezzék el, azáltal, hogy azonosítják az AS vagy MR kimutatásában leginkább súlyozott jellemzőkkel kapcsolatos klinikai összefüggéseket.
Egyéb Etikai megfontolások: Nincsenek komoly aggályok. Az adatokat biztonságosan tároljuk HIPAA-kompatibilis platformokon. A tanulmány az UCSF CHR kritériumai szerint minimális kockázatnak minősül.
Előteszt tervek: A tanulmányi toborzás előtt a vizsgálati személyzet adatokat gyűjt magáról és a szolgáltatókról, hogy tesztelje az adatgyűjtési rendszert. A kezdeti tantárgyfelvétel során a vizsgálati személyzet minden nap után felülvizsgálja a folyamatot, hogy megvitassák az akadályokat vagy aggályokat.
Adatkezelési terv: A tanulmányból származó adatok két forrásból származnak. Az elektronikus kórlapból (APEX) kinyert echokardiogramokról készült jelentéseket a vizsgálati személyzet felülvizsgálja, hogy létrehozza a betegség jellemzőinek fő adatbázisát. Az alanyazonosítókat az azonosítható információkkal összekapcsoló törzsfájl, valamint a kivont és az azonosítás nélküli echokardiogram jelentések és az azonosított nyers echokardiogram képek a Kardiológiai Osztály által használt biztonságos kutatószerveren kerülnek tárolásra. A rögzített PCG és EKG adatok (a tényleges vizsgálati mérések) valós időben szinkronizálva lesznek egy biztonságos, HIPAA-kompatibilis, felhő alapú szerverrel, amelyet az Eko Devices kezel. Az algoritmusoktatás előre meghatározott időpontjaiban a gépi tanulási csapat (az Eko Devices koordinálásával) kulcsokat kap a tantárgyazonosító VHD kategóriához való hozzárendeléséhez.
Minőségellenőrzési intézkedések: A felvett adatok időszakos felülvizsgálatát a vizsgálati PI végzi a megfelelő adatminőség biztosítása érdekében.
Menetrend:
Szerződés/logisztikai tantárgy beiratkozási algoritmus fejlesztési elemzés kiadványa teljes ütemterv: 9 hónap
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
California
-
San Francisco, California, Egyesült Államok, 94143
- University of California San Francisco
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Képes beleegyezést adni
- Teljes echokardiogramon kell átesni
Kizárási kritériumok:
- A részvétel megtagadása
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Case-Control
- Időperspektívák: Keresztmetszeti
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
---|---|
Ellenőrzés
Az aorta szűkület (AS) és mitralis regurgitáció (MR) tekintetében mérsékelttől súlyosig terjedő echokardiográfiás vizsgálattal igazolt billentyűbetegségben szenvedő betegek.
Vegye figyelembe, hogy ezen a kohorszon belül egy alkohorsz lesz, amely szerkezetileg normális szívű alanyokból áll, akiknek egyetlen billentyűnél sem volt súlyosabb, mint enyhe billentyűbetegségük, nincs előzetes billentyű-beavatkozás, és nincs bizonyíték a veleszületett szívbetegségre.
|
EKG- és PCG-felvételekből generált gépi tanulási algoritmus, amely megkülönbözteti a közepestől a súlyosig terjedő vagy nagyobb aortaszűkületet azoktól a kontrolloktól, amelyeknél a mérsékelttől súlyosig terjedő vagy nagyobb aortaszűkülettől eltérő lelet található.
EKG- és PCG-felvételekből generált gépi tanulási algoritmus, amely megkülönbözteti a közepestől a súlyosig terjedő vagy nagyobb mitrális regurgitációt azoktól a kontrolloktól, amelyeknél a mérsékelttől súlyosig terjedő vagy nagyobb mitrális regurgitáción kívül bármilyen más lelet található.
|
AS eset
Közepestől súlyosig terjedő vagy nagyobb fokú echokardiográfiás vizsgálattal igazolt aortaszűkületben (AS) szenvedő alanyok.
|
EKG- és PCG-felvételekből generált gépi tanulási algoritmus, amely megkülönbözteti a közepestől a súlyosig terjedő vagy nagyobb aortaszűkületet azoktól a kontrolloktól, amelyeknél a mérsékelttől súlyosig terjedő vagy nagyobb aortaszűkülettől eltérő lelet található.
EKG- és PCG-felvételekből generált gépi tanulási algoritmus, amely megkülönbözteti a közepestől a súlyosig terjedő vagy nagyobb aortaszűkületet a szerkezetileg normális szívű kontrolloktól, és bármely helyen nem haladja meg az enyhe szívbillentyű-betegséget.
|
MR ügy
Közepestől súlyosig terjedő vagy nagyobb fokú echokardiográfiás vizsgálattal igazolt mitralis regurgitációval (MR) szenvedő alanyok.
|
EKG- és PCG-felvételekből generált gépi tanulási algoritmus, amely megkülönbözteti a közepestől a súlyosig terjedő vagy nagyobb mitrális regurgitációt azoktól a kontrolloktól, amelyeknél a mérsékelttől súlyosig terjedő vagy nagyobb mitrális regurgitáción kívül bármilyen más lelet található.
EKG- és PCG-felvételekből generált gépi tanulási algoritmus, amely megkülönbözteti a közepestől a súlyosig terjedő vagy nagyobb mitrális regurgitációt a szerkezetileg normális szívű kontrolloktól, és bármely helyen nem haladja meg az enyhe szívbillentyű-betegséget.
|
Kontroll alcsoport
Szerkezetileg normális szívű alanyok, akiknek egyik billentyűje sem volt enyhébb billentyűbetegségben, nincs előzetes billentyű-beavatkozás, és nincs bizonyíték veleszületett szívbetegségre.
|
EKG- és PCG-felvételekből generált gépi tanulási algoritmus, amely megkülönbözteti a közepestől a súlyosig terjedő vagy nagyobb aortaszűkületet a szerkezetileg normális szívű kontrolloktól, és bármely helyen nem haladja meg az enyhe szívbillentyű-betegséget.
EKG- és PCG-felvételekből generált gépi tanulási algoritmus, amely megkülönbözteti a közepestől a súlyosig terjedő vagy nagyobb mitrális regurgitációt a szerkezetileg normális szívű kontrolloktól, és bármely helyen nem haladja meg az enyhe szívbillentyű-betegséget.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
A klinikailag jelentős aorta szűkület megkülönböztetése a szerkezetileg normális szívektől
Időkeret: A vizsgálat lezárása (az aorta stenosis validációs készlet végleges felvétele után), 1 éven belül.
|
Klinikailag fontos (közepes-súlyos vagy nagyobb) aortaszűkületek betanított gépi tanulási algoritmussal történő azonosítása szerkezetileg normális szívű, és legfeljebb enyhe szívbillentyű-betegséggel rendelkező kontroll személyeknél, összehasonlítva az arany standard echokardiogram értelmezésével.
Mivel algoritmusunk folyamatos "pontszámot" fog adni a betegség valószínűségének meghatározásához, az adatok elsősorban a vevő működési jelleggörbéje formájában érkeznek, amelyre 0,9-es érzékenységi határértékeknél pontosságot, specifitást és valószínűségi arányokat számítunk ki. 0,95 és 0,99.
|
A vizsgálat lezárása (az aorta stenosis validációs készlet végleges felvétele után), 1 éven belül.
|
A klinikailag jelentős mitrális szűkület megkülönböztetése a szerkezetileg normális szívektől
Időkeret: A vizsgálat lezárása (a mitralis regurgitáció validációs készletének végleges felvétele után), 1 éven belül.
|
Klinikailag fontos mitralis regurgitáció (közepestől súlyos vagy nagyobb) azonosítása a betanított gépi tanulási algoritmus segítségével szerkezetileg normális szívű és legfeljebb enyhe szívbillentyű-betegséggel rendelkező kontroll személyeknél, összehasonlítva az arany standard echokardiogram értelmezésével.
Mivel algoritmusunk folyamatos "pontszámot" ad a betegség valószínűségének meghatározásához, az adatok elsősorban a vevő működési jelleggörbéje formájában érkeznek, amelyre 0,9-es érzékenységi határértéknél pontosságot, specifitást és valószínűségi arányokat számítunk. 0,95 és 0,99...
|
A vizsgálat lezárása (a mitralis regurgitáció validációs készletének végleges felvétele után), 1 éven belül.
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
A klinikailag jelentős aorta szűkület megkülönböztetése a klinikailag jelentős aorta szűkület hiányától
Időkeret: A vizsgálat lezárása (az aorta stenosis validációs készlet végleges felvétele után), 1 éven belül.
|
Klinikailag fontos (közepes-súlyos vagy nagyobb) aortaszűkületek betanított gépi tanulási algoritmussal történő azonosítása a közepesnél súlyosabb aortaszűkületben szenvedő kontrollokból, összehasonlítva az arany standard echokardiogram értelmezésével.
Mivel algoritmusunk folyamatos "pontszámot" fog adni a betegség valószínűségének meghatározásához, az adatok elsősorban a vevő működési jelleggörbéje formájában érkeznek, amelyre 0,9-es érzékenységi határértékeknél pontosságot, specifitást és valószínűségi arányokat számítunk ki. 0,95 és 0,99.
|
A vizsgálat lezárása (az aorta stenosis validációs készlet végleges felvétele után), 1 éven belül.
|
A klinikailag jelentős mitralis regurgitáció megkülönböztetése a klinikailag jelentős mitralis regurgitáció hiányától
Időkeret: A vizsgálat lezárása (a mitralis regurgitáció validációs készletének végleges felvétele után), 1 éven belül.
|
Klinikailag fontos mitrális regurgitáció (közepes-súlyos vagy nagyobb) azonosítása a betanított gépi tanulási algoritmussal a közepesnél súlyosabb mitrális regurgitációval rendelkező kontrollokból, összehasonlítva az arany standard echocardiogram értelmezésével.
Mivel algoritmusunk folyamatos "pontszámot" fog adni a betegség valószínűségének meghatározásához, az adatok elsősorban a vevő működési jelleggörbéje formájában érkeznek, amelyre 0,9-es érzékenységi határértékeknél pontosságot, specifitást és valószínűségi arányokat számítunk ki. 0,95 és 0,99.
|
A vizsgálat lezárása (a mitralis regurgitáció validációs készletének végleges felvétele után), 1 éven belül.
|
Együttműködők és nyomozók
Együttműködők
Nyomozók
- Kutatásvezető: John Chorba, MD, University of California, San Francisco
Publikációk és hasznos linkek
Általános kiadványok
- Zoghbi WA, Adams D, Bonow RO, Enriquez-Sarano M, Foster E, Grayburn PA, Hahn RT, Han Y, Hung J, Lang RM, Little SH, Shah DJ, Shernan S, Thavendiranathan P, Thomas JD, Weissman NJ. Recommendations for Noninvasive Evaluation of Native Valvular Regurgitation: A Report from the American Society of Echocardiography Developed in Collaboration with the Society for Cardiovascular Magnetic Resonance. J Am Soc Echocardiogr. 2017 Apr;30(4):303-371. doi: 10.1016/j.echo.2017.01.007. Epub 2017 Mar 14. No abstract available.
- Nishimura RA, Otto CM, Bonow RO, Carabello BA, Erwin JP 3rd, Guyton RA, O'Gara PT, Ruiz CE, Skubas NJ, Sorajja P, Sundt TM 3rd, Thomas JD; American College of Cardiology/American Heart Association Task Force on Practice Guidelines. 2014 AHA/ACC guideline for the management of patients with valvular heart disease: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines. J Am Coll Cardiol. 2014 Jun 10;63(22):e57-185. doi: 10.1016/j.jacc.2014.02.536. Epub 2014 Mar 3. No abstract available. Erratum In: J Am Coll Cardiol. 2014 Jun 10;63(22):2489. Dosage error in article text.
- Jones EC, Devereux RB, Roman MJ, Liu JE, Fishman D, Lee ET, Welty TK, Fabsitz RR, Howard BV. Prevalence and correlates of mitral regurgitation in a population-based sample (the Strong Heart Study). Am J Cardiol. 2001 Feb 1;87(3):298-304. doi: 10.1016/s0002-9149(00)01362-x.
- Eveborn GW, Schirmer H, Heggelund G, Lunde P, Rasmussen K. The evolving epidemiology of valvular aortic stenosis. the Tromso study. Heart. 2013 Mar;99(6):396-400. doi: 10.1136/heartjnl-2012-302265. Epub 2012 Sep 2.
- Faxon DP, Williams DO. Interventional Cardiology: Current Status and Future Directions in Coronary Disease and Valvular Heart Disease. Circulation. 2016 Jun 21;133(25):2697-711. doi: 10.1161/CIRCULATIONAHA.116.023551. No abstract available.
- Mangione S, Nieman LZ. Cardiac auscultatory skills of internal medicine and family practice trainees. A comparison of diagnostic proficiency. JAMA. 1997 Sep 3;278(9):717-22. Erratum In: JAMA 1998 May 13;279(18):1444.
- Mangione S. Cardiac auscultatory skills of physicians-in-training: a comparison of three English-speaking countries. Am J Med. 2001 Feb 15;110(3):210-6. doi: 10.1016/s0002-9343(00)00673-2.
- Baumgartner H, Hung J, Bermejo J, Chambers JB, Edvardsen T, Goldstein S, Lancellotti P, LeFevre M, Miller F Jr, Otto CM. Recommendations on the Echocardiographic Assessment of Aortic Valve Stenosis: A Focused Update from the European Association of Cardiovascular Imaging and the American Society of Echocardiography. J Am Soc Echocardiogr. 2017 Apr;30(4):372-392. doi: 10.1016/j.echo.2017.02.009.
- Pretorius E, Cronje ML, Strydom O. Development of a pediatric cardiac computer aided auscultation decision support system. Annu Int Conf IEEE Eng Med Biol Soc. 2010;2010:6078-82. doi: 10.1109/IEMBS.2010.5627633.
- Chorba JS, Shapiro AM, Le L, Maidens J, Prince J, Pham S, Kanzawa MM, Barbosa DN, Currie C, Brooks C, White BE, Huskin A, Paek J, Geocaris J, Elnathan D, Ronquillo R, Kim R, Alam ZH, Mahadevan VS, Fuller SG, Stalker GW, Bravo SA, Jean D, Lee JJ, Gjergjindreaj M, Mihos CG, Forman ST, Venkatraman S, McCarthy PM, Thomas JD. Deep Learning Algorithm for Automated Cardiac Murmur Detection via a Digital Stethoscope Platform. J Am Heart Assoc. 2021 May 4;10(9):e019905. doi: 10.1161/JAHA.120.019905. Epub 2021 Apr 26.
Hasznos linkek
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 17-21881
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
az Egyesült Államokban gyártott és onnan exportált termék
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .
Klinikai vizsgálatok a Aortabillentyű szűkület
-
Bnai Zion Medical CenterIsmeretlenSpinális érzéstelenítés | Általános érzéstelenítés | Hipertrófiás pylorus stenosis
-
Children's Mercy Hospital Kansas CityBefejezveHipertrófiás pylorus stenosisEgyesült Államok
-
Centre Hospitalier Universitaire, AmiensToborzásLégúti szövődmény | Hipertrófiás pylorus stenosisFranciaország
-
Sheba Medical CenterUniversity of HaifaIsmeretlenEgészséges | Hipertrófiás pylorus stenosis
-
InnoRa GmbHBefejezve
-
Shanghai Zhongshan HospitalIsmeretlenInfantilis hipertrófiás pylorus szűkület | PyloromyotomiaKína
-
Ochsner Health SystemVisszavontTCD | Tünetekkel járó carotis stenosis | Tünetmentes carotis stenosis | LÁTÁSOKEgyesült Államok
-
Medica Cor Heart HospitalIsmeretlenCoronaria Ostium stenosis | MyonecrosisBulgária
-
Dr. Gianluigi BisleriMedtronicBefejezveGraft fertőzés | Coronaria Bypass stenosis
-
Hospices Civils de LyonToborzás
Klinikai vizsgálatok a AS 2. algoritmus
-
Hospices Civils de LyonBefejezveA tej poláris lipideinek hatása a lipidek emésztésére, felszívódására és metabolizmusára (VALOBAB-D)Kardiometabolikus kockázatFranciaország
-
OsciFlex LLCUniversity of Pennsylvania; National Heart, Lung, and Blood Institute (NHLBI)BefejezveAz OsciPulse Rapid Cycling Compression készülék vénás véráramlásra gyakorolt hatásainak értékeléseVénás pangás | Vénás trombózisokEgyesült Államok
-
Carmel Medical CenterBefejezveJelek és tünetek, Légzőszervi | Allergia | Bronchiális asztmaIzrael
-
Carna Biosciences, Inc.ToborzásFollikuláris limfóma | Waldenstrom makroglobulinémia | Köpenysejtes limfóma | Marginális zóna limfóma | Krónikus limfocitás leukémia | Non-Hodgkin limfóma | Kis limfocitikus limfóma | B-sejtes rosszindulatú daganatEgyesült Államok
-
Mayo ClinicBefejezveEsszenciális Tremor
-
Renmin Hospital of Wuhan UniversityShanghai Pudong HospitalMég nincs toborzásMesterséges intelligencia | FelügyeletKína
-
GlaxoSmithKlineBefejezveTetanusz | Diftéria | Acelluláris pertussisEgyesült Államok
-
BioNova Pharmaceuticals (Shanghai) LTD.Visszavont
-
Singapore National Eye CentreBefejezve
-
InQpharm GroupVisszavontFáradtságNémetország