Újszerű konvolúciós neurális hálózat fejlesztése az aritmia osztályozására (AI-ECG)
2020. november 4. frissítette: Sanjeev Bhavnani MD, Scripps Clinic
Új konvolúciós neurális hálózat fejlesztése a sokkoló szívritmusok aritmiák osztályozására
A megfelelő aritmia azonosítása a klinikai esemény idején, beleértve a szívmegállást, kiemelten fontos a betegek, az egészségügyi szervezetek és a közegészségügy számára.
A mesterséges intelligencia és a gépi tanulás legújabb fejlesztései új lehetőségeket kínálnak a szívritmuszavarok gyors és pontos diagnosztizálására, valamint arra, hogy hogyan használják az új mobil egészségügyi és szívtelemetriai eszközöket a betegellátásban.
A jelenlegi vizsgálat célja egy új mesterséges intelligencia statisztikai megközelítés, az úgynevezett „konvolúciós neurális hálózati osztályozó”, és annak teljesítménye a 12 elvezetéses EKG-n és egy elvezetéses Holter/esemény-monitorozáson diagnosztizált különböző aritmiák esetén.
Ezek az aritmiák közé tartoznak; pitvarfibrilláció, szupraventrikuláris tachycardia, AV-blokk, asystole, kamrai tachycardia és kamrai fibrilláció, és az American Heart Association teljesítménykritériumainak megfelelnek (95%-os egyoldalú konfidenciaintervallum 67-92% az aritmia típusától függően).
Ennek érdekében a vizsgálati megközelítés egy nagy EKG-adatbázis létrehozása az azonosítatlan nyers EKG-adatokból, és a neurális hálózat betanítása az EKG-adatokon a diagnosztikai pontosság javítása érdekében.
A tanulmány áttekintése
Állapot
Befejezve
Körülmények
Beavatkozás / kezelés
Tanulmány típusa
Megfigyelő
Beiratkozás (Tényleges)
25458
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
California
-
San Diego, California, Egyesült Államok, 92037
- Scripps Clinic
-
-
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
- FELNŐTT
- OLDER_ADULT
- GYERMEK
Egészséges önkénteseket fogad
Igen
Tanulmányozható nemek
Összes
Mintavételi módszer
Nem valószínűségi minta
Tanulmányi populáció
12 elvezetéses EKG-n vagy Holter/Eseményfigyelés alatt álló egyének
Leírás
Bevételi kritériumok:
- Minden EKG-adat 12 elvezetéses EKG-, egy- és többelvezetéses adatbázisból van összeállítva
Kizárási kritériumok:
- Egyik sem
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
EKG adatok
Kódolt adatok, beleértve; hullámhosszak, amplitúdó, intervallumok, időzítés, frekvencia
|
A konvolúciós neurális hálózat úgy van konfigurálva, hogy bemenetként egy elektrokardiogram szegmenst fogadjon, és egy kimenetet generáljon, amely jelzi, hogy a vett elektrokardiogram szegmens szívritmuszavart jelent-e.
A konvolúciós neurális hálózat nem azonosítja az elektrokardiogram specifikus jellemzőit, és a kapott elektrokardiogram szegmenst nem szűri, transzformálja vagy feldolgozza az algoritmus a vétel előtt.
Az algoritmust hasonló módon tanítják – az elektrokardiogram szegmensei az egyetlen bemeneti a konvolúciós neurális hálózathoz.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Diagnosztikai pontosság
Időkeret: 1 ÉV
|
Az American Heart Association EKG teljesítménykritériumai
|
1 ÉV
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
Nyomozók
- Kutatásvezető: Sanjeev Bhavnani, MD, Scripps Clinic Medical Group
Publikációk és hasznos linkek
A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.
Általános kiadványok
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Trans Biomed Eng. 2016 Mar;63(3):664-75. doi: 10.1109/TBME.2015.2468589. Epub 2015 Aug 14.
- Bhavnani SP, Parakh K, Atreja A, Druz R, Graham GN, Hayek SS, Krumholz HM, Maddox TM, Majmudar MD, Rumsfeld JS, Shah BR. 2017 Roadmap for Innovation-ACC Health Policy Statement on Healthcare Transformation in the Era of Digital Health, Big Data, and Precision Health: A Report of the American College of Cardiology Task Force on Health Policy Statements and Systems of Care. J Am Coll Cardiol. 2017 Nov 28;70(21):2696-2718. doi: 10.1016/j.jacc.2017.10.018. No abstract available.
- Bhavnani SP, Narula J, Sengupta PP. Mobile technology and the digitization of healthcare. Eur Heart J. 2016 May 7;37(18):1428-38. doi: 10.1093/eurheartj/ehv770. Epub 2016 Feb 11.
- Vandendriessche B, Abas M, Dick TE, Loparo KA, Jacono FJ. A Framework for Patient State Tracking by Classifying Multiscalar Physiologic Waveform Features. IEEE Trans Biomed Eng. 2017 Dec;64(12):2890-2900. doi: 10.1109/TBME.2017.2684244. Epub 2017 Mar 17.
- Arvanaghi R, Daneshvar S, Seyedarabi H, Goshvarpour A. Fusion of ECG and ABP signals based on wavelet transform for cardiac arrhythmias classification. Comput Methods Programs Biomed. 2017 Nov;151:71-78. doi: 10.1016/j.cmpb.2017.08.013. Epub 2017 Aug 24.
- Figuera C, Irusta U, Morgado E, Aramendi E, Ayala U, Wik L, Kramer-Johansen J, Eftestol T, Alonso-Atienza F. Machine Learning Techniques for the Detection of Shockable Rhythms in Automated External Defibrillators. PLoS One. 2016 Jul 21;11(7):e0159654. doi: 10.1371/journal.pone.0159654. eCollection 2016.
- Li Q, Rajagopalan C, Clifford GD. Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Trans Biomed Eng. 2014 Jun;61(6):1607-13. doi: 10.1109/TBME.2013.2275000. Epub 2013 Jul 26.
- Lyon A, Minchole A, Martinez JP, Laguna P, Rodriguez B. Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J R Soc Interface. 2018 Jan;15(138):20170821. doi: 10.1098/rsif.2017.0821.
- Mjahad A, Rosado-Munoz A, Bataller-Mompean M, Frances-Villora JV, Guerrero-Martinez JF. Ventricular Fibrillation and Tachycardia detection from surface ECG using time-frequency representation images as input dataset for machine learning. Comput Methods Programs Biomed. 2017 Apr;141:119-127. doi: 10.1016/j.cmpb.2017.02.010. Epub 2017 Feb 10.
- Xiong Z, Nash MP, Cheng E, Fedorov VV, Stiles MK, Zhao J. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network. Physiol Meas. 2018 Sep 24;39(9):094006. doi: 10.1088/1361-6579/aad9ed.
- Fan X, Yao Q, Cai Y, Miao F, Sun F, Li Y. Multiscaled Fusion of Deep Convolutional Neural Networks for Screening Atrial Fibrillation From Single Lead Short ECG Recordings. IEEE J Biomed Health Inform. 2018 Nov;22(6):1744-1753. doi: 10.1109/JBHI.2018.2858789. Epub 2018 Aug 7.
- Warrick PA, Nabhan Homsi M. Ensembling convolutional and long short-term memory networks for electrocardiogram arrhythmia detection. Physiol Meas. 2018 Oct 30;39(11):114002. doi: 10.1088/1361-6579/aad386.
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (TÉNYLEGES)
2018. október 1.
Elsődleges befejezés (TÉNYLEGES)
2020. március 1.
A tanulmány befejezése (TÉNYLEGES)
2020. október 1.
Tanulmányi regisztráció dátumai
Először benyújtva
2018. szeptember 5.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2018. szeptember 5.
Első közzététel (TÉNYLEGES)
2018. szeptember 7.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (TÉNYLEGES)
2020. november 6.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2020. november 4.
Utolsó ellenőrzés
2020. november 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 027527
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
NEM
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
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 Szívritmuszavarok, szív
-
Medistim ASAMég nincs toborzásCardiac Bypass Surgery (CABG)
Klinikai vizsgálatok a Neurális hálózati osztályozó
-
University of California, Los AngelesCionic, Inc.Még nincs toborzás
-
Cionic, Inc.Aktív, nem toborzóSclerosis multiplex | Sclerosis multiplex, krónikus progresszív | Sclerosis multiplex, visszaeső-remittálóEgyesült Államok
-
Ospedale Generale Di Zona Moriggia-PelasciniOspedale di Vipiteno-Sterzing (SABES-ASDAA)BefejezveProgresszív szupranukleáris bénulás | Több rendszerű atrófia | Elsődleges parkinsonizmus | Másodlagos vaszkuláris Parkinson-kórOlaszország
-
Richard A. Andersen, PhDUniversity of Southern California; Rancho Los Amigos National Rehabilitation Center és más munkatársakToborzás