Mesterséges intelligencia által támogatott EKG a veleszületett szívbetegségek kimutatása gyermekeknél: egy új diagnosztikai eszköz (AI-ECG-CHD)
2026. július 28. frissítette: Jing Sun, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
A veleszületett szívbetegség (CHD) a gyermekek leggyakoribb veleszületett betegsége.
A gyermekek CHD korai felismerése, diagnosztizálása és kezelése nagy jelentőséggel bír a prognózis javítása és a gyermekek mortalitása csökkentése szempontjából, de a jelenlegi szűrési módszereknek korlátai vannak.
Az elektrokardiogram (EKG), mint a szívbetegségek gazdaságos és gyors kimutatási eszköze, nagyon fontos értéket képvisel a CHD kiegészítő diagnosztikájában. A mesterséges intelligencia (AI) nagy adatai és mély tanulási technológiái nagy lehetőségeket mutatnak az orvostudomány területén.
A big data korszak megjelenése gazdag adatforrásokat biztosít a gyermekek CHD EKG-jeleinek mélyreható tanulmányozásához.
A mély tanulási technológia fejlődése, különösen a képfelismerés terén elért áttörés, erős technikai támogatást nyújt az elektrokardiogram intelligens elemzéséhez.
A gyermekek elektrokardiogramjának sajátossága speciális algoritmus modell kidolgozását teszi szükségessé.
Jelenleg a mélytanulási modellek gyermekek elektrokardiogramjának azonosítására való alkalmazásával kapcsolatos kutatások korlátozottak, és hiányzik a nagy adathalmazokból származó képzés és ellenőrzés.
A Kínai Veleszületett Szívbetegségek Együttműködési Kutatóhálózatán alapuló projekt célja az adatok és a mély tanulási technológia integrálása egy intelligens elektrokardiogrammal segített diagnosztikai rendszer (CHD-EKG AI rendszer) kifejlesztésére, amely alkalmas CHD-s gyermekek számára, hogy javítsa a korai betegséget. a CHD kimutatási aránya és javítja a veleszületett szívbetegség szűrésének hatékonyságát.
A tanulmány áttekintése
Állapot
Visszavont
Tanulmány típusa
Megfigyelő
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Kína
- Xinhua Hospital, Shanghai Jiao Tong University School of Medicine
-
-
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
- Gyermek
- Felnőtt
Egészséges önkénteseket fogad
Igen
Mintavételi módszer
Nem valószínűségi minta
Tanulmányi populáció
Adatkészletünk 18 év alatti betegek retrospektív adataiból állt, akiknek teljes EKG-val, echokardiográfiával, vizsgálattal és kórtörténeti információkkal rendelkeztek.
Leírás
Bevételi kritériumok:
- Az első látogatás életkora a születést követő 3 hónaptól 18 éves korig terjedt;
- A pitvari septum defektus csoportjában az esetcsoportba tartozó betegeknek EKG-vizsgálatot kellett végezniük, és gondos szív ultrahanggal megerősítették, hogy egyszerű másodlagos pitvari sövény defektus van, egyéb komplex szívfejlődési rendellenességek nélkül (például ektopiás tüdővéna drenázs, trunk conus artéria malformáció). , megszakadt aortaív, primer pulmonalis hypertonia stb.). A pulmonalis hypertonia csoportban gondos szív ultrahangos vizsgálattal igazolták a CHD-vel összefüggő pulmonalis hypertonia jelenlétét. A kontrollcsoport a szív ultrahanggal vizsgált normál intrakardiális szerkezetű betegek voltak. Az EKG-vizsgálat és az echokardiográfiás vizsgálat között eltelt idő minden betegnél < 1 hónap volt;
- Az első látogatáskor nem volt súlyos betegség (veleszületett szívbetegség okozta nem életveszélyes szervi betegség).
Kizárási kritériumok:
- Az első látogatás életkora < 3 hónap vagy > 18 év;
- Szövődményes veleszületett szívbetegség (például rendellenes pulmonalis vénás elvezetés, törzsi conus artéria malformáció, megszakadt aortaív, primer pulmonális hipertónia stb.);
- A klinikai információ hiányos, beleértve az EKG vagy az echokardiográfiás információ hiányát, vagy az EKG és az echokardiográfia közötti időintervallum > 1 hónap;
- Más szervrendszerekkel összefüggő életveszélyes betegségek;
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 |
|---|
|
Ellenőrzés
|
|
Pulmonális hipertónia
|
|
Pitvari septum defektus
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Nagyméretű EKG adatbázis gyerekeknek
Időkeret: 2024.01.01-2024.12.30
|
Több központból származó gyermekek EKG-adatait gyűjtötték össze és gyűjtötték össze, beleértve a gyakori és ritka CHD-típusokat és a normál gyermek-EKG-t, hogy egy nagyszabású EKG-adatbázist hozzon létre, amely lefedi a különböző életkorokat és CHD-betegségeket.
Ezenkívül az eredeti EKG-adatokat (digitális jelek vagy EKG-képek) előfeldolgozzák, hogy megfeleljenek a mély tanulási modellek bemeneti szabványainak, javítva a későbbi modellképzés minőségét és hatékonyságát, valamint csökkentve a multik heterogenitását. -központi EKG adatok.
|
2024.01.01-2024.12.30
|
|
Mesterséges intelligencia által támogatott elektrokardiogram modell CHD gyermekeknél
Időkeret: 2024.01.01-2025.12.30
|
A mély neurális hálózati modellt olyan algoritmusok alapján hozzuk létre, mint a konvolúciós neurális hálózat, a transzformátorok és az Autoencoderek, és a CCHDnet alapján létrehozott többközpontú gyermek-EKG-adatkészletben (85%) képezzük és ellenőrizzük, hogy folyamatosan optimalizáljuk a modellezni és javítani a modell diagnosztikai teljesítményét.
Továbbá integrálják a CHD egyetlen betegségén alapuló mély tanulási modellt, és felépítik a CHD-EKG AI rendszert, és a modell végül automatikusan kinyeri és felismeri az általános alapinformációkat, például a gyermek életkorát és nemét. az EKG-n keresztül, majd ennek alapján megjósolni és osztályozni a lehetséges CHD jellemzőket az EKG-ban.
A kutatócsoport kezdetben a CHD reprezentatív altípusait - pitvari septum defektus és pulmonalis hypertonia - választotta a feltárás kezdeti irányaként.
|
2024.01.01-2025.12.30
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
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)
2024. január 1.
Elsődleges befejezés (Becsült)
2028. december 30.
A tanulmány befejezése (Becsült)
2028. december 30.
Tanulmányi regisztráció dátumai
Először benyújtva
2024. április 22.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2024. április 22.
Első közzététel (Tényleges)
2024. április 25.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2026. július 29.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2026. július 28.
Utolsó ellenőrzés
2026. április 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- XHEC-C-2024-053-1
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
ELDÖNTETLEN
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. .