Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

AI algoritmusok az ACS előrejelzésében a leukocita tulajdonságok alapján

2026. június 21. frissítette: RobotDreams GmbH

A mesterséges intelligencia algoritmusainak diagnosztikai teljesítménye az akut koszorúér-szindróma előrejelzésében a fehérvérsejt-tulajdonságok alapján (AI-ACS próba)

Ennek a megfigyeléses vizsgálatnak a célja annak kiderítése, hogy a mesterséges intelligencia (AI) képes-e pontosan megjósolni az akut koronária szindrómát (ACS) a felnőttek fehérvérsejtjeire vonatkozó adatok alapján. A fő kérdés, amelyre választ kíván adni:

- A fehérvérsejt adatokon alapuló mesterséges intelligencia algoritmusok a nagy érzékenységű szívtroponin (hs-cTn) pontosságához hasonló pontossággal előre jelezhetik az ACS-t? A kutatók megvizsgálják, hogyan viszonyulnak az AI-modell előrejelzései a standard hs-cTn vérvizsgálatokhoz, hogy megtudják, melyik a pontosabb az ACS diagnosztizálásában.

A vizsgálatban részt vevők szokásos ellátásuk részeként már vérvizsgálatot végeztek. Korábban összegyűjtött egészségügyi információikat és vérvizsgálati eredményeiket az AI-algoritmusok képzésére és tesztelésére fogják használni. A résztvevők nem vetnek alá semmilyen új eljárást magával a vizsgálattal kapcsolatban.

A tanulmány áttekintése

Részletes leírás

Az AI-ACS klinikai vizsgálat egy megfigyeléses, egyközpontú vizsgálat, amelynek célja olyan mesterséges intelligencia algoritmusok diagnosztikai teljesítményének felmérése, amelyek fehérvérsejt-adatokat (WBC) használnak az akut koszorúér-szindróma (ACS) előrejelzésére akut mellkasi fájdalomban szenvedő betegeknél. Ez a kísérlet a fejlett mesterséges intelligenciát használja fel a fehérvérsejtek tulajdonságainak nagydimenziós méréseinek elemzésére, hogy javítsa az ACS előrejelzését és megkülönböztetését a mellkasi fájdalom egyéb nem szív eredetű okaitól, összehasonlítva ezeket az előrejelzéseket a hagyományos, nagy érzékenységű szívtroponin (hs-cTn) mérésekkel.

A vizsgálati jegyzőkönyv műszaki leírása

Az AI-ACS kísérlet a Grazi Orvostudományi Egyetemen végzett prospektív, megfigyelési eset-ellenőrzési tervet alkalmazza. Két fő szakaszból áll: képzés és mesterséges intelligencia modellek tesztelése. A fehérvérsejt-adatokat a beteg felvételekor végzett rutin vérvizsgálatokkal gyűjtik össze a Sysmex XN sorozatú hematológiai analizátorokkal. Ezeket az adatokat az AI-algoritmusok rendszeres időközönkénti betanítására használják fel, hogy a vizsgálat során finomítsák diagnosztikai pontosságukat.

Minőségbiztosítási és nyilvántartási eljárások

Az AI-ACS próba számos intézkedést tartalmaz az összegyűjtött adatok minőségének és integritásának, valamint a szabványos működési eljárások betartásának biztosítására:

Adatérvényesítési és minőségbiztosítási terv:

Folyamatos helyszíni monitorozást és időszakos auditokat végeznek a klinikai protokoll betartásának és a szabályozási megfelelés biztosítása érdekében.

A vizsgálat adatbázisába bevitt WBC adatok pontosságának és konzisztenciájának ellenőrzésére adatérvényesítési eljárásokat alkalmaznak. Az automatikus adatellenőrzések összehasonlítják az új bejegyzéseket az előre meghatározott szabályokkal a tartomány és az egyéb adatmezőkkel való konzisztencia tekintetében.

Forrásadatok ellenőrzése:

A forrásadatok ellenőrzése a vizsgálati adatbázisban rögzített elektronikus adatok eredeti orvosi feljegyzésekkel és laboratóriumi jelentésekkel való összehasonlításával történik az adatok pontosságának és teljességének értékelése érdekében.

Adatszótár:

A tanulmány egy részletes adatszótárt használ, amely tartalmazza az egyes összegyűjtött változók leírását, beleértve a változó forrását (például a betegek demográfiai adatait, laboratóriumi eredményeket), a kódolási információkat és a normál tartományokat. Ez a szótár segít megőrizni a következetességet az adatok értelmezésében és elemzésében.

Szabványos működési eljárások (SOP):

A betegek toborzására, adatgyűjtésre, adatkezelésre, elemzésre és jelentéstételre vonatkozó SOP-k jól dokumentáltak, és a vizsgálat során követik őket. Ezek az eljárások részletes lépéseket tartalmaznak a nemkívánatos események kezelésére és a vizsgálati protokoll megváltoztatására.

Mintaméret értékelése:

A tanulmányt 2100 fős mintavétellel tervezték a képzésben (700 fő kohorszonként) és 600 fős tesztelési mintát (300 fős kohorszban), amelyek számításai szerint elegendő teljesítményt biztosítanak az AI modellek és a hs-cTn diagnosztikai teljesítményében mutatkozó jelentős különbségek kimutatásához.

Terv a hiányzó adatokra:

A hiányzó vagy inkonzisztens adatok kezelésére szolgáló eljárások közé tartoznak az imputációs technikák és az érzékenységi elemzések a hiányzó adatok vizsgálati eredményekre gyakorolt ​​hatásának értékelésére.

Statisztikai elemzési terv:

A statisztikai elemzési terv felvázolja az AI-modellek diagnosztikai teljesítményének értékelésére használt módszereket, beleértve a vevő működési jellemzői (ROC) görbe elemzését, a görbe alatti terület (AUC) számításait, valamint az érzékenység és specifitás értékelését. A mesterséges intelligencia modellek hs-cTn mérésekkel való összehasonlítása logisztikus regressziós modellek segítségével történik, amelyeket a lehetséges zavaró tényezőkhöz igazítottak.

A tanulmány céljai és hipotézisei

Az AI-ACS próba elsődleges célja olyan mesterséges intelligencia modellek betanítása és validálása, amelyek képesek pontosan előre jelezni az ACS-t a WBC adatokból, potenciálisan felülmúlva a szabványos hs-cTn tesztek diagnosztikai teljesítményét. A hipotézis az, hogy a fehérvérsejtek tulajdonságainak mesterséges intelligencia által vezérelt elemzése pontosabban tudja megkülönböztetni a mellkasi fájdalom ACS és nem ACS okait, ezáltal javítja a klinikai döntéshozatalt és csökkenti a szükségtelen orvosi beavatkozásokat.

A rutin vérvizsgálatok mesterséges intelligenciával történő alkalmazásának fejlesztésével az AI-ACS vizsgálat célja az ACS kockázatának kitett betegek gyors azonosítása, ezáltal potenciálisan átalakítva a sürgősségi kardiovaszkuláris diagnosztika ellátásának színvonalát.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

3350

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi kapcsolat

Tanulmányozza a kapcsolattartók biztonsági mentését

Tanulmányi helyek

    • Styria / Steiermark
      • Graz, Styria / Steiermark, Ausztria, 8036
        • Toborzás
        • Landeskrankenhaus-Universitätsklinikum Graz
        • Kapcsolatba lépni:

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
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Igen

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

A stájerországi Landeskrankenhaus Graz betegei. Ezek általában Stájerországból, Ausztriából származnak, néha osztrák államokkal határosak. A kórház maximális ellátást nyújtó klinika. Az adatok gyűjtése a kardiológiai osztályon történik.

Leírás

Bevételi kritériumok:

  • Férfi vagy nő, 18 éves vagy idősebb
  • A résztvevő hajlandó és képes tájékozott beleegyezést adni a vizsgálatban való részvételhez
  • Mellkasi fájdalom nélkül jelentkező alanyok vagy stabil angina pectoris, de a koszorúér angiográfia során revaszkularizációra utaló javallat nélkül; azonos értékelési eredményekre van szükség a felülvizsgálati bizottság által
  • Az emelkedett hs-cTn kizárása
  • A fehérvérsejtek és a hs-cTn adatok gyűjtéséhez szükséges vérmintavétel időzítésére vonatkozó kritériumokat teljesíteni kell (lásd 5.14).

    o A nem vagy stabil angina pectorisban szenvedő alanyoknak WBC-adatokat és legalább egy hs-cTn értéket kell megadniuk a koszorúér angiográfia megkezdése előtt.

  • A fehérvérsejt-adatok gyűjtésére szolgáló kezdeti vérvétel és a koszorúér angiográfia között az alanyban nem alakulhat ki ACS gyanúja.

Kizárási kritériumok:

  • Életkor 18 év alatti
  • Az alany megtagadja a tájékoztatáson alapuló beleegyezést
  • A WBC és a hs-cTn adatok gyűjtése nem lehetséges
  • A fehérvérsejtek és a hs-cTn adatok gyűjtéséhez szükséges vérmintavétel időzítésére vonatkozó kritériumok nem teljesíthetők
  • Az ACS gyanúja a kezdeti vérvétel és a szívkoszorúér angiográfia kezdete között bármikor előfordult angina pectorisban nem szenvedő, vagy stabil alanyoknál.

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
Kontroll-Kohorsz
Alanyok, akiknél ACS-re gyanakodtak, de a koszorúér angiográfia során kizárták a hibás elváltozást.
Case-Cohort
Azok az alanyok, akiknél ACS gyanúja merül fel, és a koszorúér angiográfia során azonosították a hibás elváltozást.
Kiegészítő kohorsz
Olyan alanyok, akiknél nincs vagy stabil angina pectoris, és nincs javallat a revascularisatióra a koszorúér angiográfia során.
Rule Out
Subjects with suspected NSTE-ACS and STEMI Rule-Out that did not undergo coronary angiography <72h.
All-comer cohort
Subjects presenting to the emergency department with suspected acute coronary syndrome (ACS). This cohort is used for testing the AI models. Clinical assessment, ECG, and high-sensitivity cardiac troponin (hs-cTn) measurements are performed according to current ESC guidelines. White blood cell (WBC) data are collected at the initial blood withdrawal after admission to the emergency department. If coronary angiography is performed, review board evaluation confirms the presence or absence of a culprit lesion.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
AI modellek képzése
Időkeret: 36 hónap
Az AI modellek diagnosztikai teljesítménye az ACS előrejelzésében, a vevő működési jellemzői (ROC) görbe alatti terület (AUC) alapján értékelve
36 hónap
AI modellek tesztelése
Időkeret: 36 hónap

Az AI-modellek diagnosztikai teljesítménye az ACS előrejelzésében, az AUC alapján értékelve a ROC görbe alapján

; Az AI-modellek specifitása és érzékenysége az ACS előrejelzésére ACS-gyanús alanyoknál, a ROC görbe alatti AUC-ból számítva

36 hónap

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
AI modellek képzése
Időkeret: 36 hónap

Az AI modellek érzékenysége az ACS előrejelzésére

; Az AI modellek sajátosságai az ACS előrejelzésére

36 hónap
AI modellek tesztelése:
Időkeret: 36 hónap
  • Az AI modellek érzékenysége az ACS előrejelzésére
  • Az AI modellek sajátosságai az ACS előrejelzésére
  • A hs-cTn érzékenysége az ACS előrejelzésére
  • A hs-cTn specifitása az ACS előrejelzésére
  • Az AI modellek és a hs-cTn kombinált érzékenysége az ACS előrejelzéséhez
  • Az AI modellek és a hs-cTn kombinált specifitása az ACS előrejelzéséhez
  • AUC a hs-cTn ROC-görbéje alatt, amely előrejelzi az ACS-t
  • AUC az AI modellek ROC görbéje alatt és a hs-cTn előrejelző ACS
  • Különbség az ACS előrejelzésében a hs-cTn és az AI modellek között az AUC segítségével a ROC görbe alatt
36 hónap

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

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. február 1.

Elsődleges befejezés (Becsült)

2026. július 31.

A tanulmány befejezése (Becsült)

2026. december 31.

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. június 24.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 21.

Utolsó ellenőrzés

2026. június 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

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. .

Iratkozz fel