- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06384846
AI algoritmusok az ACS előrejelzésében a leukocita tulajdonságok alapján
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
Állapot
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
Beiratkozás (Becsült)
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: Dimitrij Shulkin, M.Sc.
- Telefonszám: +43-676-5150578
- E-mail: shulkin@robotdreams.co
Tanulmányozza a kapcsolattartók biztonsági mentését
- Név: Johannes Gollmer, Dr. univ.
- E-mail: johannes.gollmer@medunigraz.at
Tanulmányi helyek
-
-
Styria / Steiermark
-
Graz, Styria / Steiermark, Ausztria, 8036
- Toborzás
- Landeskrankenhaus-Universitätsklinikum Graz
-
Kapcsolatba lépni:
- Heiko Bugger, MD
- Telefonszám: +43 316 385 30177
- E-mail: heiko.bugger@medunigraz.at
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
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
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
|
|
36 hónap
|
Együttműködők és nyomozók
Szponzor
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
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
- Fájdalom
- Neurológiai megnyilvánulások
- Érrendszeri betegségek
- Szív-és érrendszeri betegségek
- Patológiás folyamatok
- Szívbetegségek
- Infarktus
- Elhalás
- Szívizom ischaemia
- Miokardiális infarktus
- Ischaemia
- Mellkasi fájdalom
- Kóros állapotok, jelek és tünetek
- Jelek és tünetek
- ST Elevációs szívizominfarktus
- Nem ST emelkedett szívizominfarktus
- Akut koronária szindróma
- Angina pectoris
- Angina, instabil
Egyéb vizsgálati azonosító számok
- AI ACS
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
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. .