- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04682756
Uno studio multicentrico sulla diagnosi precoce dei pazienti con SCA-NSTE basato sul modello di apprendimento automatico
Panoramica dello studio
Stato
Intervento / Trattamento
Descrizione dettagliata
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
Xinjiang
-
Ürümqi, Xinjiang, Cina, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- I pazienti sono stati inclusi ed esclusi rigorosamente secondo i criteri diagnostici delle linee guida cinesi per la diagnosi e il trattamento della sindrome coronarica acuta senza sopraslivellamento del tratto ST (2016). I pazienti sono stati ricoverati in ospedale con dolore toracico come lamentela principale, e sono stati ammessi al primo ospedale affiliato dell'Università medica dello Xinjiang e al primo ospedale affiliato del Collegio medico dell'Università di Shihezi. i pazienti sono stati diagnosticati come NSTEMI e UA mediante angiografia coronarica (fascia di età da 30 a 75 anni).
Criteri di esclusione:
- 1. Pazienti con STEMI, aneurisma dissecante aortico, pneumotorace e altro dolore toracico non cardiogeno. 2. Grave insufficienza epatorenale, tumore primitivo senza trattamento chirurgico, infezione non grave complicata da shock e donne in gravidanza. 3.Precedente malattia valvolare grave, miocardite virale, versamento pericardico, impianto di pacemaker cardiaco, shock cardiogeno con gravi complicanze, cardiopatia ipertensiva, varie cardiomiopatie, cardiopatie congenite, ecc.
4.Pazienti con malattie cardiache, AECOPD, tumore polmonare e ipertiroidismo sono stati diagnosticati in passato.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
---|---|
Modello CNN
Sono state raccolte informazioni sulla salute elettronica dei pazienti con NSTEMI e UA in due centri per il dolore toracico dal 2017 al 2019 ,Dopo l'etichettatura manuale, sono state selezionate le caratteristiche dei registri di ammissione dei pazienti e attraverso la costruzione del modello di convoluzione unidimensionale (CNN).
Prendendo la convalida incrociata multipla e la curva ROC-AUC come indice di misurazione, il 75% dei dati viene modellato e il 25% dei dati viene utilizzato per verificare l'effetto del modello.
|
Diagnosi precoce dei pazienti NTEMI mediante modello di apprendimento automatico
|
Potenziamento XG
Attraverso la costruzione del modello XG boost, prendendo come indice di misurazione la multi-fold cross-validation e la curva ROC-AUC, il 75% dei dati viene modellato e il 25% dei dati viene utilizzato per verificare l'effetto del modello.
|
Diagnosi precoce dei pazienti NTEMI mediante modello di apprendimento automatico
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Diagnosi accurata di NSTEMI da pazienti con dolore toracico acuto
Lasso di tempo: Entro 1 anno
|
I pazienti con NSTEMI vengono accuratamente diagnosticati da pazienti con dolore toracico acuto attraverso un algoritmo di apprendimento automatico addestrato.
Il nostro modello utilizza la convalida incrociata multipla e la curva ROC-AUC come indice di misurazione, il 75% dei dati è modellato e il 25% dei dati verifica l'effetto del modello.
Per questo motivo, calcoleremo l'accuratezza, la specificità e il rapporto di verosimiglianza quando il valore di soglia della sensibilità è 0,9.
|
Entro 1 anno
|
Collaboratori e investigatori
Collaboratori
Investigatori
- Investigatore principale: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Direttore dello studio: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Investigatore principale: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
Pubblicazioni e link utili
Pubblicazioni generali
- Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017 Apr 4;12(4):e0174944. doi: 10.1371/journal.pone.0174944. eCollection 2017.
- Lee HC, Park JS, Choe JC, Ahn JH, Lee HW, Oh JH, Choi JH, Cha KS, Hong TJ, Jeong MH; Korea Acute Myocardial Infarction Registry (KAMIR) and Korea Working Group on Myocardial Infarction (KorMI) Investigators. Prediction of 1-Year Mortality from Acute Myocardial Infarction Using Machine Learning. Am J Cardiol. 2020 Oct 15;133:23-31. doi: 10.1016/j.amjcard.2020.07.048. Epub 2020 Jul 26.
- Cuocolo R, Perillo T, De Rosa E, Ugga L, Petretta M. Current applications of big data and machine learning in cardiology. J Geriatr Cardiol. 2019 Aug;16(8):601-607. doi: 10.11909/j.issn.1671-5411.2019.08.002.
- Ambale-Venkatesh B, Yang X, Wu CO, Liu K, Hundley WG, McClelland R, Gomes AS, Folsom AR, Shea S, Guallar E, Bluemke DA, Lima JAC. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017 Oct 13;121(9):1092-1101. doi: 10.1161/CIRCRESAHA.117.311312. Epub 2017 Aug 9.
- Patel BB, Sperotto F, Molina M, Kimura S, Delgado MI, Santillana M, Kheir JN. Avoidable Serum Potassium Testing in the Cardiac ICU: Development and Testing of a Machine-Learning Model. Pediatr Crit Care Med. 2021 Apr 1;22(4):392-400. doi: 10.1097/PCC.0000000000002626.
- Groepenhoff F, Eikendal ALM, Bots SH, van Ommen AM, Overmars LM, Kapteijn D, Pasterkamp G, Reiber JHC, Hautemann D, Menken R, Wittekoek ME, Hofstra L, Onland-Moret NC, Haitjema S, Hoefer I, Leiner T, den Ruijter HM. Cardiovascular imaging of women and men visiting the outpatient clinic with chest pain or discomfort: design and rationale of the ARGUS Study. BMJ Open. 2020 Dec 15;10(12):e040712. doi: 10.1136/bmjopen-2020-040712.
- Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim S, Kim KH, Song PS, Park J, Choi RK, Oh BH. Deep-learning-based risk stratification for mortality of patients with acute myocardial infarction. PLoS One. 2019 Oct 31;14(10):e0224502. doi: 10.1371/journal.pone.0224502. eCollection 2019.
- Chowdhury MEH, Alzoubi K, Khandakar A, Khallifa R, Abouhasera R, Koubaa S, Ahmed R, Hasan MA. Wearable Real-Time Heart Attack Detection and Warning System to Reduce Road Accidents. Sensors (Basel). 2019 Jun 20;19(12):2780. doi: 10.3390/s19122780.
- Wu CC, Hsu WD, Islam MM, Poly TN, Yang HC, Nguyen PA, Wang YC, Li YJ. An artificial intelligence approach to early predict non-ST-elevation myocardial infarction patients with chest pain. Comput Methods Programs Biomed. 2019 May;173:109-117. doi: 10.1016/j.cmpb.2019.01.013. Epub 2019 Jan 31.
- Bernatz S, Ackermann J, Mandel P, Kaltenbach B, Zhdanovich Y, Harter PN, Doring C, Hammerstingl R, Bodelle B, Smith K, Bucher A, Albrecht M, Rosbach N, Basten L, Yel I, Wenzel M, Bankov K, Koch I, Chun FK, Kollermann J, Wild PJ, Vogl TJ. Comparison of machine learning algorithms to predict clinically significant prostate cancer of the peripheral zone with multiparametric MRI using clinical assessment categories and radiomic features. Eur Radiol. 2020 Dec;30(12):6757-6769. doi: 10.1007/s00330-020-07064-5. Epub 2020 Jul 16.
- Md Idris N, Chiam YK, Varathan KD, Wan Ahmad WA, Chee KH, Liew YM. Feature selection and risk prediction for patients with coronary artery disease using data mining. Med Biol Eng Comput. 2020 Dec;58(12):3123-3140. doi: 10.1007/s11517-020-02268-9. Epub 2020 Nov 6. Erratum In: Med Biol Eng Comput. 2022 Mar;60(3):887.
- Allen B, Molokie R, Royston TJ. Early Detection of Acute Chest Syndrome Through Electronic Recording and Analysis of Auscultatory Percussion. IEEE J Transl Eng Health Med. 2020 Sep 30;8:4900108. doi: 10.1109/JTEHM.2020.3027802. eCollection 2020.
- Eberhard M, Nadarevic T, Cousin A, von Spiczak J, Hinzpeter R, Euler A, Morsbach F, Manka R, Keller DI, Alkadhi H. Machine learning-based CT fractional flow reserve assessment in acute chest pain: first experience. Cardiovasc Diagn Ther. 2020 Aug;10(4):820-830. doi: 10.21037/cdt-20-381.
- Ma Q, Ma Y, Yu T, Sun Z, Hou Y. Radiomics of Non-Contrast-Enhanced T1 Mapping: Diagnostic and Predictive Performance for Myocardial Injury in Acute ST-Segment-Elevation Myocardial Infarction. Korean J Radiol. 2021 Apr;22(4):535-546. doi: 10.3348/kjr.2019.0969. Epub 2020 Nov 30.
- Zheng Y, Li T. Letter to the Editor concerning the article "Machine learning for prediction of 30-day mortality after ST elevation myocardial infarction". Int J Cardiol. 2018 Sep 1;266:41. doi: 10.1016/j.ijcard.2017.11.061. No abstract available.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Anticipato)
Completamento dello studio (Anticipato)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- XMa
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .
Prove cliniche su Il modello dell'apprendimento automatico
-
Memorial Sloan Kettering Cancer CenterTerminatoLe famiglie o i parenti prossimi dei pazienti trattati presso MSKCC per carcinomi a cellule squamose non cutanei del | Tratto aerodigestivo superioreStati Uniti
-
University of SurreyNon ancora reclutamentoBenessere, PsicologicoRegno Unito
-
Uludag UniversityIstanbul UniversityCompletatoEsposizione alle radiazioni | Incidente chimico | Avvelenamento da sostanze biologicheTacchino
-
Dublin City UniversityCompletatoDepressione | Concetto di sé | Composizione del grasso corporeo | Sostegno sociale percepitoIrlanda
-
Puerta de Hierro University HospitalInstituto de Salud Carlos III; Ministerio de Economía y Competitividad, Spain; Gammera...SconosciutoDisturbo da deficit di attenzione con iperattivitàSpagna
-
University of FloridaCompletatoCancro ginecologico | Cancro toracico | Cancro gastrointestinale | RegolazioneStati Uniti
-
Kayseri City HospitalNon ancora reclutamentoEsercizi di aerobica | Linfedema primarioTacchino
-
novoGISconosciutoMalattie del colonFrancia
-
Assiut UniversityCompletatoMalattie infiammatorie intestinali | Disturbi della funzione sessualeEgitto