Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Uno studio multicentrico sulla diagnosi precoce dei pazienti con SCA-NSTE basato sul modello di apprendimento automatico

29 dicembre 2020 aggiornato da: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
La diagnosi precoce dei pazienti con NSTEMI e UA avviene principalmente attraverso la costruzione del modello di apprendimento automatico.

Panoramica dello studio

Stato

Sconosciuto

Condizioni

Intervento / Trattamento

Descrizione dettagliata

Sono stati inclusi i pazienti con NSTEMI e UA. Dopo l'etichettatura manuale, sono state selezionate le caratteristiche del registro di ricovero dei pazienti. Il 75% dei dati viene utilizzato per costruire il modello e il 25% dei dati viene utilizzato per verificare la validità del modello. Sono stati costruiti cinque modelli di classificazione di convoluzione unidimensionale (CNN), naive bayesiano (NB), support vector machine (SVM), random forest (RF) e ensemble learning per identificare e diagnosticare i pazienti con NSTEMI e UA. La convalida incrociata multipla e la curva ROC-AUC vengono utilizzate per misurare i vantaggi e gli svantaggi dei modelli.

Tipo di studio

Osservativo

Iscrizione (Effettivo)

2500

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Luoghi di studio

  • Cina
    • Xinjiang
      • Ürümqi, Xinjiang, Cina, 830000
        • The First Affiliated Hospital of Xinjiang Medical University

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

Da 18 anni a 75 anni (Adulto, Adulto più anziano)

Accetta volontari sani

N/A

Sessi ammissibili allo studio

Tutto

Metodo di campionamento

Campione di probabilità

Popolazione di studio

I pazienti con NSTEMI e UA sono stati inclusi nel Chest Pain Center del First Affiliated Hospital of Xinjiang Medical University e nel First Affiliated Hospital of Medical College of Shihezi University dal 2017 al 2019.

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

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

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.
Test diagnostico: Il modello dell'apprendimento automatico
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.
Test diagnostico: Il modello dell'apprendimento automatico
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

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

First Affiliated Hospital of Xinjiang Medical University

Collaboratori

Shihezi University

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

La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.

Pubblicazioni generali

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Effettivo)

20 dicembre 2020

Completamento primario (Anticipato)

20 dicembre 2021

Completamento dello studio (Anticipato)

1 giugno 2022

Date di iscrizione allo studio

Primo inviato

19 dicembre 2020

Primo inviato che soddisfa i criteri di controllo qualità

19 dicembre 2020

Primo Inserito (Effettivo)

24 dicembre 2020

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

31 dicembre 2020

Ultimo aggiornamento inviato che soddisfa i criteri QC

29 dicembre 2020

Ultimo verificato

1 dicembre 2020

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)?

INDECISO

Descrizione del piano IPD

Modello di machine learning per identificare i pazienti con UA ​​e NSTMI

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

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

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in Kenya

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

3
Sottoscrivi