Uno studio per valutare l'accuratezza e la validità del software di rilevamento delle anomalie ECG di Chang Gung
"Chang Gung ECG Abnormality Detection Software" è un software di analisi del segnale medico di intelligenza artificiale che rileva se i pazienti hanno segnali ECG anomali di 14 malattie mediante ECG statico a 12 derivazioni. Le 14 malattie erano
- Sindrome del QT lungo
- Bradicardia sinusale
- Tachicardia sinusale
- Complessi atriali prematuri
- Complessi ventricolari prematuri
- Flutter atriale, blocco di branca destra
- Blocco di branca sinistro
- Ipertrofia ventricolare sinistra
- Infarto miocardico della parete anteriore
- Infarto miocardico della parete settale
- Infarto del miocardio della parete laterale
- Infarto miocardico della parete inferiore
- Infarto miocardico della parete posteriore
Lo scopo principale di questo studio è verificare se "Chang Gung ECG Abnormality Detection Software" può identificare correttamente i segnali ECG anomali tra i pazienti di 14 malattie. Lo standard di interpretazione è il consenso di 3 cardiologi. I risultati dell'analisi del software saranno utilizzati per valutare le prestazioni degli indicatori di valutazione primari e secondari.
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Procedura dettagliata:
Fonte di esempio:
Questo è uno studio retrospettivo e i dati provengono dal Chang Gung Medical Research Database (CGRD), che era un database di 6 ospedali dell'ospedale Chang Gung Memorial. Abbiamo raccolto dati ECG statici a 12 derivazioni non identificati dal database durante il 2006.01.01~2019.12.31 e la durata dell'ECG era di 10 secondi.
Campionamento:
In questo esperimento, il set di dati di addestramento e il set di dati di test ECG sono stati separati. Successivamente, i segnali ECG vengono stratificati in base alla distribuzione del campione di test e tutti i segnali ECG anomali di 14 malattie verranno campionati indipendentemente dal database ECG del set di test.
Criteri di conferma:
I dati ECG saranno preliminarmente vagliati e selezionati in base ai criteri di inclusione ed esclusione e ai numeri di serie compilati. Quindi, un cardiologo conferma che i risultati del campionamento dei dati ECG non includono nuovamente i criteri di esclusione.
Interpretazione del medico:
I dati ECG saranno convertiti in file grafici e inviati a 3 cardiologi per l'interpretazione di segnali ECG anormali di 14 malattie correlate. I risultati saranno utilizzati come standard di questo studio (Riferimento).
Interpretazione software:
Dopo aver confermato lo standard del test, inserire il segnale ECG nel software di rilevamento delle anomalie ECG di Chang Gung per analizzare i segnali ECG anomali di 14 malattie e interpretare ogni dato ECG.
- Analisi statistica:
Dopo che l'interpretazione del software è stata completata, verrà confrontata con i risultati dell'interpretazione del medico e analizzerà gli indicatori di valutazione primari e secondari.
Tipo di studio
Iscrizione (Stimato)
Fase
- Non applicabile
Contatti e Sedi
Luoghi di studio
-
-
-
Taoyuan city, Taiwan, 333
- Chang Gung Memorial Hospital
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Uguale o maggiore di vent'anni.
- Elettrocardiogramma statico a 12 derivazioni del file in formato XML General Electric MUSE.
- I dati provengono dal dispositivo elettrocardiografico statico a 12 derivazioni di General Electric (modello MAC5500).
- Il segnale dell'elettrocardiogramma è di 500 Hz.
- Il filtro della corrente alternata (CA) del segnale dell'elettrocardiogramma è di 60 Hz.
- La risorsa della diagnosi originale era un cardiologo.
Criteri di esclusione:
- Casi utilizzati nel processo di sviluppo del modello.
- Manca qualsiasi elettrodo.
- Contenere qualsiasi elettrodo privo di un segmento.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Diagnosi software
Software diagnostico con gold standard dell'interpretazione di 3 cardiologi.
|
Questo dispositivo dovrebbe essere utilizzato per l'ECG statico a 12 derivazioni per rilevare se ci sono segnali ECG anomali relativi a malattie e produrre i risultati.
Altri nomi:
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Sensibilità e specificità
Lasso di tempo: linea di base
|
Il tasso di risultati del test che indicano correttamente la presenza e l'assenza.
|
linea di base
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Area Sotto la curva caratteristica operativa del ricevitore
Lasso di tempo: Linea di base
|
Un grafico che illustra la capacità diagnostica di un sistema di classificazione binaria al variare della sua soglia di discriminazione.
|
Linea di base
|
Collaboratori e investigatori
Sponsor
Investigatori
- Cattedra di studio: Chang-Fu Kuo, MD/Ph.D, Associate Professor and Director Division of Rheumatology
Pubblicazioni e link utili
Pubblicazioni generali
- Ribeiro AH, Ribeiro MH, Paixao GMM, Oliveira DM, Gomes PR, Canazart JA, Ferreira MPS, Andersson CR, Macfarlane PW, Meira W Jr, Schon TB, Ribeiro ALP. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020 Apr 9;11(1):1760. doi: 10.1038/s41467-020-15432-4. Erratum In: Nat Commun. 2020 May 1;11(1):2227.
- Malik J, Devecioglu OC, Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks. IEEE Trans Biomed Eng. 2022 May;69(5):1788-1801. doi: 10.1109/TBME.2021.3135622. Epub 2022 Apr 21.
- Acharya U.R., Fujita H., Lih O.S., Adam M., Tan J.H., Chua C.K. Automated detection of coronary artery disease using different durations of ECG segments with convolutional neu-ral network Knowl.-Based Syst., 132 (sep.15) (2017), pp. 62-71
- Bos JM, Attia ZI, Albert DE, Noseworthy PA, Friedman PA, Ackerman MJ. Use of Artificial Intelligence and Deep Neural Networks in Evaluation of Patients With Electrocardiographically Concealed Long QT Syndrome From the Surface 12-Lead Electrocardiogram. JAMA Cardiol. 2021 May 1;6(5):532-538. doi: 10.1001/jamacardio.2020.7422.
- U. Rajendra Acharya, Hamido Fujita, Oh Shu Lih, Yuki Hagiwara, Jen Hong Tan, Muhammad Adam, Automated detection of arrhythmias using different intervals of tachycardia ECG seg-ments with convolutional neural network, Information Sciences, Volume 405, 2017, Pages 81-90, ISSN 0020-0255
- Jeong DU, Lim KM. Convolutional neural network for classification of eight types of arrhythmia using 2D time-frequency feature map from standard 12-lead electrocardiogram. Sci Rep. 2021 Oct 14;11(1):20396. doi: 10.1038/s41598-021-99975-6.
- Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim SM, Kim KH, Song PS, Park J, Choi RK, Oh BH. Comparing the performance of artificial intelligence and conventional diagnosis criteria for detecting left ventricular hypertrophy using electrocardiography. Europace. 2020 Mar 1;22(3):412-419. doi: 10.1093/europace/euz324.
- Makimoto H, Hockmann M, Lin T, Glockner D, Gerguri S, Clasen L, Schmidt J, Assadi-Schmidt A, Bejinariu A, Muller P, Angendohr S, Babady M, Brinkmeyer C, Makimoto A, Kelm M. Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction. Sci Rep. 2020 May 21;10(1):8445. doi: 10.1038/s41598-020-65105-x.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
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
Termini MeSH pertinenti aggiuntivi
- Ischemia
- Processi patologici
- Necrosi
- Ischemia miocardica
- Malattie cardiache
- Malattia cardiovascolare
- Malattie vascolari
- Anomalie congenite
- Condizioni patologiche, anatomiche
- Aritmie, cardiache
- Malattia del sistema di conduzione cardiaca
- Complicazioni della gravidanza
- Complicanze ostetriche del lavoro
- Travaglio ostetrico, prematuro
- Infarto
- Difetti cardiaci, congeniti
- Anomalie cardiovascolari
- Cardiomegalia
- Complessi cardiaci, prematuri
- Tachicardia, sopraventricolare
- Malattie urogenitali femminili e complicanze della gravidanza
- Malattie urogenitali
- Infarto miocardico
- Blocco di branca-branco
- Arresto cardiaco
- Nascita prematura
- Bradicardia
- Tachicardia
- Ipertrofia
- Flutter atriale
- Ipertrofia, ventricolare sinistro
- Complessi prematuri ventricolari
- Sindrome del QT lungo
- Complessi prematuri atriali
- Tachicardia, seno
Altri numeri di identificazione dello studio
- 202300710A5
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (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 .