Identificazione delle placche coronariche vulnerabili con l'angiografia TC assistita da intelligenza artificiale (VALUE)
Sviluppo e validazione di un sistema di diagnosi intelligente TC multiscala basato su rete neurale profonda per le placche vulnerabili coronariche: uno studio multicentrico cinese
L'obiettivo di questo studio osservazionale è sviluppare un modello AI automatico dell'intero processo per rilevare, quantificare e caratterizzare le placche utilizzando l'angiografia coronarica TC nei pazienti con malattia coronarica. Le principali domande a cui si propone di rispondere sono:
- se il modello AI consente di rilevare e quantificare le placche coronariche rispetto agli ultrasuoni intravascolari o ai lettori esperti;
- se il modello AI consente di identificare le placche vulnerabili utilizzando l'ecografia intravascolare o la tomografia a coerenza ottica come standard di riferimento.
- se il modello AI consente di prevedere futuri eventi cardiaci avversi in un’ampia coorte di 10.000 pazienti con CAD non ostruttiva.
Panoramica dello studio
Stato
Intervento / Trattamento
Descrizione dettagliata
La malattia coronarica (CAD) rimane la principale causa di morte in tutto il mondo. Le placche aterosclerotiche svolgono un ruolo fondamentale nella mortalità dei pazienti correlata alla CAD. Pertanto, l’individuazione, la quantificazione e la caratterizzazione delle placche coronariche sono clinicamente significative per la prevenzione precoce e gli interventi per la CAD.
L’angiografia coronarica (CCTA) è emersa come un robusto strumento non invasivo per la valutazione della CAD. Nella pratica clinica, la valutazione della placca coronarica viene eseguita mediante un lungo processo manuale che dipende dall'esperienza del medico e dall'interpretazione visiva soggettiva. Con lo sviluppo dell'intelligenza artificiale, sono stati proposti molti metodi automatici assistiti da computer per post-elaborare le immagini CCTA. Tuttavia, gli algoritmi proposti in precedenza per la valutazione della placca non erano stati sviluppati sulla base dell’ecografia intravascolare (IVUS) o della tomografia a coerenza ottica (OCT), che erano considerati il riferimento d’oro per la valutazione della placca. Pertanto, abbiamo mirato a sviluppare un modello di apprendimento profondo in un sistema automatico e intelligente dell'intero processo su CCTA per rilevare, quantificare e caratterizzare le placche utilizzando IVUS o OCT come standard di riferimento. Quindi lavoreremo sulla validazione in diversi scenari clinici: (i) Validazione dell'accuratezza del nuovo modello di deep learning; (ii) Prognosi del modello in diverse popolazioni con CAD.
Le principali domande a cui si propone di rispondere sono:
- se il modello AI consente di rilevare e quantificare le placche coronariche rispetto agli ultrasuoni intravascolari o ai lettori esperti;
- se il modello AI consente di identificare le placche vulnerabili utilizzando IVUS o OCT come standard di riferimento.
- se il modello AI consente di prevedere futuri eventi cardiaci avversi in un’ampia coorte di 10.000 pazienti con malattia coronarica non ostruttiva (studio China CT-FFR 2).
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Luoghi di studio
-
-
Jiangsu
-
Nanjing, Jiangsu, Cina, 210018
- Research Institute Of Medical Imaging Jinling 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:
- L'imaging intravascolare (inclusa l'ecografia intravascolare o la tomografia a coerenza ottica) è stato eseguito entro 3 mesi dalla CCTA;
- Nessun cambiamento nei farmaci o nei sintomi clinici durante gli esami CCTA e di imaging intravascolare;
- Stenosi del diametro dell'arteria coronaria dal 30% al 90% su imaging coronarico invasivo.
Criteri di esclusione:
- La qualità dell'immagine della CCTA o dell'US intravascolare era inadeguata per l'analisi;
- L'imaging intravascolare è stato eseguito dopo intervento coronarico percutaneo (PCI) o pre-dilatazione delle lesioni target;
- Non è stato possibile registrare congiuntamente le lesioni tra CCTA ed ecografia intravascolare;
- Dati CCTA o US intravascolari mancanti
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Pazienti sottoposti ad angiografia coronarica-TC ed ecografia intravascolare entro 3 mesi
|
Coronary artery disease patients first underwent CCTA and then intravascular imaging test within 3 months.
|
|
Pazienti sottoposti ad angiografia coronarica-TC e tomografia a coerenza ottica entro 3 mesi
|
Coronary artery disease patients first underwent CCTA and then intravascular imaging test within 3 months.
|
|
Patients who underwent coronary CT angiography because of suspected or known coronary artery disease
|
Plaques on coronary CT angiography (CCTA) were quantified and characterized using the developed AI model.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Lasso di tempo |
|---|---|
|
Sensibilità e specificità dell'angiografia coronarica TC assistita da AI nell'identificazione delle placche vulnerabili rispetto all'imaging intravascolare
Lasso di tempo: 1 giorno
|
1 giorno
|
Misure di risultato secondarie
Misura del risultato |
Lasso di tempo |
|---|---|
|
Tasso complessivo di rilevamento della placca coronarica utilizzando gli ultrasuoni intravascolari come standard di riferimento
Lasso di tempo: 1 giorno
|
1 giorno
|
|
Volume totale della placca
Lasso di tempo: 1 giorno
|
1 giorno
|
|
Changes in medical management following the addition of the AI model compared with routine CCTA results alone.
Lasso di tempo: 90 days
|
90 days
|
Collaboratori e investigatori
Sponsor
Investigatori
- Cattedra di studio: Longjiang Zhang, MD, Jinling Hospital, Medical School of Nanjing University, Nanjing,China
Pubblicazioni e link utili
Pubblicazioni generali
- Gaba P, Gersh BJ, Muller J, Narula J, Stone GW. Evolving concepts of the vulnerable atherosclerotic plaque and the vulnerable patient: implications for patient care and future research. Nat Rev Cardiol. 2023 Mar;20(3):181-196. doi: 10.1038/s41569-022-00769-8. Epub 2022 Sep 23.
- Zhou F, Chen Q, Luo X, Cao W, Li Z, Zhang B, Schoepf UJ, Gill CE, Guo L, Gao H, Li Q, Shi Y, Tang T, Liu X, Wu H, Wang D, Xu F, Jin D, Huang S, Li H, Pan C, Gu H, Xie L, Wang X, Ye J, Jiang J, Zhao H, Fang X, Xu Y, Xing W, Li X, Yin X, Lu GM, Zhang LJ. Prognostic Value of Coronary CT Angiography-Derived Fractional Flow Reserve in Non-obstructive Coronary Artery Disease: A Prospective Multicenter Observational Study. Front Cardiovasc Med. 2022 Jan 31;8:778010. doi: 10.3389/fcvm.2021.778010. eCollection 2021.
- Follmer B, Williams MC, Dey D, Arbab-Zadeh A, Maurovich-Horvat P, Volleberg RHJA, Rueckert D, Schnabel JA, Newby DE, Dweck MR, Guagliumi G, Falk V, Vazquez Mezquita AJ, Biavati F, Isgum I, Dewey M. Roadmap on the use of artificial intelligence for imaging of vulnerable atherosclerotic plaque in coronary arteries. Nat Rev Cardiol. 2024 Jan;21(1):51-64. doi: 10.1038/s41569-023-00900-3. Epub 2023 Jul 18.
- Chen Q, Zhou F, Xing W, Xu Y, Hu S, Pan T, Cao W, Guo L, Shi Y, Luo S, Xu L, Zhang J, Zhang S, Zheng C, Yang Z, Qiao HY, Guo B, Liu T, Xu P, Xu W, Zhong J, Xie G, Tao X, Lu G, Tang CX, Zhang JJ, Zhang LJ; China VALUE Study Group. A Fully Automated Deep Learning Model for Quantifying Coronary Plaque at Coronary CT Angiography. Radiology. 2026 Apr;319(1):e251967. doi: 10.1148/radiol.251967.
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
Altri numeri di identificazione dello studio
- 2023DZKY-058-01
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 .