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.

Studio di valutazione della funzione ventricolare pediatrica

18 dicembre 2024 aggiornato da: Doff McElhinney, HBI Solutions Inc.
Questo studio mira a sviluppare un quadro basato sul deep learning per la segmentazione del ventricolo destro (RV), la previsione del cambiamento dell'area frazionaria del RV (FAC) e l'identificazione della disfunzione del ventricolo destro pediatrico. Il modello AI è stato progettato per distinguere tra cuori pediatrici normali, ipertensione polmonare (PH) e Tetralogia di Fallot (TOF). Per migliorare l'accuratezza diagnostica, i ricercatori hanno esteso l'analisi oltre la vista A4C integrando i dati delle viste A4C e PSAX. Inoltre, il quadro è stato applicato per prevedere la frazione di eiezione del ventricolo sinistro (EF LV), dimostrandone ulteriormente la versatilità e l'utilità clinica.

Panoramica dello studio

Descrizione dettagliata

I difetti cardiaci sono una delle principali cause di malattie e mortalità associate a difetti congeniti in tutto il mondo1, colpendo circa l’1% dei nati vivi a livello globale. Tra questi, circa un quarto1 presenta difetti cardiaci critici che richiedono un intervento precoce per migliorare la sopravvivenza e gli esiti. 2 3 La disfunzione del ventricolo destro (RV) è una forma prevalente di malattia cardiaca nei pazienti pediatrici, spesso derivante da condizioni quali prematurità, effetti post-chirurgici di cardiopatia congenita, funzionamento come ventricolo sistemico e ipertensione polmonare idiopatica. Questi pazienti affrontano rischi significativi, tra cui l’insufficienza del ventricolo destro, una ridotta qualità della vita, la potenziale necessità di trapianto e un aumento della mortalità. La valutazione accurata della funzione del ventricolo destro è cruciale ma impegnativa a causa della complessa geometria del ventricolo destro.

A differenza della disfunzione ventricolare sinistra (LV), la disfunzione RV deriva principalmente da sovraccarichi di pressione e volume e presenta caratteristiche fisiopatologiche uniche. Sebbene i meccanismi di disfunzione del ventricolo sinistro siano ben studiati, si sa meno sul ventricolo destro e gran parte della sua gestione clinica è adattata dalla ricerca focalizzata sul ventricolo sinistro. Il camper, con le sue pareti più sottili e più adattabili, si rimodella in modo efficiente ma spesso tollera i cambiamenti per periodi prolungati prima di rompersi. Inoltre, la disfunzione del ventricolo destro porta spesso a una disfunzione del ventricolo sinistro a causa delle forti interazioni interventricolari. Queste differenze, insieme alla forma e all'orientamento irregolari del ventricolo destro, complicano l'imaging e la valutazione, richiedendo tecniche di imaging avanzate, che spesso coinvolgono più modalità. 4 La valutazione precisa delle dimensioni e della funzione del ventricolo destro è essenziale per diagnosticare, gestire e prevedere gli esiti nelle patologie cardiache pediatriche. L'ecocardiografia, in quanto strumento non invasivo e accessibile, è la tecnica di imaging di prima linea per il monitoraggio della funzione ventricolare destra). 4 Tuttavia, le tradizionali misure funzionali del ventricolo destro devono affrontare limitazioni nelle popolazioni pediatriche a causa della significativa variabilità nella morfologia del ventricolo destro. Tra i parametri sistolici, la variazione dell’area frazionaria (FAC) ha dimostrato correlazioni più forti con la gravità della malattia nei pazienti con insufficienza cardiaca avanzata e una relazione più stretta con la frazione di eiezione del ventricolo destro misurata mediante risonanza magnetica cardiovascolare (CMR), suggerendo la sua affidabilità nella valutazione della funzione del ventricolo destro pediatrico. 5,6 Una FAC <35% è considerata anomala dalle linee guida7. Una valutazione accurata della FAC può guidare interventi tempestivi, migliorare la prognosi e migliorare i risultati a lungo termine consentendo un migliore monitoraggio della funzione RV nel tempo.

Le cardiopatie congenite (CHD) comprendono un'ampia gamma di anomalie strutturali e condizioni che influenzano lo sviluppo del cuore prima della nascita, con esempi come la Tetralogia di Fallot (TOF)8 e l'ipertensione polmonare (PH)9. Il ventricolo destro svolge un ruolo cruciale nella diagnosi del TOF perché l'ostruzione del tratto di efflusso e l'ipertrofia sono le caratteristiche principali della condizione.10 L'ipertensione polmonare aumenta il postcarico (pressione) sul ventricolo destro, portando a cambiamenti strutturali e funzionali del ventricolo destro. Questi cambiamenti in genere non si osservano nel ventricolo sinistro a meno che non vi sia un grave coinvolgimento biventricolare o effetti secondari.11 L’ecocardiografia è uno strumento di prima linea non invasivo, ampiamente accessibile ed essenziale per il follow-up di routine di varie condizioni cardiache pediatriche che colpiscono il ventricolo destro (RV). 4 Tuttavia, la valutazione della funzione del ventricolo destro nelle cardiopatie pediatriche rimane impegnativa a causa della significativa variabilità nella morfologia e nella fisiologia del ventricolo destro. La vista apicale a quattro camere (A4C) è una pietra miliare per la valutazione della funzione ventricolare destra (RV) grazie alla sua capacità di valutare in modo completo le dimensioni, la forma e la funzione sistolica del ventricolo destro.12 La vista parasternale asse corto (PSAX) viene spesso utilizzata come vista ecocardiografica supplementare insieme alla vista A4C per valutare la funzione ventricolare destra (RV).12 I progressi nell’ecocardiografia basata sull’intelligenza artificiale, in particolare nel deep learning, sono promettenti per migliorare la valutazione della funzione cardiaca.13 Recenti innovazioni, come EchoNet-Dynamic14, hanno dimostrato l'utilità di algoritmi di deep learning basati su video per la segmentazione del ventricolo sinistro adulto e la stima della frazione di eiezione. Basandosi su questi progressi, i ricercatori hanno sviluppato EchoNet-Peds15, un modello di intelligenza artificiale per l’ecocardiografia pediatrica che automatizza la segmentazione del ventricolo sinistro e i calcoli della frazione di eiezione. Oltre ai metodi di segmentazione del ventricolo sinistro, altre 16-18 applicazioni di deep learning includono la quantificazione automatizzata19 della struttura e della funzione del ventricolo sinistro, nonché nuovi metodi per la stima dei parametri emodinamici intraventricolari su base battito per battito20. Tuttavia, la maggior parte degli studi sul deep learning si concentrano sulla valutazione del VS, con un numero comparativamente inferiore di modelli dedicati al VD, che affrontano principalmente compiti di segmentazione. 21,22 Sebbene siano emersi alcuni recenti progressi, come un modello che stima la frazione di eiezione del ventricolo destro da immagini ecocardiografiche in pazienti con ipertensione arteriosa polmonare23, permangono lacune significative nell'applicazione dell'IA alla valutazione funzionale del ventricolo destro in età pediatrica.

Questo studio mira a sviluppare un quadro basato sul deep learning per la segmentazione del ventricolo destro (RV), la previsione del cambiamento dell'area frazionaria del RV (FAC) e l'identificazione della disfunzione del ventricolo destro pediatrico. Il modello AI è stato progettato per distinguere tra cuori pediatrici normali, ipertensione polmonare (PH) e Tetralogia di Fallot (TOF). Per migliorare l'accuratezza diagnostica, i ricercatori hanno esteso l'analisi oltre la vista A4C integrando i dati delle viste A4C e PSAX. Inoltre, il quadro è stato applicato per prevedere la frazione di eiezione del ventricolo sinistro (EF LV), dimostrandone ulteriormente la versatilità e l'utilità clinica.

Tipo di studio

Osservativo

Iscrizione (Effettivo)

3993

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

    • California
      • Palo Alto, California, Stati Uniti, 94304
        • Stanford 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

  • Bambino
  • Adulto

Accetta volontari sani

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Sono inclusi due gruppi di bambini. Gruppo I: bambini con normale valutazione dell'anatomia e della funzione del ventricolo destro basata su ecocardiogrammi di screening e follow-up medico.

Gruppo II: bambini con anomalie ventricolari destre che presentano un potenziale rischio di esiti avversi.

Descrizione

Criteri di inclusione:

  1. Pazienti di età compresa tra 0 e 18 anni.
  2. Pazienti con le seguenti diagnosi (definite come RV anomalo): neonati prematuri con malattia polmonare, cardiopatia congenita con ventricolo destro sistemico, cardiopatia congenita riparata chirurgicamente con conseguente carico di pressione e/o volume sul RV (tetralogia di Fallot, Doppia uscita destra ventricolo, ecc.) e ipertensione polmonare idiopatica.

Criteri di esclusione:

-

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
Coorte di previsione FAC RV
Questa coorte è progettata per prevedere la FAC del ventricolo destro pediatrico utilizzando un modello di deep learning basato su ecocardiogrammi
Coorte di classificazione delle malattie del ventricolo destro
La coorte è progettata per utilizzare un modello di deep learning per distinguere tra cuori pediatrici normali e ipertensione polmonare (PH), nonché tra Tetralogia di Fallot (TOF) e PH, utilizzando ecocardiogrammi.
Valutazione della funzione ventricolare destra e classificazione della malattia utilizzando le coorti di visualizzazione A4C e PSAX
La coorte è progettata per utilizzare le visualizzazioni ecocardiografiche A4C e PSAX per la valutazione della funzione ventricolare destra pediatrica e la classificazione della malattia utilizzando modelli di deep learning.
Coorte di previsione della frazione di eiezione del ventricolo sinistro (EF).
La coorte è progettata per convalidare il nostro nuovo modello di deep learning per la valutazione dell'EF LV.

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Previsione della disfunzione del ventricolo destro
Lasso di tempo: 10 minuti
Una FAC < 35% è considerata RV anormale. I valori FAC estratti automaticamente sono stati quindi utilizzati per prevedere la probabilità di una funzione RV anomala. L'accuratezza della stima FAC è stata valutata utilizzando l'errore assoluto medio (MAE), l'errore quadratico medio (RMSE) e il coefficiente di correlazione di Pearson (R). I parametri di prestazione diagnostica includevano AUC, sensibilità e specificità per la valutazione della funzione ventricolare destra
10 minuti
Rilevazione delle malattie cardiache congenite
Lasso di tempo: 10 minuti
Per il rilevamento di CHD, sono stati sviluppati modelli di classificazione per distinguere tra casi normali, PH e TOF analizzando i video dell'ecocardiogramma RV. Accuratezza, sensibilità e specificità sono state utilizzate per valutare le classificazioni di PH rispetto a normale e PH rispetto a TOF
10 minuti
Disfunzione del ventricolo sinistro
Lasso di tempo: 10 minuti
Le prestazioni vengono valutate calcolando l'area sotto la curva caratteristica operativa del ricevitore (ROC), valutando l'accuratezza del modello nel rilevare valori EF anomali.
10 minuti

Collaboratori e investigatori

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

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)

1 gennaio 2014

Completamento primario (Effettivo)

31 agosto 2024

Completamento dello studio (Effettivo)

31 agosto 2024

Date di iscrizione allo studio

Primo inviato

12 dicembre 2024

Primo inviato che soddisfa i criteri di controllo qualità

16 dicembre 2024

Primo Inserito (Effettivo)

25 marzo 2025

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

25 marzo 2025

Ultimo aggiornamento inviato che soddisfa i criteri QC

18 dicembre 2024

Ultimo verificato

1 dicembre 2024

Maggiori informazioni

Termini relativi a questo studio

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

NO

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

prodotto fabbricato ed esportato dagli 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 .

Sottoscrivi