不整脈分類のための新しい畳み込みニューラル ネットワークの開発 (AI-ECG)
2020年11月4日 更新者：Sanjeev Bhavnani MD、Scripps Clinic
ショックを受けやすい心調律の不整脈分類のための新しい畳み込みニューラル ネットワークの開発
心停止を含む臨床イベント時に正確な不整脈を特定することは、患者、医療機関、および公衆衛生にとって最優先事項です。
人工知能と機械学習の最近の発展により、心不整脈を迅速かつ正確に診断し、新しいモバイルヘルスおよび心臓テレメトリーデバイスが患者ケアにどのように使用されるかについて、新しい機会が提供されています。
現在の調査は、「畳み込みニューラル ネットワーク分類器」と呼ばれる新しい人工知能の統計的アプローチと、12 誘導 ECG および単一誘導ホルター/イベント モニタリングで診断されたさまざまな不整脈に対するその性能を検証することを目的としています。
これらの不整脈には以下が含まれます。心房細動、上室性頻脈、房室ブロック、心静止、心室頻拍、および心室細動を対象とし、米国心臓協会のパフォーマンス基準 (不整脈の種類に基づいて 67 ～ 92% の 95% 片側信頼区間) にベンチマークされます。
そのための研究アプローチは、匿名化された生の ECG データの大規模な ECG データベースを作成し、診断精度を向上させるために ECG データでニューラル ネットワークをトレーニングすることです。
調査の概要
研究の種類
観察的
入学 (実際)
25458
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究場所
-
-
California
-
San Diego、California、アメリカ、92037
- Scripps Clinic
-
-
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
就学可能な年齢
- アダルト
- OLDER_ADULT
- 子供
健康ボランティアの受け入れ
はい
受講資格のある性別
全て
サンプリング方法
非確率サンプル
調査対象母集団
-12誘導心電図またはホルター/イベントモニタリングを受けている個人
説明
包含基準:
- 12 誘導 ECG、単一、および複数の誘導データベースからコンパイルされたすべての ECG データ
除外基準:
- なし
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
研究はどのように設計されていますか？
デザインの詳細
コホートと介入
グループ/コホート |
介入・治療 |
|---|---|
|
心電図データ
以下を含むコード化されたデータ。波長、振幅、間隔、タイミング、頻度
|
畳み込みニューラルネットワークは、心電図セグメントを入力として受信し、受信した心電図セグメントが心不整脈を表すかどうかを示す出力を生成するように構成される。
心電図の特定の特徴は、畳み込みニューラル ネットワークに対して識別されず、受信した心電図セグメントは、アルゴリズムによる受信前にフィルター処理、変換、または処理されません。
アルゴリズムは同様の方法でトレーニングされます。心電図セグメントは、畳み込みニューラル ネットワークへの唯一の入力です。
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
診断精度
時間枠：1年
|
アメリカ心臓協会の ECG パフォーマンス基準
|
1年
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
スポンサー
捜査官
- 主任研究者：Sanjeev Bhavnani, MD、Scripps Clinic Medical Group
出版物と役立つリンク
研究に関する情報を入力する責任者は、自発的にこれらの出版物を提供します。これらは、研究に関連するあらゆるものに関するものである可能性があります。
一般刊行物
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Trans Biomed Eng. 2016 Mar;63(3):664-75. doi: 10.1109/TBME.2015.2468589. Epub 2015 Aug 14.
- Bhavnani SP, Parakh K, Atreja A, Druz R, Graham GN, Hayek SS, Krumholz HM, Maddox TM, Majmudar MD, Rumsfeld JS, Shah BR. 2017 Roadmap for Innovation-ACC Health Policy Statement on Healthcare Transformation in the Era of Digital Health, Big Data, and Precision Health: A Report of the American College of Cardiology Task Force on Health Policy Statements and Systems of Care. J Am Coll Cardiol. 2017 Nov 28;70(21):2696-2718. doi: 10.1016/j.jacc.2017.10.018. No abstract available.
- Bhavnani SP, Narula J, Sengupta PP. Mobile technology and the digitization of healthcare. Eur Heart J. 2016 May 7;37(18):1428-38. doi: 10.1093/eurheartj/ehv770. Epub 2016 Feb 11.
- Vandendriessche B, Abas M, Dick TE, Loparo KA, Jacono FJ. A Framework for Patient State Tracking by Classifying Multiscalar Physiologic Waveform Features. IEEE Trans Biomed Eng. 2017 Dec;64(12):2890-2900. doi: 10.1109/TBME.2017.2684244. Epub 2017 Mar 17.
- Arvanaghi R, Daneshvar S, Seyedarabi H, Goshvarpour A. Fusion of ECG and ABP signals based on wavelet transform for cardiac arrhythmias classification. Comput Methods Programs Biomed. 2017 Nov;151:71-78. doi: 10.1016/j.cmpb.2017.08.013. Epub 2017 Aug 24.
- Figuera C, Irusta U, Morgado E, Aramendi E, Ayala U, Wik L, Kramer-Johansen J, Eftestol T, Alonso-Atienza F. Machine Learning Techniques for the Detection of Shockable Rhythms in Automated External Defibrillators. PLoS One. 2016 Jul 21;11(7):e0159654. doi: 10.1371/journal.pone.0159654. eCollection 2016.
- Li Q, Rajagopalan C, Clifford GD. Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Trans Biomed Eng. 2014 Jun;61(6):1607-13. doi: 10.1109/TBME.2013.2275000. Epub 2013 Jul 26.
- Lyon A, Minchole A, Martinez JP, Laguna P, Rodriguez B. Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J R Soc Interface. 2018 Jan;15(138):20170821. doi: 10.1098/rsif.2017.0821.
- Mjahad A, Rosado-Munoz A, Bataller-Mompean M, Frances-Villora JV, Guerrero-Martinez JF. Ventricular Fibrillation and Tachycardia detection from surface ECG using time-frequency representation images as input dataset for machine learning. Comput Methods Programs Biomed. 2017 Apr;141:119-127. doi: 10.1016/j.cmpb.2017.02.010. Epub 2017 Feb 10.
- Xiong Z, Nash MP, Cheng E, Fedorov VV, Stiles MK, Zhao J. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network. Physiol Meas. 2018 Sep 24;39(9):094006. doi: 10.1088/1361-6579/aad9ed.
- Fan X, Yao Q, Cai Y, Miao F, Sun F, Li Y. Multiscaled Fusion of Deep Convolutional Neural Networks for Screening Atrial Fibrillation From Single Lead Short ECG Recordings. IEEE J Biomed Health Inform. 2018 Nov;22(6):1744-1753. doi: 10.1109/JBHI.2018.2858789. Epub 2018 Aug 7.
- Warrick PA, Nabhan Homsi M. Ensembling convolutional and long short-term memory networks for electrocardiogram arrhythmia detection. Physiol Meas. 2018 Oct 30;39(11):114002. doi: 10.1088/1361-6579/aad386.
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (実際)
2018年10月1日
一次修了 (実際)
2020年3月1日
研究の完了 (実際)
2020年10月1日
試験登録日
最初に提出
2018年9月5日
QC基準を満たした最初の提出物
2018年9月5日
最初の投稿 (実際)
2018年9月7日
学習記録の更新
投稿された最後の更新 (実際)
2020年11月6日
QC基準を満たした最後の更新が送信されました
2020年11月4日
最終確認日
2020年11月1日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。