Chang Gung ECG 異常検出ソフトウェアの精度と妥当性を評価する研究
「長宮心電図異常検出ソフトウェア」は、静的12誘導心電図により14疾患の患者の心電図信号に異常があるかどうかを検出する人工知能医療信号解析ソフトウェアです。 その14の病気とは、
- QT延長症候群
- 洞性徐脈
- 洞性頻脈
- 早発性心房複合体
- 期外収縮心室複合体
- 心房粗動、右脚ブロック
- 左脚ブロック
- 左心室肥大
- 前壁 心筋梗塞
- 中隔壁 心筋梗塞
- 側壁 心筋梗塞
- 下壁心筋梗塞
- 後壁 心筋梗塞
この研究の主な目的は、「Chang Gung ECG異常検出ソフトウェア」が14の疾患の患者の異常なECG信号を正確に識別できるかどうかを検証することです。 解釈基準は3人の心臓専門医の合意です。 ソフトウェア分析の結果は、一次評価指標および二次評価指標のパフォーマンスを評価するために使用されます。
調査の概要
状態
詳細な説明
詳細な手順:
サンプルソース:
これは後ろ向き研究であり、データは長庚記念病院の 6 つの病院からのデータベースである長庚医学研究データベース (CGRD) から取得されています。 2006年1月1日から2019年12月31日までの間、匿名化された静的12誘導心電図データをデータベースから収集しました。心電図の長さは10秒でした。
サンプリング:
この実験では、トレーニング データセットとテスト データセット ECG が分離されました。 その後、ECG 信号はテストサンプルとして分布に従って階層化され、14 の疾患のすべての異常な ECG 信号がテストセットの ECG データベースから独立してサンプリングされます。
確認基準:
ECG データは、包含基準と除外基準および編集されたシリアル番号によって事前にスクリーニングおよび選択されます。 そして、心臓専門医は、心電図データのサンプリング結果に除外基準が含まれていないことを再度確認する。
医師の解釈:
ECG データはグラフィック ファイルに変換され、14 の関連疾患の異常な ECG 信号を解釈するために 3 人の心臓専門医に提出されます。 この結果は、本研究の基準として使用されます(参考)。
ソフトウェアの解釈:
検査基準を確認した後、Chang Gung ECG異常検出ソフトウェアにECG信号を入力し、14疾患の異常なECG信号を分析し、各ECGデータを解釈します。
- 統計分析:
ソフトウェア読影が完了すると、医師の読影結果と比較し、一次評価指標と二次評価指標を分析します。
研究の種類
入学 (推定)
段階
- 適用できない
連絡先と場所
研究場所
-
-
-
Taoyuan city、台湾、333
- Chang Gung Memorial Hospital
-
-
参加基準
適格基準
就学可能な年齢
- 大人
- 高齢者
健康ボランティアの受け入れ
サンプリング方法
調査対象母集団
説明
包含基準:
- 20歳以上。
- General Electric MUSE XML 形式ファイルの静的 12 誘導心電図。
- データは、General Electric の静的 12 リード心電図装置 (モデル MAC5500) から取得されます。
- 心電図信号は 500 Hz です。
- 心電図信号の交流 (AC) フィルターは 60 Hz です。
- 最初の診断のリソースは心臓専門医でした。
除外基準:
- モデル開発プロセスで使用されるケース。
- 電極がありません。
- セグメントが欠如している電極が含まれています。
研究計画
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 |
|---|---|
|
ソフトウェア診断
3 人の心臓専門医による解釈というゴールドスタンダードを備えたソフトウェア診断。
|
この装置は、疾患に関連する異常な心電図信号の有無を検出し、その結果を出力する静的12誘導心電図への使用が期待されています。
他の名前:
|
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 |
|---|---|---|
|
感度と特異性
時間枠:ベースライン
|
検査結果の有無を正しく示す割合。
|
ベースライン
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
受信機動作特性曲線下の面積
時間枠:ベースライン
|
識別閾値を変化させたときのバイナリ分類器システムの診断能力を示すグラフ。
|
ベースライン
|
協力者と研究者
捜査官
- スタディチェア:Chang-Fu Kuo, MD/Ph.D、Associate Professor and Director Division of Rheumatology
出版物と役立つリンク
一般刊行物
- 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.
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (推定)
研究の完了 (推定)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
本研究に関する用語
追加の関連 MeSH 用語
その他の研究ID番号
- 202300710A5
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
米国FDA規制機器製品の研究
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。