このページは自動翻訳されたものであり、翻訳の正確性は保証されていません。を参照してください。 英語版 ソーステキスト用。

網膜写真ベースの AI を使用して冠状動脈性心疾患の発生を予測 (DeepCHD Plus)

2024年11月16日 更新者:Tien Yin Wong、Tsinghua University
統合された網膜 AI 意思決定サポートが冠状動脈性心疾患 (CHD) の予測精度を向上できるかどうかを判断するために、研究者らは、AI による CHD 予測と医師による臨床予測 (例: PCE を使用) を比較するランダム化対照研究を実施しています。どちらも臨床予測を使用しています。直感をベースラインとして。

調査の概要

詳細な説明

これは、医師による CHD リスク予測と意思決定における AI ベースの意思決定支援ツールの有効性を評価するランダム化比較試験 (RCT) です。 前向きコホート研究参加者の症例は、ベースライン評価(臨床的直観)後にガイドライン グループ(PCE など)または AI グループのいずれかにランダムに割り当てられます。

3 つの設定があります: (1) 臨床的直観 (ベースライン評価) 医師は外部からの支援なしに予防戦略の開始 (スタチンの開始など) について決定します。 評価は医師の臨床判断と経験のみに依存します。 (2) ガイドラインに基づくグループ (ガイドライン グループ) 医師は PCE 表を使用して 10 年間の ASCVD リスクを計算します。 このアプローチは、意思決定を支援するために現在の臨床ガイドラインに沿ったものです。 (3) AI 支援グループ (AI グループ) 医師は、網膜写真に基づいた AI モデルから CHD 確率の推定値を受け取ります。 AI ツールは、心血管リスクに関連する網膜バイオマーカーを活用して、個別化された閉塞性 CHD 確率を提供します。

主な目的 AI ガイドによる意思決定サポートが、臨床的直観と比較して、標準的な臨床評価よりも CHD の診断精度を大幅に向上させることができるかどうかを評価すること。 正確さは、実際に観察されたCHDの転帰に対応する予防開始(スタチンの処方など)の程度によって評価できる可能性がある。

第 2 の目的 AI ガイドによる意思決定サポートにより、CHD の評価と意思決定を完了するのに必要な時間が短縮されるかどうかを評価すること。

参加者、読者、およびランダム化:

参加者: 10年間の追跡調査を伴う前向きコホート研究の参加者。

読者: CHD の確率を評価し、一次予防の推奨を行う医師。

ランダム化: ブロックサイズのバランスを確保するためにブロックランダム化を使用して、ベースラインでの臨床評価後、参加者はいずれかのグループ (PCE または AI) にランダムに割り当てられます。

研究の種類

介入

入学 (推定)

1570

段階

  • 適用できない

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。

研究連絡先

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

  • 大人
  • 高齢者

健康ボランティアの受け入れ

はい

説明

包含基準:

  • 制御されていない血管危険因子を持たない人
  • 年齢層:40~75歳
  • 臨床試験に選ばれた後の検査および潜在的なフォローアップ作業を受け入れ、協力できる

除外基準:

  • 重度の肺疾患およびがんまたは手術患者
  • スタチン使用者または既存の心血管疾患
  • 重度の肝臓および腎臓の機能障害および電解質の不均衡のある人

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

  • 主な目的:ふるい分け
  • 割り当て:ランダム化
  • 介入モデル:並列代入
  • マスキング:独身

武器と介入

参加者グループ / アーム
介入・治療
実験的:AI支援グループ(AIグループ)
医師は、網膜写真に基づいた AI モデルから CHD 確率の推定値を受け取ります。 AI ツールは、心血管リスクに関連する網膜バイオマーカーを活用して、個別の CHD 確率を提供します。
医師の読者は、AI によって導き出された冠状動脈性心疾患の確率を利用して支援されます。 この AI ツールは、心血管リスクに関連する網膜バイオマーカーを活用して、個別化された閉塞性 CHD の確率と診断を提供します。
アクティブコンパレータ:ガイドラインに基づくグループ(ガイドライングループ)
医師は PCE 計算機を使用して 10 年間の ASCVD リスクを計算します。 このアプローチは、意思決定を支援するために現在の臨床ガイドラインに沿ったものです。
医師は PCE を使用して、10 年間の ASCVD リスクの確率を計算します。 このアプローチは、意思決定を支援するために現在の臨床ガイドラインに沿ったものです。

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
正確さ
時間枠:学習完了までに平均1週間
AI に基づく意思決定サポートが、標準的な臨床評価よりも CHD の診断精度を大幅に向上させることができるかどうかを、臨床的直観と比較して評価する。 精度は、予防の開始(スタチンの処方など)が実際に観察されたCHDの転帰とどの程度一致するかによって評価できる可能性がある。
学習完了までに平均1週間

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:Tien Yin Wong、Tsinghua University

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 (推定)

2025年1月1日

一次修了 (推定)

2025年4月1日

研究の完了 (推定)

2025年5月1日

試験登録日

最初に提出

2024年11月16日

QC基準を満たした最初の提出物

2024年11月16日

最初の投稿 (推定)

2024年11月19日

学習記録の更新

投稿された最後の更新 (推定)

2024年11月19日

QC基準を満たした最後の更新が送信されました

2024年11月16日

最終確認日

2024年11月1日

詳しくは

本研究に関する用語

その他の研究ID番号

  • DeepCHD Plus

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

いいえ

米国FDA規制機器製品の研究

いいえ

米国で製造され、米国から輸出された製品。

いいえ

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。

購読する