기계 학습 모델에 기반한 NSTE-ACS 환자의 조기 진단에 관한 다기관 연구 원문보기 KCI 원문보기 인용
2020년 12월 29일 업데이트: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
NSTEMI 및 UA 환자의 조기 진단은 주로 기계 학습 모델 구축을 통해 이루어집니다.
연구 개요
상세 설명
NSTEMI 및 UA 환자가 포함되었습니다.
수동 라벨링 후 환자의 입원 기록 특성을 선택했습니다.
데이터의 75%는 모델을 구축하는 데 사용되며 데이터의 25%는 모델의 유효성을 확인하는 데 사용됩니다.
NSTEMI 및 UA 환자를 식별하고 진단하기 위해 1차원 컨볼루션(CNN), 순진한 베이지안(NB), 지원 벡터 머신(SVM), 랜덤 포레스트(RF) 및 앙상블 학습의 5가지 분류 모델을 구성했습니다.
Multi-fold cross-validation 및 ROC-AUC 곡선은 모델의 장단점을 측정하는 데 사용됩니다.
연구 유형
관찰
등록 (실제)
2500
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
Xinjiang
-
Ürümqi, Xinjiang, 중국, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
18년 (성인, 고령자)
건강한 자원 봉사자를 받아들입니다
해당 없음
연구 대상 성별
모두
샘플링 방법
확률 샘플
연구 인구
NSTEMI 및 UA 환자는 2017년부터 2019년까지 신장 의과대학 제1부속병원 흉부통증센터와 시허자대학 의과대학 제1부속병원에 포함되었습니다.
설명
포함 기준:
- 비 ST분절 상승 급성 관상 동맥 증후군(2016)의 진단 및 치료에 대한 중국 지침의 진단 기준에 따라 환자를 엄격하게 포함 및 제외했습니다. 환자들은 흉통을 주요 호소로 병원에 입원하였고, 신장 의과대학 제1부속병원과 석화대학 의과대학 제1부속병원에 입원하였다. 환자들은 관상동맥 조영술(30세에서 75세까지의 연령 범위)에 의해 NSTEMI 및 UA로 진단되었습니다.
제외 기준:
- 1. STEMI, 대동맥 박리 동맥류, 기흉 및 기타 비심인성 흉통 환자. 2.중증 간신부전, 수술적 치료가 없는 원발성 종양, 쇼크를 동반한 경증 감염 및 임산부. 3.이전의 중증 판막질환, 바이러스성 심근염, 심낭삼출, 심박조율기 이식, 심각한 합병증을 동반한 심인성 쇼크, 고혈압성 심장질환, 각종 심근병증, 선천성 심장질환 등
4.과거에 심장질환, AECOPD, 폐종양, 갑상선기능항진증이 진단된 환자.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
CNN 모델
2017년부터 2019년까지 2개의 흉통 센터에서 NSTEMI 및 UA 환자의 전자 건강 정보를 수집했으며 수동 라벨링 후 환자 입원 기록의 특성을 선택하고 1차원 컨볼루션(CNN) 모델을 구축했습니다.
multi-fold cross-validation과 ROC-AUC 곡선을 측정 지표로 하여 75%의 데이터를 모델링하고 25%의 데이터를 사용하여 모델의 효과를 검증하였다.
|
기계 학습 모델을 통한 NTEMI 환자의 조기 진단
|
|
XG 부스트
다중 교차 검증과 ROC-AUC 곡선을 측정 지표로 하는 XG 부스트 모델 구축을 통해 데이터의 75%를 모델링하고 데이터의 25%를 모델의 효과를 검증하는 데 사용합니다.
|
기계 학습 모델을 통한 NTEMI 환자의 조기 진단
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
급성 흉통 환자의 정확한 NSTEMI 진단
기간: 1년 이내
|
NSTEMI 환자는 훈련된 기계 학습 알고리즘을 통해 급성 흉통 환자에서 정확하게 진단됩니다.
우리의 모델은 multi-fold cross-validation과 ROC-AUC 곡선을 측정 지표로 사용하고, 데이터의 75%는 모델링되고, 데이터의 25%는 모델의 효과를 검증합니다.
이러한 이유로 민감도 컷오프 값이 0.9일 때 정확도, 특이도 및 우도 비율을 계산합니다.
|
1년 이내
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 수석 연구원: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- 연구 책임자: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- 수석 연구원: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
간행물 및 유용한 링크
연구에 대한 정보 입력을 담당하는 사람이 자발적으로 이러한 간행물을 제공합니다. 이것은 연구와 관련된 모든 것에 관한 것일 수 있습니다.
일반 간행물
- Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017 Apr 4;12(4):e0174944. doi: 10.1371/journal.pone.0174944. eCollection 2017.
- Lee HC, Park JS, Choe JC, Ahn JH, Lee HW, Oh JH, Choi JH, Cha KS, Hong TJ, Jeong MH; Korea Acute Myocardial Infarction Registry (KAMIR) and Korea Working Group on Myocardial Infarction (KorMI) Investigators. Prediction of 1-Year Mortality from Acute Myocardial Infarction Using Machine Learning. Am J Cardiol. 2020 Oct 15;133:23-31. doi: 10.1016/j.amjcard.2020.07.048. Epub 2020 Jul 26.
- Cuocolo R, Perillo T, De Rosa E, Ugga L, Petretta M. Current applications of big data and machine learning in cardiology. J Geriatr Cardiol. 2019 Aug;16(8):601-607. doi: 10.11909/j.issn.1671-5411.2019.08.002.
- Ambale-Venkatesh B, Yang X, Wu CO, Liu K, Hundley WG, McClelland R, Gomes AS, Folsom AR, Shea S, Guallar E, Bluemke DA, Lima JAC. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017 Oct 13;121(9):1092-1101. doi: 10.1161/CIRCRESAHA.117.311312. Epub 2017 Aug 9.
- Patel BB, Sperotto F, Molina M, Kimura S, Delgado MI, Santillana M, Kheir JN. Avoidable Serum Potassium Testing in the Cardiac ICU: Development and Testing of a Machine-Learning Model. Pediatr Crit Care Med. 2021 Apr 1;22(4):392-400. doi: 10.1097/PCC.0000000000002626.
- Groepenhoff F, Eikendal ALM, Bots SH, van Ommen AM, Overmars LM, Kapteijn D, Pasterkamp G, Reiber JHC, Hautemann D, Menken R, Wittekoek ME, Hofstra L, Onland-Moret NC, Haitjema S, Hoefer I, Leiner T, den Ruijter HM. Cardiovascular imaging of women and men visiting the outpatient clinic with chest pain or discomfort: design and rationale of the ARGUS Study. BMJ Open. 2020 Dec 15;10(12):e040712. doi: 10.1136/bmjopen-2020-040712.
- Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim S, Kim KH, Song PS, Park J, Choi RK, Oh BH. Deep-learning-based risk stratification for mortality of patients with acute myocardial infarction. PLoS One. 2019 Oct 31;14(10):e0224502. doi: 10.1371/journal.pone.0224502. eCollection 2019.
- Chowdhury MEH, Alzoubi K, Khandakar A, Khallifa R, Abouhasera R, Koubaa S, Ahmed R, Hasan MA. Wearable Real-Time Heart Attack Detection and Warning System to Reduce Road Accidents. Sensors (Basel). 2019 Jun 20;19(12):2780. doi: 10.3390/s19122780.
- Wu CC, Hsu WD, Islam MM, Poly TN, Yang HC, Nguyen PA, Wang YC, Li YJ. An artificial intelligence approach to early predict non-ST-elevation myocardial infarction patients with chest pain. Comput Methods Programs Biomed. 2019 May;173:109-117. doi: 10.1016/j.cmpb.2019.01.013. Epub 2019 Jan 31.
- Bernatz S, Ackermann J, Mandel P, Kaltenbach B, Zhdanovich Y, Harter PN, Doring C, Hammerstingl R, Bodelle B, Smith K, Bucher A, Albrecht M, Rosbach N, Basten L, Yel I, Wenzel M, Bankov K, Koch I, Chun FK, Kollermann J, Wild PJ, Vogl TJ. Comparison of machine learning algorithms to predict clinically significant prostate cancer of the peripheral zone with multiparametric MRI using clinical assessment categories and radiomic features. Eur Radiol. 2020 Dec;30(12):6757-6769. doi: 10.1007/s00330-020-07064-5. Epub 2020 Jul 16.
- Md Idris N, Chiam YK, Varathan KD, Wan Ahmad WA, Chee KH, Liew YM. Feature selection and risk prediction for patients with coronary artery disease using data mining. Med Biol Eng Comput. 2020 Dec;58(12):3123-3140. doi: 10.1007/s11517-020-02268-9. Epub 2020 Nov 6. Erratum In: Med Biol Eng Comput. 2022 Mar;60(3):887.
- Allen B, Molokie R, Royston TJ. Early Detection of Acute Chest Syndrome Through Electronic Recording and Analysis of Auscultatory Percussion. IEEE J Transl Eng Health Med. 2020 Sep 30;8:4900108. doi: 10.1109/JTEHM.2020.3027802. eCollection 2020.
- Eberhard M, Nadarevic T, Cousin A, von Spiczak J, Hinzpeter R, Euler A, Morsbach F, Manka R, Keller DI, Alkadhi H. Machine learning-based CT fractional flow reserve assessment in acute chest pain: first experience. Cardiovasc Diagn Ther. 2020 Aug;10(4):820-830. doi: 10.21037/cdt-20-381.
- Ma Q, Ma Y, Yu T, Sun Z, Hou Y. Radiomics of Non-Contrast-Enhanced T1 Mapping: Diagnostic and Predictive Performance for Myocardial Injury in Acute ST-Segment-Elevation Myocardial Infarction. Korean J Radiol. 2021 Apr;22(4):535-546. doi: 10.3348/kjr.2019.0969. Epub 2020 Nov 30.
- Zheng Y, Li T. Letter to the Editor concerning the article "Machine learning for prediction of 30-day mortality after ST elevation myocardial infarction". Int J Cardiol. 2018 Sep 1;266:41. doi: 10.1016/j.ijcard.2017.11.061. No abstract available.
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2020년 12월 20일
기본 완료 (예상)
2021년 12월 20일
연구 완료 (예상)
2022년 6월 1일
연구 등록 날짜
최초 제출
2020년 12월 19일
QC 기준을 충족하는 최초 제출
2020년 12월 19일
처음 게시됨 (실제)
2020년 12월 24일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2020년 12월 31일
QC 기준을 충족하는 마지막 업데이트 제출
2020년 12월 29일
마지막으로 확인됨
2020년 12월 1일
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .