좌심실 수축기 기능 장애에 대한 AI-ECG 스크리닝
2024년 2월 1일 업데이트: Seoul National University Hospital
좌심실 수축기 기능 장애에 대한 AI-ECG 검사: 전향적, 관찰적, 다기관 연구
본 연구의 목적은 좌심실 수축기 기능 장애에 대한 잠재적인 선별 도구로서 심전도에 적용된 인공지능 알고리즘의 유효성을 검증하는 것입니다.
연구 개요
상세 설명
연구진은 148,547명의 환자로부터 얻은 364,845개의 심전도를 통해 좌심실 수축기 기능 장애를 감지하는 12리드 심전도(ECG) 기반의 인공지능(AI) 알고리즘을 개발했습니다. 그런 다음 모델을 환자 24,376명의 59,805 ECG에 대해 후향적으로 테스트했을 때 수신기 작동 특성 곡선 아래 영역으로 표현된 모델 성능은 0.889(95% CI 0.887-0.891)였습니다.
우리는 좌심실 수축기 기능 장애에 대한 잠재적인 선별 도구로서 우리 모델의 효과를 전향적으로 검증할 계획입니다.
연구 유형
관찰
등록 (추정된)
1530
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 연락처
- 이름: Hak Seung Lee, MD
- 전화번호: +1-771-216-0764
- 이메일: cardiolee@gmail.com
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
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
해당 없음
샘플링 방법
비확률 샘플
연구 인구
일상적인 임상 실습에서 12-리드 ECG 및 경흉부 심장초음파 검사를 받는 환자
설명
포함 기준:
- 개인 또는 법정 대리인이 연구 참여에 동의하고 동의서에 서명한 사람
- 12유도 심전도와 경흉부 심장초음파 검사를 모두 완료할 수 있습니다.
제외 기준:
- 연령이 18세 미만인 개인.
- 연구 참여에 동의하지 않는 개인
- 시험자의 판단에 따라 임상시험에 참여할 수 없는 환자
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
수신기 작동 특성 곡선(AUROC) 아래 영역
기간: 연구 수료를 통해 평균 1년
|
AUROC로 표현되는 LVSD를 감지하는 AI 모델 성능.
LVSD에 대한 진단 보조로 (1-특이도)에 대한 민감도로 표현된 ROC 곡선을 제시하고, 아래 영역인 AUROC를 계산하여 예측의 정확성을 확인하겠습니다.
|
연구 수료를 통해 평균 1년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
감광도
기간: 연구 수료를 통해 평균 1년
|
LVSD를 감지하는 AI 모델 감도
|
연구 수료를 통해 평균 1년
|
|
특성
기간: 연구 수료를 통해 평균 1년
|
좌심실 수축기 기능이 정상인 환자를 감지하는 AI 모델 민감도
|
연구 수료를 통해 평균 1년
|
|
긍정적인 예측 가치
기간: 연구 수료를 통해 평균 1년
|
모집된 환자 모집단의 긍정적 예측 가치
|
연구 수료를 통해 평균 1년
|
|
부정적인 예측 가치
기간: 연구 수료를 통해 평균 1년
|
모집된 환자 모집단의 음성 예측 값
|
연구 수료를 통해 평균 1년
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 수석 연구원: Seung-Pyo Lee, MD, PhD, Seoul National University Hospital
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
- Kwon JM, Jo YY, Lee SY, Kang S, Lim SY, Lee MS, Kim KH. Artificial Intelligence-Enhanced Smartwatch ECG for Heart Failure-Reduced Ejection Fraction Detection by Generating 12-Lead ECG. Diagnostics (Basel). 2022 Mar 8;12(3):654. doi: 10.3390/diagnostics12030654.
- Kwon JM, Kim KH, Jeon KH, Kim HM, Kim MJ, Lim SM, Song PS, Park J, Choi RK, Oh BH. Development and Validation of Deep-Learning Algorithm for Electrocardiography-Based Heart Failure Identification. Korean Circ J. 2019 Jul;49(7):629-639. doi: 10.4070/kcj.2018.0446. Epub 2019 Mar 21.
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 (추정된)
2024년 2월 1일
기본 완료 (추정된)
2024년 7월 10일
연구 완료 (추정된)
2025년 7월 10일
연구 등록 날짜
최초 제출
2023년 11월 2일
QC 기준을 충족하는 최초 제출
2024년 1월 21일
처음 게시됨 (실제)
2024년 1월 30일
연구 기록 업데이트
마지막 업데이트 게시됨 (추정된)
2024년 2월 5일
QC 기준을 충족하는 마지막 업데이트 제출
2024년 2월 1일
마지막으로 확인됨
2023년 10월 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. .