- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04657900
Voorspellen van nieuwe atriumfibrillatie op patiëntniveau
Voorspellen van nieuwe atriale fibrillatie op patiëntniveau op basis van op de bevolking gebaseerde landelijke elektronische gezondheidsdossiers: een precisiegeneeskundig onderzoek met behulp van kunstmatige intelligentie
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Boezemfibrilleren (AF) is een veel voorkomende chronische aandoening met aanzienlijke gevolgen voor de gezondheidsresultaten. Veel gevallen van AF worden te laat ontdekt - als een uiting van een beroerte, hartfalen of een andere complicatie. Hoewel eerdere detectie van AF de mogelijkheid biedt om vroegtijdige hart- en vaatziekten te voorkomen, wordt bevolkingsonderzoek niet aanbevolen.
Boezemfibrilleren (AF) is een belangrijk cardiovasculair gezondheidsprobleem. Het is de meest voorkomende aanhoudende hartritmestoornis en treft 1-2% van de bevolking van Europa en de VS, met een levenslang risico van één op de vier in de algemene bevolking. Het komt steeds vaker voor naarmate de bevolking ouder wordt. Bijgevolg zullen deze schattingen waarschijnlijk toenemen en worden ze momenteel onderschat, aangezien AF mogelijk lange tijd niet gediagnosticeerd zal blijven. AF veroorzaakt 1-3% van de zorguitgaven als gevolg van een beroerte, plotseling overlijden, hartfalen, ongeplande ziekenhuisopname en bijbehorende complicaties. De resulterende opkomende AF-epidemie en de bijbehorende kostbare complicaties (waaronder, maar niet beperkt tot beroerte, depressie, hartfalen, acuut coronair syndroom, cognitieve achteruitgang en ongeplande ziekenhuisopname) hebben ervoor gezorgd dat AF nu een grote bedreiging vormt voor een gezonde levensduur. De vroege diagnose van AF, idealiter vóór de manifestatie van de eerste complicatie, blijft een grote uitdaging voor de volksgezondheid. Terwijl voor sommige patiënten AF zich kan presenteren met symptomatische hartkloppingen, kan voor anderen de eerste diagnose van AF zijn wanneer zij zich bij beroepsbeoefenaren in de gezondheidszorg presenteren met een beroerte, acute cardiale decompensatie of exacerbatie van comorbiditeit - een stadium dat onnodig laat in het ziektetraject is. Dit komt omdat veel patiënten met AF mogelijk geen AF-geassocieerde symptomen hebben. Gezien het feit dat bijna een derde van de patiënten die op een stroke-afdeling worden opgenomen AF heeft op het moment van opname in het ziekenhuis en dat orale anticoagulantia het risico op een beroerte tot twee derde verminderen bij mensen met AF die een hoger risico op een beroerte lopen, is er een overtuigend argument voor de eerdere detectie van AF. Daartoe wordt nu in nationale en internationale richtlijnen opportunistische screening op AF (polspalpatie gevolgd door ECG bij patiënten met een onregelmatige pols) bij patiënten van 65 jaar en ouder aanbevolen. Internationale richtlijnen bevelen ook het gebruik aan van een 12-afleidingen ECG en ambulante ritmemonitors (binnen toenemende duur volgens waargenomen risico op AF), escalerend naar implanteerbare draadloze AF-recorders bij patiënten met vermoede maar niet-gediagnosticeerde AF - en elk met implicaties voor de zorgkosten en de patiënt tevredenheid. Hoewel er veelbelovende resultaten zijn van systematische screening van oudere populaties op AF met behulp van zelfbediende apparaten, is er momenteel geen aanbeveling in het Verenigd Koninkrijk (VK) voor populatiebrede systematische screening op AF, omdat het nog niet duidelijk is of de geïdentificeerde risico zou gebaat zijn bij een vroege diagnose. Er is inderdaad onderzoek nodig om de detectiepercentages, diagnostische nauwkeurigheid en resultaten van dergelijke programma's beter te begrijpen, en om te definiëren in welke subpopulaties AF-screening de grootste waarde voor de patiënt en de volksgezondheid zou bieden.
De identificatie van AF heeft belangrijke patiënt- en klinische gevolgen. Patiënten met een hoger risico op een beroerte (CHADSVASC-score ≥ 2) zonder contra-indicatie moeten profylaxe van een beroerte met een oraal anticoagulans worden aangeboden. Bovendien zullen de meeste patiënten met AF risicofactoren voor een beroerte hebben, waardoor ze in aanmerking komen voor een oraal antistollingsmiddel, en velen zullen bijkomende cardiovasculaire aandoeningen hebben (zoals hypertensie, hartklepaandoening of hartfalen), waardoor ze in aanmerking komen voor verder onderzoek of behandeling. Ook bij mensen met AF die een laag risico lopen op een beroerte (en daarom niet in aanmerking komen voor orale antistolling), is toezicht op een verhoogd risico op een beroerte aan te raden. Precieze voorspelling of en wanneer een persoon een nieuw begin van AF zal krijgen, kan fenotype en temporeel-specifieke (dus effectievere) screening mogelijk maken, evenals vermeende risicomarkers voor AF-etiologie identificeren. Patiënten die momenteel in sinusritme zijn, maar een hoger risico op een beroerte hebben en waarvan wordt voorspeld dat ze op een specifiek tijdstip in de toekomst AF zullen ontwikkelen, kunnen baat hebben bij screening op AF die dichter bij de voorspelde datum ligt. Evenzo kunnen aanpasbare risicofactoren voor de ontwikkeling van AF en voor het risico op een beroerte proactief worden aangepakt in het licht van kennis van een hoger risico op nieuwe AF en nieuwe risicofactoren die worden bestudeerd op causaliteit. Andere mogelijke onderzoeksmogelijkheden zijn de studie van patiënten die geen AF hebben en waarvan niet wordt voorspeld dat ze AF zullen hebben, en de evaluatie van levensstijl, apparaattechnologie en farmacotherapeutische strategieën om het risico op AF te verminderen bij patiënten met een hoog voorspeld risico op nieuwe AF.
Tot op heden zijn er een aantal AF-risicovoorspellingstools ontwikkeld, waaronder die van het CHARGE-AF-consortium, de Framingham Heart Study, de CHADS-score, de CHADSVASC-score en de CHEST-score. De CHEST-score (structurele hartaandoening, hartfalen, leeftijd ≥ 75 jaar, coronaire hartziekte, hyperthyreoïdie, chronische obstructieve longziekte (COPD) en hypertensie) is afgeleid van 471.446 proefpersonen uit de Chinese Yunnan Insurance Database en gevalideerd bij 451.199 proefpersonen uit de De Koreaanse National Health Insurance Service bleek toekomstig AF-incident te voorspellen. Van de 4764 deelnemers aan de Framingham Heart Study, leeftijd, geslacht, body-mass index, systolische bloeddruk, behandeling voor hypertensie, de tijd vanaf het begin van de P-golf tot het begin van het ventriculaire depolarisatie (QRS)-complex (PR-interval ), klinisch significant hartgeruis en hartfalen bleken met behulp van overlevingsmodellering componenten te zijn van een score die AF-incident na 10 jaar voorspelt. Elk van de studies tot nu toe wordt echter beperkt door een of meer van hun gebruik van geografisch afgelegen gegevens, historische gegevens, kleine datasets, gebrek aan temporele informatie, ruwe risicomodellering met als gevolg suboptimale modelprestaties en/of voorspellende variabelen die niet direct beschikbaar zijn naar de huisarts. Het is begrijpelijk dat geen enkele de wijdverbreide klinische praktijk heeft bereikt. Kunstmatige intelligentie vergemakkelijkt het gebruik van grote hoeveelheden gebeurtenisgegevens en de bijbehorende temporele informatie (zoals die in datasets voor eerstelijnszorg), verwerkt grote aantallen voorspellers met automatische technieken voor variabele selectie, houdt rekening met niet-lineariteiten en interacties tussen variabelen, maakt een benadering van live leren mogelijk ( waarbij het voorspellingsmodel automatisch wordt bijgewerkt), en kan populatiebrede gegevens gebruiken om te voorspellen of en wanneer AF voor een individu opnieuw zal optreden. Er is een reeks kunstmatige intelligentie (AI) -technieken toegepast op EPD-gegevens en deze hebben een betere diagnostische en voorspellingskracht aangetoond dan traditionele statistische benaderingen in grootschalige EPD-gegevens. Toch is het, zoals onlangs benadrukt, belangrijk om modellen te identificeren die klinisch bruikbaar zijn. Bijvoorbeeld, een studie die een AI-geactiveerd ECG-algoritme ontwikkelde dat AF voorspelde op basis van ECG's met een normaal sinusritme, terwijl een belangrijke stap voorwaarts mogelijk niet toepasbaar is in de gemeenschapsomgeving waar routinematige ECG's niet altijd beschikbaar zijn. Het ontwikkelen van een voorspellend algoritme voor nieuw beginnende AF op basis van routinematige gegevens uit elektronische medische dossiers in de eerstelijnszorg met behulp van AI-technieken, zou de mogelijkheid kunnen bieden voor een vroege vertaling naar de klinische praktijk. De onderzoekers zullen een leermodel voor diepe neurale netwerken ontwikkelen en valideren, gebruikmakend van grootschalige gekoppelde elektronische medische dossiers (EPD) van de eerstelijnszorg, om het risico op nieuw AF te voorspellen. Het voorspellingsalgoritme zal worden getraind en getest op zijn nauwkeurigheid en robuustheid bij het voorspellen van toekomstige AF-gebeurtenissen met behulp van Clinical Practice Research Datalink (CPRD) - wereldwijd initiatief voor chronische obstructieve longziekte (GOLD), en zal extern worden gevalideerd met behulp van vergelijkbare databases CPRD-AURUM maar op verschillende geografische locaties. Het nieuwe voorspellende algoritme zal worden vergeleken met een reeks klassieke machine learning-technieken en met traditionele statistische voorspellende modelleringsmethoden. In afwachting van een succesvol model voor het verbeteren van de voorspellingsnauwkeurigheid van ten minste 5% in vergelijking met bestaande modellen, zou het algoritme direct beschikbaar kunnen worden gemaakt via gratis te gebruiken software.
Studietype
Inschrijving (Verwacht)
Contacten en locaties
Studie Locaties
-
-
West Yorkshire
-
Leeds, West Yorkshire, Verenigd Koninkrijk, LS2 9JT
- University of Leeds
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- AF gediagnosticeerd na 1 januari 2009 (geïdentificeerd met leescodes (voor het CPRD-patiëntprofiel) en ICD-10-codes (voor HES-gebeurtenissen)
- In Clinical Practice Research Datalink - Wereldwijd initiatief voor chronische obstructieve longziekte (CPRD-GOLD) en komt in aanmerking voor gegevenskoppeling.
- Minstens 1 jaar follow-up hebben in de periode tussen 1 januari 1998 en 31 december 2018.
Uitsluitingscriteria:
- Onder de 18 jaar op de datum van de eerste registratie in CPRD
- Gediagnosticeerd met AF vóór 1 januari 1998
- In CPRD-GOLD en komt niet in aanmerking voor datakoppeling
- Heeft minder dan een jaar follow-up in CPRD
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Cohort
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
---|---|
Alle in aanmerking komende patiënten
Observationeel cohort dat gebruikmaakt van geanonimiseerde eerstelijnszorggegevens op patiëntniveau gekoppeld aan secundaire administratieve gegevens; CPRD-GOUD en CPRD-AURUM.
|
Observationeel - geen interventie gegeven
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
---|---|---|
Een hiërarchisch deep learning-model ontwikkelen en valideren voor het voorspellen van het risico, en waar van toepassing, de periode van nieuwe AF
Tijdsspanne: Tussen 1 januari 1998 en 31 december 2018
|
Voorspellende factoren zullen worden geïdentificeerd met behulp van Read codes (diagnoses), metingen en Prod codes (medicatie) in CPRD; ICD10-codes en statistische classificatiecodes (OPCS) in Hospital Episode Statistics (HES); en ICD 10-codes (ICD9-codes voor de periode vóór 2001) in gegevens van het Office of National Statistics (ONS). Alle variabelen worden beschouwd als potentiële voorspellers en kunnen zijn:
|
Tussen 1 januari 1998 en 31 december 2018
|
Om de omvang van voorspellers van nieuwe AF te identificeren en te kwantificeren
Tijdsspanne: Tussen 1 januari 1998 en 31 december 2018
|
Het voorgestelde deep learning-model kan informatieve risicofactoren extraheren uit EPD-gegevens. In het bijzonder zal een strategie voor het selecteren van risicofactoren, voorgesteld in Huang et al, worden aangepast om informatieve risicofactoren te identificeren. Het model geeft gewichten van de geïdentificeerde risicofactoren om het belang van risicofactoren op verschillende risiconiveaus te helpen begrijpen. De impact van het aantal risicofactoren op de prestaties van AF-risicovoorspelling zal worden beoordeeld door middel van de curven van zowel de oppervlakte onder de curve (AUC) als de nauwkeurigheid van de voorspelling, uitgezet tegen het aantal risicofactoren. Sommige voorspellers, zoals BMI, bloeddruk, frequentie van huisartsbezoeken, sterkte van voorgeschreven medicatie, kunnen in de loop van de tijd veranderen. De incrementele prognostische waarden van het opnemen van deze variabele trajecten zullen worden onderzocht en de impact op de voorspellende nauwkeurigheid zal worden beoordeeld. |
Tussen 1 januari 1998 en 31 december 2018
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Christopher P Gale, PhD, University of Leeds
Publicaties en nuttige links
Algemene publicaties
- Conen D. Epidemiology of atrial fibrillation. Eur Heart J. 2018 Apr 21;39(16):1323-1324. doi: 10.1093/eurheartj/ehy171. No abstract available.
- Kirchhof P. The future of atrial fibrillation management: integrated care and stratified therapy. Lancet. 2017 Oct 21;390(10105):1873-1887. doi: 10.1016/S0140-6736(17)31072-3. Epub 2017 Apr 28. Erratum In: Lancet. 2017 Oct 21;390(10105):1832. Dosage error in article text.
- Fuster V, Ryden LE, Cannom DS, Crijns HJ, Curtis AB, Ellenbogen KA, Halperin JL, Le Heuzey JY, Kay GN, Lowe JE, Olsson SB, Prystowsky EN, Tamargo JL, Wann S, Smith SC Jr, Jacobs AK, Adams CD, Anderson JL, Antman EM, Halperin JL, Hunt SA, Nishimura R, Ornato JP, Page RL, Riegel B, Priori SG, Blanc JJ, Budaj A, Camm AJ, Dean V, Deckers JW, Despres C, Dickstein K, Lekakis J, McGregor K, Metra M, Morais J, Osterspey A, Tamargo JL, Zamorano JL; American College of Cardiology/American Heart Association Task Force on Practice Guidelines; European Society of Cardiology Committee for Practice Guidelines; European Heart Rhythm Association; Heart Rhythm Society. ACC/AHA/ESC 2006 Guidelines for the Management of Patients with Atrial Fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines and the European Society of Cardiology Committee for Practice Guidelines (Writing Committee to Revise the 2001 Guidelines for the Management of Patients With Atrial Fibrillation): developed in collaboration with the European Heart Rhythm Association and the Heart Rhythm Society. Circulation. 2006 Aug 15;114(7):e257-354. doi: 10.1161/CIRCULATIONAHA.106.177292. No abstract available. Erratum In: Circulation. 2007 Aug 7;116(6):e138.
- Camm AJ, Kirchhof P, Lip GY, Schotten U, Savelieva I, Ernst S, Van Gelder IC, Al-Attar N, Hindricks G, Prendergast B, Heidbuchel H, Alfieri O, Angelini A, Atar D, Colonna P, De Caterina R, De Sutter J, Goette A, Gorenek B, Heldal M, Hohloser SH, Kolh P, Le Heuzey JY, Ponikowski P, Rutten FH; ESC Committee for Practice Guidelines. Guidelines for the management of atrial fibrillation: the Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology (ESC). Europace. 2010 Oct;12(10):1360-420. doi: 10.1093/europace/euq350. No abstract available. Erratum In: Europace. 2011 Jul;13(7):1058. Dosage error in article text.
- Kirchhof P, Auricchio A, Bax J, Crijns H, Camm J, Diener HC, Goette A, Hindricks G, Hohnloser S, Kappenberger L, Kuck KH, Lip GY, Olsson B, Meinertz T, Priori S, Ravens U, Steinbeck G, Svernhage E, Tijssen J, Vincent A, Breithardt G. Outcome parameters for trials in atrial fibrillation: executive summary. Eur Heart J. 2007 Nov;28(22):2803-17. doi: 10.1093/eurheartj/ehm358. Epub 2007 Sep 25.
- Friberg L, Rosenqvist M, Lindgren A, Terent A, Norrving B, Asplund K. High prevalence of atrial fibrillation among patients with ischemic stroke. Stroke. 2014 Sep;45(9):2599-605. doi: 10.1161/STROKEAHA.114.006070. Epub 2014 Jul 17.
- Wolf PA, Abbott RD, Kannel WB. Atrial fibrillation: a major contributor to stroke in the elderly. The Framingham Study. Arch Intern Med. 1987 Sep;147(9):1561-4.
- January CT, Wann LS, Alpert JS, Calkins H, Cigarroa JE, Cleveland JC Jr, Conti JB, Ellinor PT, Ezekowitz MD, Field ME, Murray KT, Sacco RL, Stevenson WG, Tchou PJ, Tracy CM, Yancy CW; ACC/AHA Task Force Members. 2014 AHA/ACC/HRS guideline for the management of patients with atrial fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on practice guidelines and the Heart Rhythm Society. Circulation. 2014 Dec 2;130(23):e199-267. doi: 10.1161/CIR.0000000000000041. Epub 2014 Mar 28. No abstract available. Erratum In: Circulation. 2014 Dec 2;130(23):e272-4.
- Aronson D, Shalev V, Katz R, Chodick G, Mutlak D. Risk Score for Prediction of 10-Year Atrial Fibrillation: A Community-Based Study. Thromb Haemost. 2018 Sep;118(9):1556-1563. doi: 10.1055/s-0038-1668522. Epub 2018 Aug 13.
- Alonso A, Krijthe BP, Aspelund T, Stepas KA, Pencina MJ, Moser CB, Sinner MF, Sotoodehnia N, Fontes JD, Janssens AC, Kronmal RA, Magnani JW, Witteman JC, Chamberlain AM, Lubitz SA, Schnabel RB, Agarwal SK, McManus DD, Ellinor PT, Larson MG, Burke GL, Launer LJ, Hofman A, Levy D, Gottdiener JS, Kaab S, Couper D, Harris TB, Soliman EZ, Stricker BH, Gudnason V, Heckbert SR, Benjamin EJ. Simple risk model predicts incidence of atrial fibrillation in a racially and geographically diverse population: the CHARGE-AF consortium. J Am Heart Assoc. 2013 Mar 18;2(2):e000102. doi: 10.1161/JAHA.112.000102.
- Chamberlain AM, Agarwal SK, Folsom AR, Soliman EZ, Chambless LE, Crow R, Ambrose M, Alonso A. A clinical risk score for atrial fibrillation in a biracial prospective cohort (from the Atherosclerosis Risk in Communities [ARIC] study). Am J Cardiol. 2011 Jan;107(1):85-91. doi: 10.1016/j.amjcard.2010.08.049.
- Schnabel RB, Sullivan LM, Levy D, Pencina MJ, Massaro JM, D'Agostino RB Sr, Newton-Cheh C, Yamamoto JF, Magnani JW, Tadros TM, Kannel WB, Wang TJ, Ellinor PT, Wolf PA, Vasan RS, Benjamin EJ. Development of a risk score for atrial fibrillation (Framingham Heart Study): a community-based cohort study. Lancet. 2009 Feb 28;373(9665):739-45. doi: 10.1016/S0140-6736(09)60443-8.
- Schnabel RB, Aspelund T, Li G, Sullivan LM, Suchy-Dicey A, Harris TB, Pencina MJ, D'Agostino RB Sr, Levy D, Kannel WB, Wang TJ, Kronmal RA, Wolf PA, Burke GL, Launer LJ, Vasan RS, Psaty BM, Benjamin EJ, Gudnason V, Heckbert SR. Validation of an atrial fibrillation risk algorithm in whites and African Americans. Arch Intern Med. 2010 Nov 22;170(21):1909-17. doi: 10.1001/archinternmed.2010.434.
- Li YG, Pastori D, Farcomeni A, Yang PS, Jang E, Joung B, Wang YT, Guo YT, Lip GYH. A Simple Clinical Risk Score (C2HEST) for Predicting Incident Atrial Fibrillation in Asian Subjects: Derivation in 471,446 Chinese Subjects, With Internal Validation and External Application in 451,199 Korean Subjects. Chest. 2019 Mar;155(3):510-518. doi: 10.1016/j.chest.2018.09.011. Epub 2018 Oct 4.
- Kolek MJ, Graves AJ, Xu M, Bian A, Teixeira PL, Shoemaker MB, Parvez B, Xu H, Heckbert SR, Ellinor PT, Benjamin EJ, Alonso A, Denny JC, Moons KG, Shintani AK, Harrell FE Jr, Roden DM, Darbar D. Evaluation of a Prediction Model for the Development of Atrial Fibrillation in a Repository of Electronic Medical Records. JAMA Cardiol. 2016 Dec 1;1(9):1007-1013. doi: 10.1001/jamacardio.2016.3366.
- Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016 Sep 29;375(13):1216-9. doi: 10.1056/NEJMp1606181. No abstract available.
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Ehteshami Bejnordi B, Veta M, Johannes van Diest P, van Ginneken B, Karssemeijer N, Litjens G, van der Laak JAWM; the CAMELYON16 Consortium; Hermsen M, Manson QF, Balkenhol M, Geessink O, Stathonikos N, van Dijk MC, Bult P, Beca F, Beck AH, Wang D, Khosla A, Gargeya R, Irshad H, Zhong A, Dou Q, Li Q, Chen H, Lin HJ, Heng PA, Hass C, Bruni E, Wong Q, Halici U, Oner MU, Cetin-Atalay R, Berseth M, Khvatkov V, Vylegzhanin A, Kraus O, Shaban M, Rajpoot N, Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N, Watanabe S, Seno S, Takenaka Y, Matsuda H, Ahmady Phoulady H, Kovalev V, Kalinovsky A, Liauchuk V, Bueno G, Fernandez-Carrobles MM, Serrano I, Deniz O, Racoceanu D, Venancio R. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017 Dec 12;318(22):2199-2210. doi: 10.1001/jama.2017.14585.
- Shah NH, Milstein A, Bagley PhD SC. Making Machine Learning Models Clinically Useful. JAMA. 2019 Oct 8;322(14):1351-1352. doi: 10.1001/jama.2019.10306. No abstract available.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, Carter RE, Yao X, Rabinstein AA, Erickson BJ, Kapa S, Friedman PA. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019 Sep 7;394(10201):861-867. doi: 10.1016/S0140-6736(19)31721-0. Epub 2019 Aug 1.
- Sultan AA, West J, Grainge MJ, Riley RD, Tata LJ, Stephansson O, Fleming KM, Nelson-Piercy C, Ludvigsson JF. Development and validation of risk prediction model for venous thromboembolism in postpartum women: multinational cohort study. BMJ. 2016 Dec 5;355:i6253. doi: 10.1136/bmj.i6253.
- Rahimian F, Salimi-Khorshidi G, Payberah AH, Tran J, Ayala Solares R, Raimondi F, Nazarzadeh M, Canoy D, Rahimi K. Predicting the risk of emergency admission with machine learning: Development and validation using linked electronic health records. PLoS Med. 2018 Nov 20;15(11):e1002695. doi: 10.1371/journal.pmed.1002695. eCollection 2018 Nov.
- Huang Z, Dong W, Duan H, Liu J. A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Using Electronic Health Records. IEEE Trans Biomed Eng. 2018 May;65(5):956-968. doi: 10.1109/TBME.2017.2731158. Epub 2017 Jul 24.
- Riley RD, Snell KI, Ensor J, Burke DL, Harrell FE Jr, Moons KG, Collins GS. Minimum sample size for developing a multivariable prediction model: PART II - binary and time-to-event outcomes. Stat Med. 2019 Mar 30;38(7):1276-1296. doi: 10.1002/sim.7992. Epub 2018 Oct 24. Erratum In: Stat Med. 2019 Dec 30;38(30):5672.
- Nadarajah R, Wu J, Frangi AF, Hogg D, Cowan C, Gale C. Predicting patient-level new-onset atrial fibrillation from population-based nationwide electronic health records: protocol of FIND-AF for developing a precision medicine prediction model using artificial intelligence. BMJ Open. 2021 Nov 2;11(11):e052887. doi: 10.1136/bmjopen-2021-052887.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Verwacht)
Studie voltooiing (Verwacht)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 120029
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .