Een multicenter onderzoek naar vroege diagnose van NSTE-ACS-patiënten op basis van een machine learning-model
29 december 2020 bijgewerkt door: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
Vroege diagnose van NSTEMI- en UA-patiënten gebeurt voornamelijk door de constructie van een machine learning-model.
Studie Overzicht
Toestand
Onbekend
Interventie / Behandeling
Gedetailleerde beschrijving
De patiënten met NSTEMI en UA werden geïncludeerd.
Na handmatige labeling werden de kenmerken van het opnamedossier van patiënten geselecteerd.
75% van de gegevens wordt gebruikt om het model te bouwen en 25% van de gegevens wordt gebruikt om de validiteit van het model te verifiëren.
Vijf classificatiemodellen van eendimensionale convolutie (CNN), naïeve Bayesiaanse (NB), support vector machine (SVM), random forest (RF) en ensemble learning werden geconstrueerd om NSTEMI- en UA-patiënten te identificeren en te diagnosticeren.
Meervoudige kruisvalidatie en ROC-AUC-curve worden gebruikt om de voor- en nadelen van de modellen te meten.
Studietype
Observationeel
Inschrijving (Werkelijk)
2500
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
Xinjiang
-
Ürümqi, Xinjiang, China, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
18 jaar tot 75 jaar (Volwassen, Oudere volwassene)
Accepteert gezonde vrijwilligers
NVT
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
Patiënten met NSTEMI en UA werden van 2017 tot 2019 opgenomen in het pijncentrum op de borst van het First Affiliated Hospital van Xinjiang Medical University en het First Affiliated Hospital van Medical College of Shihezi University.
Beschrijving
Inclusiecriteria:
- Patiënten werden opgenomen en uitgesloten strikt volgens de diagnostische criteria van Chinese richtlijnen voor diagnose en behandeling van acuut coronair syndroom zonder ST-segmentstijging (2016). De patiënten werden opgenomen in het ziekenhuis met pijn op de borst als voornaamste klacht, en werden opgenomen in het eerste aangesloten ziekenhuis van Xinjiang Medical University en het eerste aangesloten ziekenhuis van Medical College of Shihezi University. de patiënten werden gediagnosticeerd als NSTEMI en UA door coronaire angiografie (leeftijdsbereik van 30 tot 75 jaar oud).
Uitsluitingscriteria:
- 1. Patiënten met STEMI, aneurysma met dissectie van de aorta, pneumothorax en andere niet-cardiogene pijn op de borst. 2. Ernstig hepatorenaal falen, primaire tumor zonder chirurgische behandeling, niet-ernstige infectie gecompliceerd door shock en zwangere vrouwen. 3. Vorige ernstige klepziekte, virale myocarditis, pericardiale effusie, implantatie van een pacemaker, cardiogene shock met ernstige complicaties, hypertensieve hartaandoeningen, verschillende cardiomyopathieën, aangeboren hartaandoeningen, enz.
4. Patiënten met hartaandoeningen, AECOPD, longtumoren en hyperthyreoïdie werden in het verleden gediagnosticeerd.
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
CNN-model
Elektronische gezondheidsinformatie van NSTEMI- en UA-patiënten in twee pijncentra op de borst van 2017 tot 2019 werd verzameld. Na handmatige labeling werden de kenmerken van patiëntopnamerecords geselecteerd en door de constructie van een eendimensionaal convolutiemodel (CNN).
Door de meervoudige kruisvalidatie en de ROC-AUC-curve als meetindex te nemen, wordt 75% van de gegevens gemodelleerd en wordt 25% van de gegevens gebruikt om het effect van het model te verifiëren.
|
Vroege diagnose van NTEMI-patiënten door machine learning-model
|
|
XG-boost
Door de constructie van het XG-boostmodel, waarbij de meervoudige kruisvalidatie en ROC-AUC-curve als meetindex worden genomen, wordt 75% van de gegevens gemodelleerd en wordt 25% van de gegevens gebruikt om het effect van het model te verifiëren.
|
Vroege diagnose van NTEMI-patiënten door machine learning-model
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nauwkeurige diagnose van NSTEMI bij patiënten met acute pijn op de borst
Tijdsspanne: Binnen 1 jaar
|
NSTEMI-patiënten worden nauwkeurig gediagnosticeerd van patiënten met acute pijn op de borst via een getraind algoritme voor machinaal leren.
Ons model gebruikt meervoudige kruisvalidatie en ROC-AUC-curve als meetindex, 75% van de gegevens is gemodelleerd en 25% van de gegevens verifieert het effect van het model.
Om deze reden zullen we de nauwkeurigheid, specificiteit en waarschijnlijkheidsratio berekenen wanneer de gevoeligheidsafkapwaarde 0,9 is.
|
Binnen 1 jaar
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Studie directeur: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Hoofdonderzoeker: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
Publicaties en nuttige links
De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.
Algemene publicaties
- 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.
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Werkelijk)
20 december 2020
Primaire voltooiing (Verwacht)
20 december 2021
Studie voltooiing (Verwacht)
1 juni 2022
Studieregistratiedata
Eerst ingediend
19 december 2020
Eerst ingediend dat voldeed aan de QC-criteria
19 december 2020
Eerst geplaatst (Werkelijk)
24 december 2020
Updates van studierecords
Laatste update geplaatst (Werkelijk)
31 december 2020
Laatste update ingediend die voldeed aan QC-criteria
29 december 2020
Laatst geverifieerd
1 december 2020
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- XMa
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
ONBESLIST
Beschrijving IPD-plan
Machine learning-model om patiënten met UA en NSTMI te identificeren
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
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 .