- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT06062316
Waarschuwingsmodel voor remodellering van het myocard na een acuut myocardinfarct met behulp van multimodale kenmerkstructuurtechnologie
Model voor vroegtijdige waarschuwing van myocardremodellering na een acuut myocardinfarct, gebaseerd op multimodale kenmerkstructuurtechnologie
Acuut myocardinfarct (AMI) is een van de belangrijkste ziekten die het menselijk leven bedreigt. De bestaande voorspellingsschalen voor MI-prognose voorspellen meestal de incidentie van overlijden, recidiverend MI en hartfalen via 6 tot 8 klinische tekstindicatoren, en de gegevens worden relatief eenvoudig verzameld. Myocardiale remodellering, als een ongunstige pathologische verandering die kan beginnen en zich kan voortzetten in een vroeg stadium na een hartinfarct, is het belangrijkste pathologische mechanisme van hartfalen en overlijden. Er bestaat echter geen kwantitatief model voor vroegtijdige waarschuwing voor remodellering van het myocard, en de klinische begeleiding voor vroege interventie ontbreekt.
Uit onze eerdere studie is gebleken dat cardiale magnetische resonantiebeeldvorming het necrotische gebied en het herstelbare myocardium in het oedemateuze myocard na een hartinfarct nauwkeurig kan kwantificeren. In deze studie worden machine learning-algoritmen, variabel convolutienetwerk (DCN) en capsulenetwerk (capsnet) gebruikt om een nieuwe neurale netwerkarchitectuur te bouwen. Structurele kenmerkenextractie van multimodale klinische beeldgegevens zoals MRI en echografie wordt gerealiseerd. Gecombineerd met de bestaande database van 3000 patiënten met een hartinfarct zal de multimodale kenmerkmatrix worden geconstrueerd en zal een verscheidenheid aan classificatoren zoals support vector machine (SVM) en random forest (RF) worden gebruikt voor kwantitatieve voorspelling van myocardiale remodellering, en de effecten van verschillende classificatoren werden geëvalueerd. Er wordt verwacht dat dit project een kwantitatief vroegtijdig waarschuwingsmodel zal opleveren voor de remodellering van het myocard na een acuut myocardinfarct, in lijn met de kenmerken van Chinese mensen. Hetzelfde type gegevens buiten de database zal worden gebruikt voor verificatie om een efficiënt en stabiel model voor vroegtijdige waarschuwing op te zetten.
Studie Overzicht
Toestand
Conditie
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Xicheng
-
Beijing, Xicheng, China, 100000
- Xuanwu Hospital, Capital Medical University
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Criteria voor de diagnose van een acuut hartinfarct:
verhoogde of verlaagde cardiale biomarkers (bij voorkeur cTn), minstens één keer hoger dan het 99e percentiel van de bovenste referentiewaarde, afkapvariabiliteit ≤10%, en minstens één bewijs van myocardischemie (waaronder symptomen, elektrocardiografische ischemische veranderingen, pathologische Q- golven of beeldmateriaal).
Beschrijving
Inclusiecriteria:
- 1.Patiënten met een acuut myocardinfarct, in de leeftijd van 18-80 jaar; 2. De tijd vanaf het begin tot de behandeling bedraagt minder dan 72 uur. 3. Myocardiaal enzym Tni/Tnt(+).
Uitsluitingscriteria:
- 1.Patiënten met kwaadaardige tumoren; 2.Patiënten die geen conventionele behandeling konden krijgen. 3.Patiënten die geen coronaire angiografie kregen en bij gebrek aan anatomische en beeldvormende gegevens; 4.Patiënten die een hartoperatie hebben ondergaan (behalve coronaire bypassoperaties)
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nieuw convolutioneel neuraal netwerkalgoritme en cardiale magnetische resonantiebeeldvorming om het optreden van myocardiale remodellering na een hartinfarct te evalueren.
Tijdsspanne: 1 jaar
|
(Kwantitatieve karakterisering van de remodellering van het myocard, cardiale magnetische resonantiebeeldvorming die necrotische gebieden en herstelbaar myocardium in het oedemateuze myocard na een hartinfarct kwantificeert).
|
1 jaar
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
De multidimensionale indexen van de bestaande database werden vergeleken met de locatie en het verloop van de remodellering van het myocard door middel van een kunstmatige intelligentiemethode. Mate van correlatieanalyse.
Tijdsspanne: 1 jaar
|
Via het nieuwe Deformable Convolutional Capsule-netwerk dat is ontwikkeld. Het Networks-onderzoek (DCCN) concentreerde zich op de bestaande klinische en beeldvormende uitgebreide database van patiënten met een acuut myocardinfarct. Machine learning werd uitgevoerd op de gegevens om de extractie van relevante kenmerken en de analyse van logische relaties te voltooien van myocardremodellering na een hartinfarct. Sterke correlatiekenmerken werden gescreend. |
1 jaar
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Zhi Liu, Xuanwu Hospital, Beijing
Publicaties en nuttige links
Algemene publicaties
- McMurray JJ, Packer M, Desai AS, Gong J, Lefkowitz MP, Rizkala AR, Rouleau JL, Shi VC, Solomon SD, Swedberg K, Zile MR; PARADIGM-HF Investigators and Committees. Angiotensin-neprilysin inhibition versus enalapril in heart failure. N Engl J Med. 2014 Sep 11;371(11):993-1004. doi: 10.1056/NEJMoa1409077. Epub 2014 Aug 30.
- Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al-Mallah MH, Andreini D, Budoff MJ, Cademartiri F, Callister TQ, Chang HJ, Chinnaiyan K, Chow BJ, Cury RC, Delago A, Gomez M, Gransar H, Hadamitzky M, Hausleiter J, Hindoyan N, Feuchtner G, Kaufmann PA, Kim YJ, Leipsic J, Lin FY, Maffei E, Marques H, Pontone G, Raff G, Rubinshtein R, Shaw LJ, Stehli J, Villines TC, Dunning A, Min JK, Slomka PJ. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J. 2017 Feb 14;38(7):500-507. doi: 10.1093/eurheartj/ehw188.
- Anderson L, Oldridge N, Thompson DR, Zwisler AD, Rees K, Martin N, Taylor RS. Exercise-Based Cardiac Rehabilitation for Coronary Heart Disease: Cochrane Systematic Review and Meta-Analysis. J Am Coll Cardiol. 2016 Jan 5;67(1):1-12. doi: 10.1016/j.jacc.2015.10.044.
- Hausenloy DJ, Yellon DM. Myocardial ischemia-reperfusion injury: a neglected therapeutic target. J Clin Invest. 2013 Jan;123(1):92-100. doi: 10.1172/JCI62874. Epub 2013 Jan 2.
- Moran AE, Forouzanfar MH, Roth GA, Mensah GA, Ezzati M, Murray CJ, Naghavi M. Temporal trends in ischemic heart disease mortality in 21 world regions, 1980 to 2010: the Global Burden of Disease 2010 study. Circulation. 2014 Apr 8;129(14):1483-92. doi: 10.1161/CIRCULATIONAHA.113.004042. Epub 2014 Feb 26.
- Abuomara HZA, Hassan OM, Rashid T, Baraka M. Myocardial performance index as an echocardiographic predictor of early in-hospital heart failure during first acute anterior ST-elevation myocardial infarction. Egypt Heart J. 2018 Jun;70(2):71-75. doi: 10.1016/j.ehj.2017.12.001. Epub 2017 Dec 24.
- Hendriks T, Schurer RAJ, Al Ali L, van den Heuvel AFM, van der Harst P. Left ventricular restoration devices post myocardial infarction. Heart Fail Rev. 2018 Nov;23(6):871-883. doi: 10.1007/s10741-018-9711-2.
- Iborra-Egea O, Galvez-Monton C, Roura S, Perea-Gil I, Prat-Vidal C, Soler-Botija C, Bayes-Genis A. Mechanisms of action of sacubitril/valsartan on cardiac remodeling: a systems biology approach. NPJ Syst Biol Appl. 2017 Apr 18;3:12. doi: 10.1038/s41540-017-0013-4. eCollection 2017.
- Seferovic PM, Fragasso G, Petrie M, Mullens W, Ferrari R, Thum T, Bauersachs J, Anker SD, Ray R, Cavusoglu Y, Polovina M, Metra M, Ambrosio G, Prasad K, Seferovic J, Jhund PS, Dattilo G, Celutkiene J, Piepoli M, Moura B, Chioncel O, Ben Gal T, Heymans S, Jaarsma T, Hill L, Lopatin Y, Lyon AR, Ponikowski P, Lainscak M, Jankowska E, Mueller C, Cosentino F, Lund LH, Filippatos GS, Ruschitzka F, Coats AJS, Rosano GMC. Heart Failure Association of the European Society of Cardiology update on sodium-glucose co-transporter 2 inhibitors in heart failure. Eur J Heart Fail. 2020 Nov;22(11):1984-1986. doi: 10.1002/ejhf.2026. Epub 2020 Oct 27.
- Pasternak B, Ueda P, Eliasson B, Svensson AM, Franzen S, Gudbjornsdottir S, Hveem K, Jonasson C, Wintzell V, Melbye M, Svanstrom H. Use of sodium glucose cotransporter 2 inhibitors and risk of major cardiovascular events and heart failure: Scandinavian register based cohort study. BMJ. 2019 Aug 29;366:l4772. doi: 10.1136/bmj.l4772.
- West R, Jones D. Cardiac rehabilitation and mortality reduction after myocardial infarction: the emperor's new clothes? Evidence against cardiac rehabilitation. Heart. 2013 Jul;99(13):911-3. doi: 10.1136/heartjnl-2013-303705. Epub 2013 May 4.
- Milani RV, Lavie CJ. Impact of cardiac rehabilitation on depression and its associated mortality. Am J Med. 2007 Sep;120(9):799-806. doi: 10.1016/j.amjmed.2007.03.026.
- Karuzas A, Rumbinaite E, Verikas D, Ptasinskas T, Muckiene G, Kazakauskaite E, Zabiela V, Jurkevicius R, Vaskelyte JJ, Zaliunas R, Zaliaduonyte-Peksiene D. Accuracy of three-dimensional systolic dyssynchrony and sphericity indexes for identifying early left ventricular remodeling after acute myocardial infarction. Anatol J Cardiol. 2019 Jun;22(1):13-20. doi: 10.14744/AnatolJCardiol.2019.02844.
- Kagiyama N, Shrestha S, Cho JS, Khalil M, Singh Y, Challa A, Casaclang-Verzosa G, Sengupta PP. A low-cost texture-based pipeline for predicting myocardial tissue remodeling and fibrosis using cardiac ultrasound. EBioMedicine. 2020 Apr;54:102726. doi: 10.1016/j.ebiom.2020.102726. Epub 2020 Apr 6.
- Chirinos JA, Sardana M, Ansari B, Satija V, Kuriakose D, Edelstein I, Oldland G, Miller R, Gaddam S, Lee J, Suri A, Akers SR. Left Atrial Phasic Function by Cardiac Magnetic Resonance Feature Tracking Is a Strong Predictor of Incident Cardiovascular Events. Circ Cardiovasc Imaging. 2018 Dec;11(12):e007512. doi: 10.1161/CIRCIMAGING.117.007512.
- Ranka S, Reddy M, Noheria A. Artificial intelligence in cardiovascular medicine. Curr Opin Cardiol. 2021 Jan;36(1):26-35. doi: 10.1097/HCO.0000000000000812.
- Ahmad T, Lund LH, Rao P, Ghosh R, Warier P, Vaccaro B, Dahlstrom U, O'Connor CM, Felker GM, Desai NR. Machine Learning Methods Improve Prognostication, Identify Clinically Distinct Phenotypes, and Detect Heterogeneity in Response to Therapy in a Large Cohort of Heart Failure Patients. J Am Heart Assoc. 2018 Apr 12;7(8):e008081. doi: 10.1161/JAHA.117.008081.
- Tokodi M, Schwertner WR, Kovacs A, Toser Z, Staub L, Sarkany A, Lakatos BK, Behon A, Boros AM, Perge P, Kutyifa V, Szeplaki G, Geller L, Merkely B, Kosztin A. Machine learning-based mortality prediction of patients undergoing cardiac resynchronization therapy: the SEMMELWEIS-CRT score. Eur Heart J. 2020 May 7;41(18):1747-1756. doi: 10.1093/eurheartj/ehz902.
- Sanchez-Cabo F, Rossello X, Fuster V, Benito F, Manzano JP, Silla JC, Fernandez-Alvira JM, Oliva B, Fernandez-Friera L, Lopez-Melgar B, Mendiguren JM, Sanz J, Ordovas JM, Andres V, Fernandez-Ortiz A, Bueno H, Ibanez B, Garcia-Ruiz JM, Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J Am Coll Cardiol. 2020 Oct 6;76(14):1674-1685. doi: 10.1016/j.jacc.2020.08.017.
- Commandeur F, Slomka PJ, Goeller M, Chen X, Cadet S, Razipour A, McElhinney P, Gransar H, Cantu S, Miller RJH, Rozanski A, Achenbach S, Tamarappoo BK, Berman DS, Dey D. Machine learning to predict the long-term risk of myocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue: a prospective study. Cardiovasc Res. 2020 Dec 1;116(14):2216-2225. doi: 10.1093/cvr/cvz321.
- Than MP, Pickering JW, Sandoval Y, Shah ASV, Tsanas A, Apple FS, Blankenberg S, Cullen L, Mueller C, Neumann JT, Twerenbold R, Westermann D, Beshiri A, Mills NL; MI3 Collaborative. Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. Circulation. 2019 Sep 10;140(11):899-909. doi: 10.1161/CIRCULATIONAHA.119.041980. Epub 2019 Aug 16.
- Tan JH, Hagiwara Y, Pang W, Lim I, Oh SL, Adam M, Tan RS, Chen M, Acharya UR. Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals. Comput Biol Med. 2018 Mar 1;94:19-26. doi: 10.1016/j.compbiomed.2017.12.023. Epub 2018 Jan 2.
- D'Ascenzo F, De Filippo O, Gallone G, Mittone G, Deriu MA, Iannaccone M, Ariza-Sole A, Liebetrau C, Manzano-Fernandez S, Quadri G, Kinnaird T, Campo G, Simao Henriques JP, Hughes JM, Dominguez-Rodriguez A, Aldinucci M, Morbiducci U, Patti G, Raposeiras-Roubin S, Abu-Assi E, De Ferrari GM; PRAISE study group. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. Lancet. 2021 Jan 16;397(10270):199-207. doi: 10.1016/S0140-6736(20)32519-8.
- Fernandez-Ruiz I. Machine learning predicts risk in ACS. Nat Rev Cardiol. 2021 Apr;18(4):230. doi: 10.1038/s41569-021-00521-8. No abstract available.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
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
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- xuanwuliuzhi
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
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 .