- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT06231797
AI-ECG-screening op systolische disfunctie van de linkerventrikel
AI-ECG-screening op systolische disfunctie van het linkerventrikel: een prospectief, observationeel, multicenter onderzoek
Studie Overzicht
Toestand
Interventie / Behandeling
Gedetailleerde beschrijving
De huidige onderzoekers hebben een algoritme voor kunstmatige intelligentie (AI) ontwikkeld, gebaseerd op een elektrocardiogram (ECG) met 12 afleidingen, dat systolische dysfunctie van de linkerventrikel detecteert, via 364.845 ECG's van 148.547 patiënten. Toen het model vervolgens retrospectief werd getest op 59.805 ECG's van 24.376 patiënten, bedroeg de prestatie van het model, uitgedrukt als een gebied onder de bedieningskarakteristiek van de ontvanger, 0,889 (95% BI 0,887-0,891).
We zijn van plan om de effectiviteit van ons model prospectief te valideren als een potentieel screeningsinstrument voor systolische disfunctie van het linkerventrikel.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: Hak Seung Lee, MD
- Telefoonnummer: +1-771-216-0764
- E-mail: cardiolee@gmail.com
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Individuen of degenen wier wettelijke vertegenwoordiger akkoord gaat met deelname aan het onderzoek en het toestemmingsformulier ondertekenen
- Kan zowel 12-afleidingen elektrocardiogram als transthoracale echocardiografie voltooien
Uitsluitingscriteria:
- Personen met een leeftijd jonger dan 18 jaar.
- Individuen die niet akkoord gaan met deelname aan het onderzoek
- Patiënten die niet kunnen deelnemen aan klinische onderzoeken, zulks ter beoordeling van de onderzoeker
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gebied onder de bedrijfskarakteristiek van de ontvanger (AUROC)
Tijdsspanne: Via afronding van de studie, gemiddeld 1 jaar
|
Prestaties van AI-modellen die LVSD detecteren, uitgedrukt als een AUROC.
Als diagnostische hulp voor LVSD zal een ROC-curve, uitgedrukt als gevoeligheid voor (1-specificiteit), worden gepresenteerd, en de nauwkeurigheid van de voorspelling zal worden bevestigd door de AUROC te berekenen, wat het onderstaande gebied is.
|
Via afronding van de studie, gemiddeld 1 jaar
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gevoeligheid
Tijdsspanne: Via afronding van de studie, gemiddeld 1 jaar
|
AI-modelgevoeligheid detecteert LVSD
|
Via afronding van de studie, gemiddeld 1 jaar
|
|
Specificiteit
Tijdsspanne: Via afronding van de studie, gemiddeld 1 jaar
|
AI-modelgevoeligheid voor het detecteren van patiënten met een normale systolische linkerventrikelfunctie
|
Via afronding van de studie, gemiddeld 1 jaar
|
|
Positief voorspellende waarde
Tijdsspanne: Via afronding van de studie, gemiddeld 1 jaar
|
Positief voorspellende waarde in de gerekruteerde patiëntenpopulatie
|
Via afronding van de studie, gemiddeld 1 jaar
|
|
Negatieve voorspellende waarde
Tijdsspanne: Via afronding van de studie, gemiddeld 1 jaar
|
Negatieve voorspellende waarde in de gerekruteerde patiëntenpopulatie
|
Via afronding van de studie, gemiddeld 1 jaar
|
Medewerkers en onderzoekers
Onderzoekers
- Hoofdonderzoeker: Seung-Pyo Lee, MD, PhD, Seoul National University Hospital
Publicaties en nuttige links
Algemene publicaties
- 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.
Studie record data
Bestudeer belangrijke data
Studie start (Geschat)
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 (Geschat)
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
- H-2306-083-1439
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 .