En multisenterstudie om tidlig diagnose av NSTE-ACS-pasienter basert på maskinlæringsmodell
29. desember 2020 oppdatert av: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
Tidlig diagnose av NSTEMI- og UA-pasienter er hovedsakelig gjennom konstruksjon av maskinlæringsmodell.
Studieoversikt
Status
Ukjent
Intervensjon / Behandling
Detaljert beskrivelse
Pasientene med NSTEMI og UA ble inkludert.
Etter manuell merking ble pasientjournalkarakteristikkene valgt.
75 % av dataene brukes til å bygge modellen, og 25 % av dataene brukes til å verifisere modellens gyldighet.
Fem klassifikasjonsmodeller av endimensjonal konvolusjon (CNN), naiv Bayesian (NB), støttevektormaskin (SVM), tilfeldig skog (RF) og ensemblelæring ble konstruert for å identifisere og diagnostisere NSTEMI- og UA-pasienter.
Multi-fold kryssvalidering og ROC-AUC kurve brukes for å måle fordeler og ulemper ved modellene.
Studietype
Observasjonsmessig
Registrering (Faktiske)
2500
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Xinjiang
-
Ürümqi, Xinjiang, Kina, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
18 år til 75 år (Voksen, Eldre voksen)
Tar imot friske frivillige
N/A
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
Pasienter med NSTEMI og UA ble inkludert i brystsmertesenteret ved First Affiliated Hospital ved Xinjiang Medical University og First Affiliated Hospital of Medical College ved Shihezi University fra 2017 til 2019.
Beskrivelse
Inklusjonskriterier:
- Pasienter ble inkludert og ekskludert strengt i henhold til de diagnostiske kriteriene i kinesiske retningslinjer for diagnose og behandling av akutt koronarsyndrom (2016). Pasientene ble innlagt på sykehuset med brystsmerter som hovedklagen, og ble innlagt på det første tilknyttede sykehuset ved Xinjiang Medical University og det første tilknyttede sykehuset til Medical College ved Shihezi University. pasientene ble diagnostisert som NSTEMI og UA ved koronar angiografi (aldersspenning fra 30 til 75 år).
Ekskluderingskriterier:
- 1. Pasienter med STEMI, aortadisserende aneurisme, pneumothorax og andre ikke-kardiogene brystsmerter. 2. Alvorlig hepatorenal svikt, primærtumor uten kirurgisk behandling, ikke-alvorlig infeksjon komplisert med sjokk og gravide. 3. Tidligere alvorlig klaffesykdom, viral myokarditt, perikardial effusjon, implantasjon av hjertepacemaker, kardiogent sjokk med alvorlige komplikasjoner, hypertensiv hjertesykdom, diverse kardiomyopati, medfødt hjertesykdom, etc.
4. Pasienter med hjertesykdom, AECOPD, lungetumor og hypertyreose ble diagnostisert tidligere.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
CNN-modell
Elektronisk helseinformasjon for NSTEMI- og UA-pasienter i to brystsmertesentre fra 2017 til 2019 ble samlet inn, etter manuell merking ble egenskapene til pasientinnleggelsesjournaler valgt, og gjennom konstruksjonen av en endimensjonal konvolusjonsmodell (CNN).
Ved å ta flerfolds kryssvalidering og ROC-AUC-kurven som måleindeks, blir 75 % av dataene modellert og 25 % av dataene brukt til å verifisere effekten av modellen.
|
Tidlig diagnose av NTEMI-pasienter ved maskinlæringsmodell
|
|
XG boost
Gjennom konstruksjonen av XG boost-modellen, som tar flerfolds kryssvalidering og ROC-AUC-kurven som måleindeks, blir 75 % av dataene modellert og 25 % av dataene brukt til å verifisere effekten av modellen.
|
Tidlig diagnose av NTEMI-pasienter ved maskinlæringsmodell
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktig diagnose av NSTEMI fra pasienter med akutte brystsmerter
Tidsramme: Innen 1 år
|
NSTEMI-pasienter blir nøyaktig diagnostisert fra pasienter med akutte brystsmerter gjennom en trent maskinlæringsalgoritme.
Vår modell bruker flerfolds kryssvalidering og ROC-AUC-kurve som måleindeks, 75 % av dataene er modellert, og 25 % av dataene bekrefter effekten av modellen.
Av denne grunn vil vi beregne nøyaktigheten, spesifisiteten og sannsynlighetsforholdet når sensitivitetsgrenseverdien er 0,9.
|
Innen 1 år
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Studieleder: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Hovedetterforsker: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- 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.
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
20. desember 2020
Primær fullføring (Forventet)
20. desember 2021
Studiet fullført (Forventet)
1. juni 2022
Datoer for studieregistrering
Først innsendt
19. desember 2020
Først innsendt som oppfylte QC-kriteriene
19. desember 2020
Først lagt ut (Faktiske)
24. desember 2020
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
31. desember 2020
Siste oppdatering sendt inn som oppfylte QC-kriteriene
29. desember 2020
Sist bekreftet
1. desember 2020
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- XMa
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
UBESLUTTE
IPD-planbeskrivelse
Maskinlæringsmodell for å identifisere pasienter med UA og NSTMI
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .