Wspomagana sztuczną inteligencją ekstrakcja cech elektrokardiogramu na dużą skalę i badanie związku między wyodrębnionymi cechami a śmiertelnością, udarem lub różnymi interesującymi wynikami zdrowotnymi
- W tym badaniu wielkoskalowe dane EKG (dane elektrokardiograficzne wszystkich pacjentów przechowywane w systemie MUSE w drodze pomiaru standardowego 12-kierunkowego EKG podczas kontroli stanu zdrowia w szpitalu Severance od 1 listopada 2005 r. do 31 października 2022 r.) połączono z elektronicznymi danymi medycznymi. zapisów EKG, danych Krajowej Korporacji Ubezpieczeń Zdrowotnych i danych dotyczących przyczyn zgonów Krajowego Urzędu Statystycznego, a algorytm sztucznej inteligencji służy do wyodrębniania cech EKG w celu analizy związku między śmiercią, udarem i różnymi stanami zdrowotnymi oraz do przeprowadzania zewnętrznej weryfikacji lub transferu wiedzy za pomocą publiczne bazy danych (np. dane brytyjskiego Biobanku).
- Przeznaczony do wykorzystania internetowej platformy sztucznej inteligencji do dystrybucji obciążeń obliczeniowych generowanych podczas przetwarzania danych na dużą skalę oraz poprawy dokładności i wydajności analiz.
Przegląd badań
Status
Status
Warunki
Warunki
Szczegółowy opis
- Wszystkie legitymacje pacjentów uzyskane z centrali zastępowane są legitymacjami badawczymi (identyfikatorami zdezidentyfikowanymi), dzięki czemu rzeczywisty identyfikator nie zostaje ujawniony, a inne dane osobowe (imię i nazwisko, numer rejestracyjny mieszkańca) nie są zbierane.
Metody badawcze:
- Ekstrakcja elektrokardiogramu na podstawie kryteriów badanych.
- W połączeniu z wyodrębnionymi danymi EKG i danymi National Insurance Corporation (+ dane dotyczące przyczyn zgonów Krajowego Urzędu Statystycznego).
- Definicja zdrowia poza interesem (HOI). Obejmuje śmierć, udar mózgu itp.
- Zdefiniowany HOI można uzyskać z danych Centrum Medycznego Yonsei, danych Służby Ubezpieczeń Społecznych lub danych dotyczących przyczyn zgonów Korei Statystycznej.
- Trenowanie modeli sztucznej inteligencji z elektrokardiogramem (i, jeśli to konieczne, diagramem informacji klinicznych) jako danymi wejściowymi, z wykorzystaniem algorytmów nadzorowanego głębokiego uczenia się, jeśli jest etykieta, i algorytmów uczenia się bez nadzoru, jeśli nie ma etykiety.
- Ocena wydajności modeli sztucznej inteligencji uczenia się nadzorowanego.
- W przypadku modeli sztucznej inteligencji uczenia się bez nadzoru – powiązanie/korelacja między wyodrębnionymi cechami a HOI lub analiza przewidywalności/wykrywalności.
- Uczenie transferowe można przeprowadzić poprzez dodanie zewnętrznej weryfikacji lub danych dielektrycznych do wyuczonego modelu przy użyciu publicznych baz danych.
- Zewnętrzną weryfikację można przeprowadzić z wykorzystaniem zewnętrznych danych dodatkowych poprzez zamontowanie wyuczonego modelu na internetowej platformie sztucznej inteligencji.
- Biorąc pod uwagę dane wielkoskalowe, obciążenia obliczeniowe można dystrybuować za pomocą internetowych platform sztucznej inteligencji.
- Wyniki analizy można zanonimizować, a wyniki analizy można udostępnić badaczom za pośrednictwem internetowej platformy sztucznej inteligencji.
Typ studiów
Typ studiów
Zapisy (Szacowany)
Zapisy
Kontakty i lokalizacje
Kontakt w sprawie studiów
Kontakt w sprawie studiów
- Nazwa: Hui-Nam Pak
- Numer telefonu: 82-2-2228-8459
- E-mail: hnpak@yuhs.ac
Lokalizacje studiów
-
-
-
Seoul, Republika Korei
- Yonsei University Health System
-
Kontakt:
- Hui-Nam Pak
- Numer telefonu: 82-2-2228-8459
- E-mail: hnpak@yuhs.ac
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
Wszyscy pacjenci przechowywani w systemie MUSE po pomiarze standardowego 12-kierunkowego elektrokardiogramu podczas Severance Health Checkup w Severance Hospital od 1 listopada 2005 r. do 31 października 2022 r.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Liczba pacjentów ze śmiertelnością
Ramy czasowe: 2 lata
|
Badanie powtarzalności przewidywania śmiertelności (liczby pacjentów, którzy zmarli bez względu na jakąkolwiek przyczynę) na podstawie danych EKG zmierzonych w ciągu 1 roku przed śmiercią przy użyciu algorytmów sztucznej inteligencji
|
2 lata
|
|
Liczba pacjentów z udarem mózgu, migotaniem przedsionków, demencją
Ramy czasowe: 2 lata
|
Badanie korelacji niektórych wzorców EKG z możliwością udaru/migotania przedsionków, demencji przy użyciu algorytmów sztucznej inteligencji.
|
2 lata
|
Współpracownicy i badacze
Sponsor
Sponsor
Śledczy
Śledczy
- Główny śledczy: Hui-Nam Pak, Yonsei University
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Szacowany)
Rozpoczęcie studiów
Zakończenie podstawowe (Szacowany)
Zakończenie podstawowe
Ukończenie studiów (Szacowany)
Ukończenie studiów
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Pierwszy wysłany
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Szacowany)
Ostatnia wysłana aktualizacja
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
Inne numery identyfikacyjne badania
- 4-2022-1506
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .