Opracowanie nowatorskiej konwolucyjnej sieci neuronowej do klasyfikacji arytmii (AI-ECG)
4 listopada 2020 zaktualizowane przez: Sanjeev Bhavnani MD, Scripps Clinic
Opracowanie nowej konwolucyjnej sieci neuronowej do klasyfikacji arytmii dla rytmów serca wymagających defibrylacji
Identyfikacja prawidłowej arytmii w czasie zdarzenia klinicznego, w tym zatrzymania krążenia, ma wysoki priorytet dla pacjentów, organizacji opieki zdrowotnej i zdrowia publicznego.
Najnowsze osiągnięcia w zakresie sztucznej inteligencji i uczenia maszynowego zapewniają nowe możliwości szybkiego i dokładnego diagnozowania zaburzeń rytmu serca oraz wykorzystania nowych mobilnych urządzeń zdrowotnych i telemetrycznych w opiece nad pacjentem.
Obecne badanie ma na celu zweryfikowanie nowego podejścia statystycznego opartego na sztucznej inteligencji, zwanego „klasyfikatorem splotowych sieci neuronowych”, oraz jego skuteczności w odniesieniu do różnych arytmii diagnozowanych na podstawie 12-odprowadzeniowego EKG i jednoodprowadzeniowego Holtera/monitorowania zdarzeń.
Te arytmie obejmują; migotanie przedsionków, częstoskurcz nadkomorowy, blok przedsionkowo-komorowy, asystolia, częstoskurcz komorowy i migotanie komór i zostaną porównane z kryteriami wydajności American Heart Association (95% jednostronny przedział ufności 67-92% w oparciu o typ arytmii).
Aby to zrobić, podejście badawcze polega na utworzeniu dużej bazy danych EKG zawierającej niezidentyfikowane surowe dane EKG oraz trenowaniu sieci neuronowej na danych EKG w celu poprawy dokładności diagnostycznej.
Przegląd badań
Status
Zakończony
Interwencja / Leczenie
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
25458
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
California
-
San Diego, California, Stany Zjednoczone, 92037
- Scripps Clinic
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- DOROSŁY
- STARSZY_DOROŚLI
- DZIECKO
Akceptuje zdrowych ochotników
Tak
Płeć kwalifikująca się do nauki
Wszystko
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Osoby poddawane 12-odprowadzeniowemu EKG lub Holterowi/monitorowaniu zdarzeń
Opis
Kryteria przyjęcia:
- Wszystkie dane EKG zebrane z 12-odprowadzeniowego EKG, pojedynczych i wielu odprowadzeń baz danych
Kryteria wyłączenia:
- Nic
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Dane EKG
Zakodowane dane, w tym; długości fal, amplituda, interwały, synchronizacja, częstotliwość
|
Konwolucyjna sieć neuronowa jest skonfigurowana do odbierania segmentu elektrokardiogramu jako danych wejściowych i do generowania danych wyjściowych wskazujących, czy odebrany segment elektrokardiogramu reprezentuje arytmię serca.
Żadne specyficzne cechy elektrokardiogramu nie są identyfikowane w splotowej sieci neuronowej, a otrzymany segment elektrokardiogramu nie jest filtrowany, przekształcany ani przetwarzany przed odbiorem przez algorytm.
Algorytm jest szkolony w podobny sposób – segmenty elektrokardiogramu są jedynym wejściem do konwolucyjnej sieci neuronowej.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność diagnostyczna
Ramy czasowe: 1 ROK
|
Kryteria wydajności EKG Amerykańskiego Towarzystwa Kardiologicznego
|
1 ROK
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Śledczy
- Główny śledczy: Sanjeev Bhavnani, MD, Scripps Clinic Medical Group
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Trans Biomed Eng. 2016 Mar;63(3):664-75. doi: 10.1109/TBME.2015.2468589. Epub 2015 Aug 14.
- Bhavnani SP, Parakh K, Atreja A, Druz R, Graham GN, Hayek SS, Krumholz HM, Maddox TM, Majmudar MD, Rumsfeld JS, Shah BR. 2017 Roadmap for Innovation-ACC Health Policy Statement on Healthcare Transformation in the Era of Digital Health, Big Data, and Precision Health: A Report of the American College of Cardiology Task Force on Health Policy Statements and Systems of Care. J Am Coll Cardiol. 2017 Nov 28;70(21):2696-2718. doi: 10.1016/j.jacc.2017.10.018. No abstract available.
- Bhavnani SP, Narula J, Sengupta PP. Mobile technology and the digitization of healthcare. Eur Heart J. 2016 May 7;37(18):1428-38. doi: 10.1093/eurheartj/ehv770. Epub 2016 Feb 11.
- Vandendriessche B, Abas M, Dick TE, Loparo KA, Jacono FJ. A Framework for Patient State Tracking by Classifying Multiscalar Physiologic Waveform Features. IEEE Trans Biomed Eng. 2017 Dec;64(12):2890-2900. doi: 10.1109/TBME.2017.2684244. Epub 2017 Mar 17.
- Arvanaghi R, Daneshvar S, Seyedarabi H, Goshvarpour A. Fusion of ECG and ABP signals based on wavelet transform for cardiac arrhythmias classification. Comput Methods Programs Biomed. 2017 Nov;151:71-78. doi: 10.1016/j.cmpb.2017.08.013. Epub 2017 Aug 24.
- Figuera C, Irusta U, Morgado E, Aramendi E, Ayala U, Wik L, Kramer-Johansen J, Eftestol T, Alonso-Atienza F. Machine Learning Techniques for the Detection of Shockable Rhythms in Automated External Defibrillators. PLoS One. 2016 Jul 21;11(7):e0159654. doi: 10.1371/journal.pone.0159654. eCollection 2016.
- Li Q, Rajagopalan C, Clifford GD. Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Trans Biomed Eng. 2014 Jun;61(6):1607-13. doi: 10.1109/TBME.2013.2275000. Epub 2013 Jul 26.
- Lyon A, Minchole A, Martinez JP, Laguna P, Rodriguez B. Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J R Soc Interface. 2018 Jan;15(138):20170821. doi: 10.1098/rsif.2017.0821.
- Mjahad A, Rosado-Munoz A, Bataller-Mompean M, Frances-Villora JV, Guerrero-Martinez JF. Ventricular Fibrillation and Tachycardia detection from surface ECG using time-frequency representation images as input dataset for machine learning. Comput Methods Programs Biomed. 2017 Apr;141:119-127. doi: 10.1016/j.cmpb.2017.02.010. Epub 2017 Feb 10.
- Xiong Z, Nash MP, Cheng E, Fedorov VV, Stiles MK, Zhao J. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network. Physiol Meas. 2018 Sep 24;39(9):094006. doi: 10.1088/1361-6579/aad9ed.
- Fan X, Yao Q, Cai Y, Miao F, Sun F, Li Y. Multiscaled Fusion of Deep Convolutional Neural Networks for Screening Atrial Fibrillation From Single Lead Short ECG Recordings. IEEE J Biomed Health Inform. 2018 Nov;22(6):1744-1753. doi: 10.1109/JBHI.2018.2858789. Epub 2018 Aug 7.
- Warrick PA, Nabhan Homsi M. Ensembling convolutional and long short-term memory networks for electrocardiogram arrhythmia detection. Physiol Meas. 2018 Oct 30;39(11):114002. doi: 10.1088/1361-6579/aad386.
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (RZECZYWISTY)
1 października 2018
Zakończenie podstawowe (RZECZYWISTY)
1 marca 2020
Ukończenie studiów (RZECZYWISTY)
1 października 2020
Daty rejestracji na studia
Pierwszy przesłany
5 września 2018
Pierwszy przesłany, który spełnia kryteria kontroli jakości
5 września 2018
Pierwszy wysłany (RZECZYWISTY)
7 września 2018
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (RZECZYWISTY)
6 listopada 2020
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
4 listopada 2020
Ostatnia weryfikacja
1 listopada 2020
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 027527
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
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 .
Badania kliniczne na Klasyfikator sieci neuronowych
-
University of ManitobaButterfly NetworkRekrutacyjnyZaburzenia stawów skroniowo-żuchwowych | Obraz rezonansu magnetycznego | Ultradźwięki ręczneKanada
-
Guy's and St Thomas' NHS Foundation TrustPhilips HealthcareZakończony
-
Mary CharltonNational Cancer Institute (NCI)Aktywny, nie rekrutujący
-
Karolinska InstitutetRekrutacyjnyOstra niewydolność oddechowaSzwecja
-
Cionic, Inc.RekrutacyjnyStwardnienie rozsiane | Stwardnienie rozsiane, przewlekle postępujące | Stwardnienie rozsiane, rzutowo-remisyjneStany Zjednoczone
-
Ospedale Generale Di Zona Moriggia-PelasciniOspedale di Vipiteno-Sterzing (SABES-ASDAA)ZakończonyPorażenie nadjądrowe, postępujące | Atrofia wielu systemów | Pierwotny parkinsonizm | Wtórna naczyniowa choroba ParkinsonaWłochy
-
Centre Hospitalier Universitaire, AmiensZakończonyUderzenie | Zaburzenia zachowania | Zaburzenia poznawczeFrancja
-
University of California, Los AngelesCionic, Inc.Jeszcze nie rekrutacja
-
Université de MontréalNieznanyEdukacja chirurgiczna | Zaawansowane umiejętności szycia
-
University of British ColumbiaBrainTrust Canada; ABI Wellness; The Kelowna Women's Shelter; Nanaimo Brain Injury...RekrutacyjnyŁagodne urazowe uszkodzenie mózguKanada