- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT04657900
Przewidywanie nowego wystąpienia migotania przedsionków na poziomie pacjenta
Przewidywanie nowego początku migotania przedsionków na poziomie pacjenta na podstawie ogólnokrajowej elektronicznej dokumentacji medycznej opartej na populacji: badanie medycyny precyzyjnej z wykorzystaniem sztucznej inteligencji
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Migotanie przedsionków (AF) jest częstym schorzeniem przewlekłym mającym znaczny wpływ na wyniki zdrowotne. Wiele przypadków AF jest wykrywanych zbyt późno – jako przejaw udaru mózgu, niewydolności serca lub innego powikłania. Chociaż wcześniejsze wykrycie AF może potencjalnie zapobiegać przedwczesnym chorobom sercowo-naczyniowym, populacyjne badania przesiewowe nie są zalecane.
Migotanie przedsionków (AF) jest wiodącym problemem zdrowotnym układu sercowo-naczyniowego. Jest to najczęstsza utrwalona arytmia serca, dotykająca 1-2% populacji Europy i USA, z ryzykiem wystąpienia jednej czwartej populacji ogólnej w ciągu całego życia. Występuje coraz częściej wraz ze starzeniem się społeczeństwa. W związku z tym szacunki te prawdopodobnie wzrosną, a obecnie są niedoszacowane, biorąc pod uwagę fakt, że AF może długo pozostać nierozpoznane. Migotanie przedsionków powoduje 1-3% wydatków na opiekę zdrowotną w wyniku udaru mózgu, nagłego zgonu, niewydolności serca, nieplanowanej hospitalizacji i związanych z nią powikłań. Wynikająca z tego epidemia AF i związane z nią kosztowne powikłania (w tym między innymi udar, depresja, niewydolność serca, ostry zespół wieńcowy, pogorszenie funkcji poznawczych i nieplanowane hospitalizacje) sprawiły, że AF jest obecnie głównym zagrożeniem dla długowieczności w zdrowiu. Wczesne rozpoznanie AF, najlepiej przed wystąpieniem pierwszego powikłania, pozostaje głównym wyzwaniem dla zdrowia publicznego. Podczas gdy u niektórych pacjentów AF może objawiać się objawowymi kołataniami serca, u innych pierwszym rozpoznaniem AF może być zgłoszenie się do personelu medycznego z udarem mózgu, ostrą dekompensacją czynności serca lub zaostrzeniem choroby współistniejącej – stadium, które jest niepotrzebnie opóźnione w trajektorii choroby. Wynika to z faktu, że wielu pacjentów z AF może nie mieć objawów związanych z AF. Biorąc pod uwagę, że prawie jedna trzecia pacjentów przyjmowanych na oddział udarowy ma AF w chwili przyjęcia do szpitala, a doustne leki przeciwzakrzepowe zmniejszają ryzyko udaru mózgu nawet o dwie trzecie u pacjentów z AF, którzy są bardziej narażeni na udar mózgu, istnieje przekonujący argument przemawiający za wcześniejszym wykryciem AF. W tym celu krajowe i międzynarodowe wytyczne zalecają obecnie oportunistyczne badania przesiewowe w kierunku AF (badanie palpacyjne tętna, a następnie EKG u pacjentów z nieregularnym tętnem) u pacjentów w wieku 65 lat i starszych. Międzynarodowe wytyczne zalecają również stosowanie 12-odprowadzeniowego EKG i ambulatoryjnych monitorów rytmu serca (w miarę wydłużania czasu trwania, w zależności od postrzeganego ryzyka AF), przechodząc na wszczepialne bezprzewodowe rejestratory AF u pacjentów z podejrzeniem, ale niezdiagnozowanego AF – a każdy z nich ma wpływ na koszty opieki zdrowotnej i pacjenta zadowolenie. Chociaż istnieją obiecujące wyniki systematycznych badań przesiewowych osób starszych w kierunku AF za pomocą urządzeń samoobsługowych, obecnie w Zjednoczonym Królestwie (Wielka Brytania) nie ma zaleceń dotyczących systematycznych badań przesiewowych całej populacji w kierunku AF, ponieważ nie jest jeszcze jasne, czy osoby zidentyfikowane jako ryzyka skorzystałaby na wczesnej diagnozie. Rzeczywiście, potrzebne są badania, aby lepiej zrozumieć wskaźniki wykrywalności, dokładność diagnostyczną, wyniki takich programów, a także określić, w jakich subpopulacjach badania przesiewowe AF miałyby największą wartość dla pacjentów i zdrowia publicznego.
Rozpoznanie AF ma istotne konsekwencje dla pacjenta i kliniczne. Pacjentom z grupy zwiększonego ryzyka udaru mózgu (wynik w skali CHADSVASC ≥ 2) bez przeciwwskazań należy zaproponować profilaktykę udaru za pomocą doustnego leku przeciwzakrzepowego. Ponadto u większości pacjentów z AF występują czynniki ryzyka udaru mózgu, które kwalifikują ich do doustnego antykoagulantu, a u wielu występują współistniejące choroby sercowo-naczyniowe (takie jak nadciśnienie tętnicze, wada zastawkowa serca lub niewydolność serca), co kwalifikuje ich do dalszych badań lub leczenia. Podobnie u osób z AF, u których ryzyko udaru jest niskie (i dlatego nie kwalifikują się do doustnej antykoagulacji), zaleca się obserwację pod kątem zwiększonego ryzyka udaru. Precyzyjne przewidywanie, czy i kiedy dana osoba będzie miała nowy początek AF, może pozwolić na fenotypowe i czasowe (a przez to bardziej skuteczne) badania przesiewowe, a także zidentyfikować przypuszczalne markery ryzyka etiologii AF. Na przykład pacjenci z rytmem zatokowym, ale z wyższym ryzykiem udaru mózgu, u których przewiduje się wystąpienie AF w określonym momencie w przyszłości, mogą odnieść korzyści z badań przesiewowych w kierunku AF bliżej przewidywanej daty. Podobnie modyfikowalne czynniki ryzyka rozwoju AF i ryzyka udaru mózgu mogą być proaktywnie zwalczane w świetle wiedzy o wyższym ryzyku wystąpienia AF o nowym początku oraz nowych czynników ryzyka badanych pod kątem związku przyczynowego. Inne możliwe możliwości badawcze mogą obejmować badanie pacjentów, którzy nie mają i nie przewiduje się wystąpienia AF, a także ocenę stylu życia, technologii urządzeń i strategii farmakoterapeutycznych w celu zmniejszenia ryzyka AF u pacjentów z wysokim przewidywanym ryzykiem wystąpienia AF o nowym początku.
Do tej pory opracowano szereg narzędzi do przewidywania ryzyka AF, między innymi narzędzia konsorcjum CHARGE-AF, Framingham Heart Study, skala CHADS, CHADSVASC i CHEST. Skala CHEST (strukturalna choroba serca, niewydolność serca, wiek ≥ 75 lat, choroba niedokrwienna serca, nadczynność tarczycy, przewlekła obturacyjna choroba płuc (POChP) i nadciśnienie) pochodzi od 471 446 pacjentów z chińskiej bazy danych Yunnan Insurance i została zweryfikowana u 451 199 osób z Stwierdzono, że Koreańska Narodowa Służba Ubezpieczeń Zdrowotnych przewiduje przyszłe incydenty AF. Spośród 4764 uczestników badania Framingham Heart Study wiek, płeć, wskaźnik masy ciała, skurczowe ciśnienie krwi, leczenie nadciśnienia tętniczego, czas od początku załamka P do początku zespołu depolaryzacji komór (QRS) (odstęp PR ), klinicznie istotny szmer nad sercem i niewydolność serca zostały uznane za pomocą modelowania przeżycia jako składowe punktacji przewidującej incydent AF po 10 latach. Jednak każde z dotychczasowych badań jest ograniczone przez jedno lub więcej z nich: wykorzystanie geograficznie odległych danych, danych historycznych, małych zbiorów danych, brak informacji czasowych, surowe modelowanie ryzyka z wynikającą z tego nieoptymalną wydajnością modelu i/lub zmiennymi predykcyjnymi, które nie są łatwo dostępne do lekarza ogólnego. Zrozumiałe, że żaden z nich nie osiągnął powszechnej praktyki klinicznej. Sztuczna inteligencja ułatwia wykorzystanie ogromnych ilości danych o zdarzeniach i powiązanych informacji czasowych (takich jak zbiory danych podstawowej opieki zdrowotnej), obsługuje dużą liczbę predyktorów za pomocą technik automatycznego wyboru zmiennych, uwzględnia nieliniowości i interakcje między zmiennymi, umożliwia podejście do uczenia się na żywo ( dzięki czemu model przewidywania jest automatycznie aktualizowany) i może wykorzystywać dane z całej populacji do przewidywania, czy i kiedy wystąpi nowy początek AF u danej osoby. Do danych EHR zastosowano szereg technik sztucznej inteligencji (AI), które wykazały lepszą moc diagnostyczną i prognostyczną w porównaniu z tradycyjnymi podejściami statystycznymi w danych EHR na dużą skalę. Jednak, jak niedawno podkreślono, ważne jest, aby zidentyfikować modele, które są przydatne klinicznie. Na przykład badanie, w którym opracowano algorytm EKG z obsługą sztucznej inteligencji, który przewidywał AF na podstawie EKG z prawidłowym rytmem zatokowym, podczas gdy ważny krok naprzód może nie mieć zastosowania w warunkach społecznych, w których rutynowe EKG nie zawsze są dostępne. W związku z tym opracowanie algorytmu predykcyjnego dla AF o nowym początku na podstawie rutynowych danych z elektronicznej dokumentacji medycznej podstawowej opieki zdrowotnej przy użyciu technik sztucznej inteligencji może dać możliwość wczesnego przełożenia na praktykę kliniczną. Badacze opracują i zweryfikują model uczenia się głębokich sieci neuronowych, wykorzystujący połączone elektroniczne dane medyczne (EHR) na dużą skalę z podstawowej opieki zdrowotnej, aby przewidzieć ryzyko nowego AF. Algorytm przewidywania zostanie przeszkolony i przetestowany pod kątem dokładności i solidności w przewidywaniu przyszłych zdarzeń AF przy użyciu łącza danych Clinical Practice Research Datalink (CPRD) — globalnej inicjatywy dotyczącej przewlekłej obturacyjnej choroby płuc (GOLD) i zostanie zweryfikowany zewnętrznie przy użyciu podobnych baz danych CPRD-AURUM, ale w różnych lokalizacjach geograficznych. Nowy algorytm predykcyjny zostanie porównany z szeregiem klasycznych technik uczenia maszynowego, a także tradycyjnymi metodami statystycznego modelowania predykcyjnego. W oczekiwaniu na udany model poprawiający dokładność przewidywania o co najmniej 5% w porównaniu z istniejącymi modelami, algorytm mógłby być łatwo dostępny za pośrednictwem bezpłatnego oprogramowania.
Typ studiów
Zapisy (Oczekiwany)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
West Yorkshire
-
Leeds, West Yorkshire, Zjednoczone Królestwo, LS2 9JT
- University of Leeds
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- AF rozpoznane po 1 stycznia 2009 r. (zidentyfikowane za pomocą kodów Read (dla profilu pacjenta CPRD) i kodów ICD-10 (dla zdarzeń HES)
- W praktyce klinicznej Datalink — globalna inicjatywa dotycząca przewlekłej obturacyjnej choroby płuc (CPRD-GOLD) i kwalifikująca się do łączenia danych.
- Mieć co najmniej roczny okres obserwacji w okresie od 1 stycznia 1998 r. do 31 grudnia 2018 r.
Kryteria wyłączenia:
- Poniżej 18 roku życia w dniu pierwszej rejestracji w CPRD
- Zdiagnozowano AF przed 1 stycznia 1998 r
- W CPRD-GOLD i nie kwalifikuje się do łączenia danych
- Ma mniej niż rok obserwacji w CPRD
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kohorta
- Perspektywy czasowe: Z mocą wsteczną
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
---|---|
Wszyscy kwalifikujący się pacjenci
Kohorta obserwacyjna wykorzystująca anonimowe dane dotyczące podstawowej opieki zdrowotnej na poziomie pacjenta powiązane z wtórnymi danymi administracyjnymi; CPRD-GOLD i CPRD-AURUM.
|
Obserwacyjny - bez interwencji
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Opracowanie i walidacja hierarchicznego modelu głębokiego uczenia się do przewidywania ryzyka i, w stosownych przypadkach, okresu wystąpienia AF o nowym początku
Ramy czasowe: W okresie od 1 stycznia 1998 do 31 grudnia 2018 r
|
Czynniki predykcyjne będą identyfikowane za pomocą kodów odczytu (diagnozy), pomiarów i kodów produkcji (leki) w CPRD; kody ICD10 i kody klasyfikacji statystycznej (OPCS) w statystykach epizodów szpitalnych (HES); oraz kody ICD 10 (kody ICD9 dla okresu przed 2001 r.) w danych Urzędu Statystyk Narodowych (ONS). Wszystkie zmienne będą uważane za potencjalne predyktory i mogą obejmować:
|
W okresie od 1 stycznia 1998 do 31 grudnia 2018 r
|
Aby zidentyfikować i określić ilościowo wielkość predyktorów AF o nowym początku
Ramy czasowe: W okresie od 1 stycznia 1998 do 31 grudnia 2018 r
|
Proponowany model głębokiego uczenia się może wyodrębnić informacyjne czynniki ryzyka z danych EHR. W szczególności strategia wyboru czynników ryzyka zaproponowana w Huang i wsp. zostanie dostosowana do identyfikacji informacyjnych czynników ryzyka. Model zapewni wagi zidentyfikowanych czynników ryzyka, aby pomóc zrozumieć znaczenie czynników ryzyka na różnych poziomach ryzyka. Wpływ liczby czynników ryzyka na wydajność przewidywania ryzyka AF zostanie oceniony za pomocą krzywych zarówno pola pod krzywą (AUC), jak i dokładności przewidywania wykreślonych w funkcji liczby czynników ryzyka. Niektóre predyktory, takie jak BMI, ciśnienie krwi, częstotliwość wizyt u lekarza pierwszego kontaktu (GP), moc przepisanych leków, mogą zmieniać się w czasie. Przyrostowe wartości prognostyczne uwzględnienia tych zmiennych trajektorii zostaną zbadane i oceniony zostanie wpływ na dokładność predykcyjną. |
W okresie od 1 stycznia 1998 do 31 grudnia 2018 r
|
Współpracownicy i badacze
Sponsor
Współpracownicy
Śledczy
- Główny śledczy: Christopher P Gale, PhD, University of Leeds
Publikacje i pomocne linki
Publikacje ogólne
- Conen D. Epidemiology of atrial fibrillation. Eur Heart J. 2018 Apr 21;39(16):1323-1324. doi: 10.1093/eurheartj/ehy171. No abstract available.
- Kirchhof P. The future of atrial fibrillation management: integrated care and stratified therapy. Lancet. 2017 Oct 21;390(10105):1873-1887. doi: 10.1016/S0140-6736(17)31072-3. Epub 2017 Apr 28. Erratum In: Lancet. 2017 Oct 21;390(10105):1832. Dosage error in article text.
- Fuster V, Ryden LE, Cannom DS, Crijns HJ, Curtis AB, Ellenbogen KA, Halperin JL, Le Heuzey JY, Kay GN, Lowe JE, Olsson SB, Prystowsky EN, Tamargo JL, Wann S, Smith SC Jr, Jacobs AK, Adams CD, Anderson JL, Antman EM, Halperin JL, Hunt SA, Nishimura R, Ornato JP, Page RL, Riegel B, Priori SG, Blanc JJ, Budaj A, Camm AJ, Dean V, Deckers JW, Despres C, Dickstein K, Lekakis J, McGregor K, Metra M, Morais J, Osterspey A, Tamargo JL, Zamorano JL; American College of Cardiology/American Heart Association Task Force on Practice Guidelines; European Society of Cardiology Committee for Practice Guidelines; European Heart Rhythm Association; Heart Rhythm Society. ACC/AHA/ESC 2006 Guidelines for the Management of Patients with Atrial Fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines and the European Society of Cardiology Committee for Practice Guidelines (Writing Committee to Revise the 2001 Guidelines for the Management of Patients With Atrial Fibrillation): developed in collaboration with the European Heart Rhythm Association and the Heart Rhythm Society. Circulation. 2006 Aug 15;114(7):e257-354. doi: 10.1161/CIRCULATIONAHA.106.177292. No abstract available. Erratum In: Circulation. 2007 Aug 7;116(6):e138.
- Camm AJ, Kirchhof P, Lip GY, Schotten U, Savelieva I, Ernst S, Van Gelder IC, Al-Attar N, Hindricks G, Prendergast B, Heidbuchel H, Alfieri O, Angelini A, Atar D, Colonna P, De Caterina R, De Sutter J, Goette A, Gorenek B, Heldal M, Hohloser SH, Kolh P, Le Heuzey JY, Ponikowski P, Rutten FH; ESC Committee for Practice Guidelines. Guidelines for the management of atrial fibrillation: the Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology (ESC). Europace. 2010 Oct;12(10):1360-420. doi: 10.1093/europace/euq350. No abstract available. Erratum In: Europace. 2011 Jul;13(7):1058. Dosage error in article text.
- Kirchhof P, Auricchio A, Bax J, Crijns H, Camm J, Diener HC, Goette A, Hindricks G, Hohnloser S, Kappenberger L, Kuck KH, Lip GY, Olsson B, Meinertz T, Priori S, Ravens U, Steinbeck G, Svernhage E, Tijssen J, Vincent A, Breithardt G. Outcome parameters for trials in atrial fibrillation: executive summary. Eur Heart J. 2007 Nov;28(22):2803-17. doi: 10.1093/eurheartj/ehm358. Epub 2007 Sep 25.
- Friberg L, Rosenqvist M, Lindgren A, Terent A, Norrving B, Asplund K. High prevalence of atrial fibrillation among patients with ischemic stroke. Stroke. 2014 Sep;45(9):2599-605. doi: 10.1161/STROKEAHA.114.006070. Epub 2014 Jul 17.
- Wolf PA, Abbott RD, Kannel WB. Atrial fibrillation: a major contributor to stroke in the elderly. The Framingham Study. Arch Intern Med. 1987 Sep;147(9):1561-4.
- January CT, Wann LS, Alpert JS, Calkins H, Cigarroa JE, Cleveland JC Jr, Conti JB, Ellinor PT, Ezekowitz MD, Field ME, Murray KT, Sacco RL, Stevenson WG, Tchou PJ, Tracy CM, Yancy CW; ACC/AHA Task Force Members. 2014 AHA/ACC/HRS guideline for the management of patients with atrial fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on practice guidelines and the Heart Rhythm Society. Circulation. 2014 Dec 2;130(23):e199-267. doi: 10.1161/CIR.0000000000000041. Epub 2014 Mar 28. No abstract available. Erratum In: Circulation. 2014 Dec 2;130(23):e272-4.
- Aronson D, Shalev V, Katz R, Chodick G, Mutlak D. Risk Score for Prediction of 10-Year Atrial Fibrillation: A Community-Based Study. Thromb Haemost. 2018 Sep;118(9):1556-1563. doi: 10.1055/s-0038-1668522. Epub 2018 Aug 13.
- Alonso A, Krijthe BP, Aspelund T, Stepas KA, Pencina MJ, Moser CB, Sinner MF, Sotoodehnia N, Fontes JD, Janssens AC, Kronmal RA, Magnani JW, Witteman JC, Chamberlain AM, Lubitz SA, Schnabel RB, Agarwal SK, McManus DD, Ellinor PT, Larson MG, Burke GL, Launer LJ, Hofman A, Levy D, Gottdiener JS, Kaab S, Couper D, Harris TB, Soliman EZ, Stricker BH, Gudnason V, Heckbert SR, Benjamin EJ. Simple risk model predicts incidence of atrial fibrillation in a racially and geographically diverse population: the CHARGE-AF consortium. J Am Heart Assoc. 2013 Mar 18;2(2):e000102. doi: 10.1161/JAHA.112.000102.
- Chamberlain AM, Agarwal SK, Folsom AR, Soliman EZ, Chambless LE, Crow R, Ambrose M, Alonso A. A clinical risk score for atrial fibrillation in a biracial prospective cohort (from the Atherosclerosis Risk in Communities [ARIC] study). Am J Cardiol. 2011 Jan;107(1):85-91. doi: 10.1016/j.amjcard.2010.08.049.
- Schnabel RB, Sullivan LM, Levy D, Pencina MJ, Massaro JM, D'Agostino RB Sr, Newton-Cheh C, Yamamoto JF, Magnani JW, Tadros TM, Kannel WB, Wang TJ, Ellinor PT, Wolf PA, Vasan RS, Benjamin EJ. Development of a risk score for atrial fibrillation (Framingham Heart Study): a community-based cohort study. Lancet. 2009 Feb 28;373(9665):739-45. doi: 10.1016/S0140-6736(09)60443-8.
- Schnabel RB, Aspelund T, Li G, Sullivan LM, Suchy-Dicey A, Harris TB, Pencina MJ, D'Agostino RB Sr, Levy D, Kannel WB, Wang TJ, Kronmal RA, Wolf PA, Burke GL, Launer LJ, Vasan RS, Psaty BM, Benjamin EJ, Gudnason V, Heckbert SR. Validation of an atrial fibrillation risk algorithm in whites and African Americans. Arch Intern Med. 2010 Nov 22;170(21):1909-17. doi: 10.1001/archinternmed.2010.434.
- Li YG, Pastori D, Farcomeni A, Yang PS, Jang E, Joung B, Wang YT, Guo YT, Lip GYH. A Simple Clinical Risk Score (C2HEST) for Predicting Incident Atrial Fibrillation in Asian Subjects: Derivation in 471,446 Chinese Subjects, With Internal Validation and External Application in 451,199 Korean Subjects. Chest. 2019 Mar;155(3):510-518. doi: 10.1016/j.chest.2018.09.011. Epub 2018 Oct 4.
- Kolek MJ, Graves AJ, Xu M, Bian A, Teixeira PL, Shoemaker MB, Parvez B, Xu H, Heckbert SR, Ellinor PT, Benjamin EJ, Alonso A, Denny JC, Moons KG, Shintani AK, Harrell FE Jr, Roden DM, Darbar D. Evaluation of a Prediction Model for the Development of Atrial Fibrillation in a Repository of Electronic Medical Records. JAMA Cardiol. 2016 Dec 1;1(9):1007-1013. doi: 10.1001/jamacardio.2016.3366.
- Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016 Sep 29;375(13):1216-9. doi: 10.1056/NEJMp1606181. No abstract available.
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Ehteshami Bejnordi B, Veta M, Johannes van Diest P, van Ginneken B, Karssemeijer N, Litjens G, van der Laak JAWM; the CAMELYON16 Consortium; Hermsen M, Manson QF, Balkenhol M, Geessink O, Stathonikos N, van Dijk MC, Bult P, Beca F, Beck AH, Wang D, Khosla A, Gargeya R, Irshad H, Zhong A, Dou Q, Li Q, Chen H, Lin HJ, Heng PA, Hass C, Bruni E, Wong Q, Halici U, Oner MU, Cetin-Atalay R, Berseth M, Khvatkov V, Vylegzhanin A, Kraus O, Shaban M, Rajpoot N, Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N, Watanabe S, Seno S, Takenaka Y, Matsuda H, Ahmady Phoulady H, Kovalev V, Kalinovsky A, Liauchuk V, Bueno G, Fernandez-Carrobles MM, Serrano I, Deniz O, Racoceanu D, Venancio R. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017 Dec 12;318(22):2199-2210. doi: 10.1001/jama.2017.14585.
- Shah NH, Milstein A, Bagley PhD SC. Making Machine Learning Models Clinically Useful. JAMA. 2019 Oct 8;322(14):1351-1352. doi: 10.1001/jama.2019.10306. No abstract available.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, Carter RE, Yao X, Rabinstein AA, Erickson BJ, Kapa S, Friedman PA. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019 Sep 7;394(10201):861-867. doi: 10.1016/S0140-6736(19)31721-0. Epub 2019 Aug 1.
- Sultan AA, West J, Grainge MJ, Riley RD, Tata LJ, Stephansson O, Fleming KM, Nelson-Piercy C, Ludvigsson JF. Development and validation of risk prediction model for venous thromboembolism in postpartum women: multinational cohort study. BMJ. 2016 Dec 5;355:i6253. doi: 10.1136/bmj.i6253.
- Rahimian F, Salimi-Khorshidi G, Payberah AH, Tran J, Ayala Solares R, Raimondi F, Nazarzadeh M, Canoy D, Rahimi K. Predicting the risk of emergency admission with machine learning: Development and validation using linked electronic health records. PLoS Med. 2018 Nov 20;15(11):e1002695. doi: 10.1371/journal.pmed.1002695. eCollection 2018 Nov.
- Huang Z, Dong W, Duan H, Liu J. A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Using Electronic Health Records. IEEE Trans Biomed Eng. 2018 May;65(5):956-968. doi: 10.1109/TBME.2017.2731158. Epub 2017 Jul 24.
- Riley RD, Snell KI, Ensor J, Burke DL, Harrell FE Jr, Moons KG, Collins GS. Minimum sample size for developing a multivariable prediction model: PART II - binary and time-to-event outcomes. Stat Med. 2019 Mar 30;38(7):1276-1296. doi: 10.1002/sim.7992. Epub 2018 Oct 24. Erratum In: Stat Med. 2019 Dec 30;38(30):5672.
- Nadarajah R, Wu J, Frangi AF, Hogg D, Cowan C, Gale C. Predicting patient-level new-onset atrial fibrillation from population-based nationwide electronic health records: protocol of FIND-AF for developing a precision medicine prediction model using artificial intelligence. BMJ Open. 2021 Nov 2;11(11):e052887. doi: 10.1136/bmjopen-2021-052887.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Oczekiwany)
Ukończenie studiów (Oczekiwany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 120029
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu 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 .