Wieloośrodkowe badanie dotyczące wczesnej diagnozy pacjentów z NSTE-ACS w oparciu o model uczenia maszynowego
29 grudnia 2020 zaktualizowane przez: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
Wczesna diagnoza pacjentów z NSTEMI i UA odbywa się głównie poprzez budowę modelu uczenia maszynowego.
Przegląd badań
Status
Nieznany
Interwencja / Leczenie
Szczegółowy opis
Do badania włączono pacjentów z NSTEMI i UA.
Po ręcznym oznaczeniu wybrano charakterystyki kart przyjęć pacjentów.
75% danych służy do budowy modelu, a 25% danych służy do weryfikacji poprawności modelu.
Skonstruowano pięć modeli klasyfikacyjnych jednowymiarowego splotu (CNN), naiwnego bayesowskiego (NB), maszyny wektorów nośnych (SVM), lasu losowego (RF) i uczenia zespołowego, aby zidentyfikować i zdiagnozować pacjentów z NSTEMI i UA.
Wielokrotna walidacja krzyżowa i krzywa ROC-AUC służą do pomiaru zalet i wad modeli.
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
2500
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Xinjiang
-
Ürümqi, Xinjiang, Chiny, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
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
18 lat do 75 lat (Dorosły, Starszy dorosły)
Akceptuje zdrowych ochotników
Nie dotyczy
Płeć kwalifikująca się do nauki
Wszystko
Metoda próbkowania
Próbka prawdopodobieństwa
Badana populacja
Pacjenci z NSTEMI i UA byli włączani do Centrum Bólu Klatki Piersiowej Pierwszego Szpitala Stowarzyszonego Uniwersytetu Medycznego w Xinjiang i Pierwszego Szpitala Stowarzyszonego Kolegium Medycznego Uniwersytetu Shihezi w latach 2017-2019.
Opis
Kryteria przyjęcia:
- Pacjenci byli włączani i wykluczani ściśle według kryteriów diagnostycznych chińskich wytycznych dotyczących diagnostyki i leczenia ostrego zespołu wieńcowego bez uniesienia odcinka ST (2016). Pacjenci zostali przyjęci do szpitala z bólem w klatce piersiowej jako główną dolegliwością i zostali przyjęci do pierwszego stowarzyszonego Szpitala Uniwersytetu Medycznego Xinjiang i pierwszego stowarzyszonego Szpitala Kolegium Medycznego Uniwersytetu Shihezi. u pacjentów rozpoznano NSTEMI i UA za pomocą koronarografii (przedział wiekowy od 30 do 75 lat).
Kryteria wyłączenia:
- 1. Pacjenci ze STEMI, tętniakiem rozwarstwiającym aorty, odmą opłucnową i innymi niekardiogennymi bólami w klatce piersiowej. 2.Ciężka niewydolność wątroby, guz pierwotny nieleczony chirurgicznie, nieciężkie zakażenie powikłane wstrząsem i kobiety w ciąży. 3. Przebyta ciężka choroba zastawkowa, wirusowe zapalenie mięśnia sercowego, wysięk osierdziowy, wszczepienie rozrusznika serca, wstrząs kardiogenny z poważnymi powikłaniami, choroba nadciśnieniowa serca, różne kardiomiopatie, wrodzone wady serca itp.
4. W przeszłości rozpoznano u pacjentów z chorobami serca, AECOPD, guzem płuca i nadczynnością tarczycy.
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 |
|---|---|
|
Modelu CNN
Zebrano elektroniczne informacje zdrowotne pacjentów z NSTEMI i UA w dwóch ośrodkach leczenia bólu w klatce piersiowej w latach 2017-2019. Po ręcznym oznaczeniu wybrano charakterystykę zapisów przyjęć pacjentów oraz poprzez konstrukcję jednowymiarowego modelu splotu (CNN).
Przyjmując wielokrotną walidację krzyżową i krzywą ROC-AUC jako wskaźnik pomiaru, 75% danych jest modelowanych, a 25% danych służy do weryfikacji efektu modelu.
|
Wczesna diagnoza pacjentów z NTEMI za pomocą modelu uczenia maszynowego
|
|
Wzmocnienie XG
Dzięki konstrukcji modelu wzmocnienia XG, przyjmującej wielokrotną walidację krzyżową i krzywą ROC-AUC jako wskaźnik pomiaru, 75% danych jest modelowanych, a 25% danych służy do weryfikacji efektu modelu.
|
Wczesna diagnoza pacjentów z NTEMI za pomocą modelu uczenia maszynowego
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładna diagnoza NSTEMI u pacjentów z ostrym bólem w klatce piersiowej
Ramy czasowe: W ciągu 1 roku
|
Pacjenci z NSTEMI są dokładnie diagnozowani od pacjentów z ostrym bólem w klatce piersiowej za pomocą wyszkolonego algorytmu uczenia maszynowego.
Nasz model wykorzystuje wielokrotną walidację krzyżową i krzywą ROC-AUC jako wskaźnik pomiaru, 75% danych jest modelowanych, a 25% danych weryfikuje efekt modelu.
Z tego powodu obliczymy dokładność, specyficzność i iloraz wiarygodności, gdy wartość odcięcia czułości wynosi 0,9.
|
W ciągu 1 roku
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Współpracownicy
Śledczy
- Główny śledczy: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Dyrektor Studium: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Główny śledczy: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
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
- 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.
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)
20 grudnia 2020
Zakończenie podstawowe (Oczekiwany)
20 grudnia 2021
Ukończenie studiów (Oczekiwany)
1 czerwca 2022
Daty rejestracji na studia
Pierwszy przesłany
19 grudnia 2020
Pierwszy przesłany, który spełnia kryteria kontroli jakości
19 grudnia 2020
Pierwszy wysłany (Rzeczywisty)
24 grudnia 2020
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
31 grudnia 2020
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
29 grudnia 2020
Ostatnia weryfikacja
1 grudnia 2020
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- XMa
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIEZDECYDOWANY
Opis planu IPD
Model uczenia maszynowego do identyfikacji pacjentów z UA i NSTMI
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 .