- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05725187
Prospektywne badanie walidacyjne opartego na sztucznej inteligencji algorytmu przewidywania napadowego migotania przedsionków (PROVISION-AF)
Prospektywne badanie walidacyjne algorytmu przewidywania opartego na sztucznej inteligencji do przewidywania napadowego migotania przedsionków
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Chungbuk, Republika Korei, 28644
- Chungbuk National University Hospital
-
Gwangju, Republika Korei, 61469
- Chonnam National University Hospital
-
Gyeonggi-do, Republika Korei, 16995
- Yongin Severance Hospital
-
Incheon, Republika Korei, 21565
- Gachon University Gil Medical Center
-
Seoul, Republika Korei, 02447
- Kyung Hee University Hospital
-
Seoul, Republika Korei, 02841
- Korea University Anam Hospital
-
Seoul, Republika Korei, 06973
- Chung-Ang University Hospital
-
Seoul, Republika Korei, 07985
- Ewha Womans University Mokdong Hospital
-
Seoul, Republika Korei, 04763
- Hanyang University Seoul Hospital
-
Seoul, Republika Korei, 08308
- Korea University Guro Hospital
-
Seoul, Republika Korei, 07804
- Ewha Womans University Seoul Hospital
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Uczestnicy muszą mieć ukończone 20 lat
- Uczestnikami są pacjenci z objawami arytmii, którzy zgłosili się do poradni lub byli hospitalizowani
Kryteria wyłączenia:
- Z wyłączeniem pacjentów z elektronicznymi urządzeniami do implantacji serca, takimi jak rozruszniki serca, wszczepialne defibrylatory (ICD) lub terapia resynchronizująca serce (CRT).
- Z wyłączeniem kobiet w ciąży i karmiących piersią.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Grupa niskiego ryzyka napadowego migotania przedsionków
Pacjenci objęci badaniem to pacjenci w wieku powyżej 20 lat, którzy są hospitalizowani w naszym szpitalu lub pacjenci ambulatoryjni z objawami arytmii po zatwierdzeniu badania klinicznego.
Elektrokardiogram rytmu zatokowego w momencie udziału pacjenta w badaniu jest poddawany algorytmowi przewidywania sztucznej inteligencji, a wyniki stratyfikacji ryzyka są zaślepione i nie są przekazywane zarówno kierownikowi badania, jak i badanym.
W przypadku grupy niskiego ryzyka, po dołączeniu elektrokardiogramu do noszenia na osobie, elektrokardiogram zarejestrowany tydzień później jest analizowany w celu potwierdzenia wystąpienia migotania przedsionków.
|
Jest to elektrokardiogram o masie 9,2 g, mobiCARE, w formie plastra, a nazwa modelu to MC200M.
|
|
Grupa wysokiego ryzyka napadowego migotania przedsionków
Pacjenci objęci badaniem to pacjenci w wieku powyżej 20 lat, którzy są hospitalizowani w naszym szpitalu lub pacjenci ambulatoryjni z objawami arytmii po zatwierdzeniu badania klinicznego.
Elektrokardiogram rytmu zatokowego w momencie udziału pacjenta w badaniu jest poddawany algorytmowi przewidywania sztucznej inteligencji, a wyniki stratyfikacji ryzyka są zaślepione i nie są przekazywane zarówno kierownikowi badania, jak i badanym.
W przypadku grupy wysokiego ryzyka, po dołączeniu elektrokardiogramu do noszenia, elektrokardiogram zarejestrowany tydzień później jest analizowany w celu potwierdzenia wystąpienia migotania przedsionków.
|
Jest to elektrokardiogram o masie 9,2 g, mobiCARE, w formie plastra, a nazwa modelu to MC200M.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Występowanie napadowego AF
Ramy czasowe: 1 tydzień
|
Algorytm przewidywania AI klasyfikuje pacjentów do kategorii wysokiego i niskiego ryzyka w celu przewidywania napadowego migotania przedsionków w ciągu tygodnia na podstawie zapisów EKG osób z prawidłowym rytmem zatokowym.
Dokładność przewidywania zostanie oceniona za pomocą urządzenia do noszenia, które rejestruje występowanie napadowego migotania przedsionków w ciągu tygodnia.
|
1 tydzień
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Weryfikacja wydajności modelu predykcyjnego AI
Ramy czasowe: 1 tydzień
|
Algorytm przewidywania sztucznej inteligencji dzieli pacjentów na grupy wysokiego i niskiego ryzyka podczas przewidywania napadowego migotania przedsionków w ciągu jednego tygodnia na podstawie danych EKG o prawidłowym rytmie zatokowym.
Wydajność algorytmu przewidywania AI ocenia się na podstawie danych uzyskanych z pierwotnego wyniku, który polega na potwierdzeniu, czy migotanie przedsionków zostało zarejestrowane podczas tygodniowego używania urządzenia przenośnego.
Ocenimy skuteczność algorytmu, oceniając jego zdolności predykcyjne, obejmujące czułość, specyficzność, współczynnik predykcji dodatniej, współczynnik predykcji ujemnej oraz wynik F1.
|
1 tydzień
|
Inne miary wyników
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Możliwości predykcyjne modelu predykcyjnego AI w porównaniu z kardiologami-ekspertami
Ramy czasowe: 10 minut
|
Możliwości predykcyjne algorytmu predykcji sztucznej inteligencji w stratyfikacji ryzyka zostaną porównane ze sprawnością ekspertów w zakresie stratyfikacji ryzyka. Każdy ekspert będzie musiał odpowiedzieć na kwestionariusz składający się z 30 zapisów EKG, aby sklasyfikować je jako badania wysokiego lub niskiego ryzyka. Kwestionariusz składa się z trzech elementów: Pytanie 1. Przewidywanie ryzyka migotania/trzepotania przedsionków w oparciu o prawidłowy rytm zatokowy z 12 odprowadzeń EKG i dane kliniczne uczestnika (wiek, płeć, choroby współistniejące, wynik badań laboratoryjnych, punktacja objawów EHRA itp.). Wynik laboratoryjny może obejmować BUN/Cr, eGFR, test czynności wątroby, test profilu lipidowego. Pytanie 2. Wymagany jest dalszy plan w celu wykrycia migotania/trzepotania przedsionków. Pytanie 3. Decydujący dowód na przewidywanie ryzyka migotania/trzepotania przedsionków. Dowodem może być prawidłowy rytm zatokowy z 12 odprowadzeń EKG lub dane kliniczne uczestnika. |
10 minut
|
Współpracownicy i badacze
Współpracownicy
Śledczy
- Dyrektor Studium: Sumi Jung, Ewha Womans University Mokdong Hospital
Publikacje i pomocne linki
Publikacje ogólne
- 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.
- Willems S, Borof K, Brandes A, Breithardt G, Camm AJ, Crijns HJGM, Eckardt L, Gessler N, Goette A, Haegeli LM, Heidbuchel H, Kautzner J, Ng GA, Schnabel RB, Suling A, Szumowski L, Themistoclakis S, Vardas P, van Gelder IC, Wegscheider K, Kirchhof P. Systematic, early rhythm control strategy for atrial fibrillation in patients with or without symptoms: the EAST-AFNET 4 trial. Eur Heart J. 2022 Mar 21;43(12):1219-1230. doi: 10.1093/eurheartj/ehab593.
- Park J, Shim J, Lee JM, Park JK, Heo J, Chang Y, Song TJ, Kim DH, Lee HA, Yu HT, Kim TH, Uhm JS, Kim YD, Nam HS, Joung B, Lee MH, Heo JH, Pak HN; RAFAS Investigators*. Risks and Benefits of Early Rhythm Control in Patients With Acute Strokes and Atrial Fibrillation: A Multicenter, Prospective, Randomized Study (the RAFAS Trial). J Am Heart Assoc. 2022 Feb;11(3):e023391. doi: 10.1161/JAHA.121.023391. Epub 2022 Jan 19.
- Noseworthy PA, Attia ZI, Behnken EM, Giblon RE, Bews KA, Liu S, Gosse TA, Linn ZD, Deng Y, Yin J, Gersh BJ, Graff-Radford J, Rabinstein AA, Siontis KC, Friedman PA, Yao X. Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. Lancet. 2022 Oct 8;400(10359):1206-1212. doi: 10.1016/S0140-6736(22)01637-3. Epub 2022 Sep 27.
- Ribeiro AH, Ribeiro MH, Paixao GMM, Oliveira DM, Gomes PR, Canazart JA, Ferreira MPS, Andersson CR, Macfarlane PW, Meira W Jr, Schon TB, Ribeiro ALP. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020 Apr 9;11(1):1760. doi: 10.1038/s41467-020-15432-4. Erratum In: Nat Commun. 2020 May 1;11(1):2227. doi: 10.1038/s41467-020-16172-1.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
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
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- PROVISION-AF
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
produkt wyprodukowany i wyeksportowany z USA
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 .