Ostrzegawczy model przebudowy mięśnia sercowego po ostrym zawale mięśnia sercowego z wykorzystaniem technologii multimodalnej struktury cech
Model wczesnego ostrzegania przebudowy mięśnia sercowego po ostrym zawale mięśnia sercowego oparty na technologii multimodalnej struktury cech
Ostry zawał mięśnia sercowego (AMI) jest jedną z najpoważniejszych chorób zagrażających życiu człowieka. Istniejące skale przewidywania rokowania zawału serca pozwalają w większości przewidzieć częstość występowania zgonów, nawrotów zawału serca i niewydolności serca za pomocą 6–8 wskaźników tekstu klinicznego, a dane są gromadzone stosunkowo łatwo. Przebudowa mięśnia sercowego, jako niekorzystna zmiana patologiczna, która może rozpocząć się i postępować we wczesnym stadium po zawale mięśnia sercowego, jest głównym patologicznym mechanizmem niewydolności serca i śmierci. Nie ma jednak ilościowego modelu wczesnego ostrzegania dotyczącego przebudowy mięśnia sercowego i brakuje wskazówek klinicznych dotyczących wczesnej interwencji.
Nasze poprzednie badanie wykazało, że obrazowanie rezonansu magnetycznego serca może dokładnie określić ilościowo obszar martwicy i możliwy do odzyskania mięsień sercowy w obrzękniętym mięśniu sercowym po zawale mięśnia sercowego. W tym badaniu algorytm uczenia maszynowego, sieć o zmiennym splocie (DCN) i sieć kapsułkowa (capsnet) zostały wykorzystane do zbudowania nowej architektury sieci neuronowej. Realizowana jest ekstrakcja cech strukturalnych z wielomodalnych danych obrazu klinicznego, takich jak MRI i USG. W połączeniu z istniejącą bazą danych obejmującą 3000 pacjentów z zawałem mięśnia sercowego, skonstruowana zostanie wielomodalna macierz cech, a różne klasyfikatory, takie jak maszyna wektorów nośnych (SVM) i las losowy (RF), zostaną wykorzystane do ilościowego przewidywania przebudowy mięśnia sercowego, oraz oceniano wpływ różnych klasyfikatorów. Oczekuje się, że w ramach tego projektu ustanowiony zostanie ilościowy model wczesnego ostrzegania dotyczący przebudowy mięśnia sercowego po ostrym zawale mięśnia sercowego, zgodny z charakterystyką Chińczyków. Ten sam rodzaj danych spoza bazy danych zostanie wykorzystany do weryfikacji w celu ustalenia skutecznego i stabilnego modelu wczesnego ostrzegania.
Przegląd badań
Status
Warunki
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Xicheng
-
Beijing, Xicheng, Chiny, 100000
- Xuanwu Hospital, Capital Medical University
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Kryteria rozpoznania ostrego zawału mięśnia sercowego:
podwyższone lub obniżone biomarkery sercowe (najlepiej cTn), co najmniej raz przekraczające 99 percentyl górnej wartości referencyjnej, zmienność odcięcia ≤10% i co najmniej jeden dowód niedokrwienia mięśnia sercowego (w tym objawy, elektrokardiograficzne zmiany niedokrwienne, patologiczne Q- fale lub dowody obrazowe).
Opis
Kryteria przyjęcia:
- 1. Pacjenci z ostrym zawałem mięśnia sercowego, w wieku 18-80 lat; 2. Czas od początku do leczenia jest krótszy niż 72 godziny. 3. Enzym mięśnia sercowego Tni/Tnt(+).
Kryteria wyłączenia:
- 1. Pacjenci z nowotworami złośliwymi; 2. Pacjenci, którzy nie mogli otrzymać leczenia konwencjonalnego. 3. Pacjenci, którzy nie otrzymali koronarografii ze względu na brak danych anatomicznych i obrazowych; 4. Pacjenci, którzy przeszli operację kardiochirurgiczną (z wyjątkiem operacji pomostowania aortalno-wieńcowego)
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Nowatorski algorytm splotowej sieci neuronowej i obrazowanie rezonansu magnetycznego serca w celu oceny występowania przebudowy mięśnia sercowego po zawale mięśnia sercowego.
Ramy czasowe: 1 rok
|
(Ilościowa charakterystyka przebudowy mięśnia sercowego, obrazowanie rezonansu magnetycznego serca określające ilościowo obszary martwicze i nadający się do regeneracji mięsień sercowy w obrębie obrzękniętego mięśnia sercowego po zawale mięśnia sercowego).
|
1 rok
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Porównano wielowymiarowe wskaźniki istniejącej bazy danych z lokalizacją i przebiegiem przebudowy mięśnia sercowego metodą sztucznej inteligencji. Stopień analizy korelacji.
Ramy czasowe: 1 rok
|
Dzięki nowej sieci Deformable Convolutional Capsule badanie The Networks (DCCN) skupiło się na istniejącej kompleksowej bazie danych klinicznych i obrazowych pacjentów z ostrym zawałem mięśnia sercowego. Na danych przeprowadzono uczenie maszynowe, aby zakończyć ekstrakcję istotnych cech i analizę zależności logicznych przebudowy mięśnia sercowego po zawale mięśnia sercowego. Przeszukano cechy silnej korelacji. |
1 rok
|
Współpracownicy i badacze
Sponsor
Współpracownicy
Śledczy
- Główny śledczy: Zhi Liu, Xuanwu Hospital, Beijing
Publikacje i pomocne linki
Publikacje ogólne
- McMurray JJ, Packer M, Desai AS, Gong J, Lefkowitz MP, Rizkala AR, Rouleau JL, Shi VC, Solomon SD, Swedberg K, Zile MR; PARADIGM-HF Investigators and Committees. Angiotensin-neprilysin inhibition versus enalapril in heart failure. N Engl J Med. 2014 Sep 11;371(11):993-1004. doi: 10.1056/NEJMoa1409077. Epub 2014 Aug 30.
- Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al-Mallah MH, Andreini D, Budoff MJ, Cademartiri F, Callister TQ, Chang HJ, Chinnaiyan K, Chow BJ, Cury RC, Delago A, Gomez M, Gransar H, Hadamitzky M, Hausleiter J, Hindoyan N, Feuchtner G, Kaufmann PA, Kim YJ, Leipsic J, Lin FY, Maffei E, Marques H, Pontone G, Raff G, Rubinshtein R, Shaw LJ, Stehli J, Villines TC, Dunning A, Min JK, Slomka PJ. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J. 2017 Feb 14;38(7):500-507. doi: 10.1093/eurheartj/ehw188.
- Anderson L, Oldridge N, Thompson DR, Zwisler AD, Rees K, Martin N, Taylor RS. Exercise-Based Cardiac Rehabilitation for Coronary Heart Disease: Cochrane Systematic Review and Meta-Analysis. J Am Coll Cardiol. 2016 Jan 5;67(1):1-12. doi: 10.1016/j.jacc.2015.10.044.
- Hausenloy DJ, Yellon DM. Myocardial ischemia-reperfusion injury: a neglected therapeutic target. J Clin Invest. 2013 Jan;123(1):92-100. doi: 10.1172/JCI62874. Epub 2013 Jan 2.
- Moran AE, Forouzanfar MH, Roth GA, Mensah GA, Ezzati M, Murray CJ, Naghavi M. Temporal trends in ischemic heart disease mortality in 21 world regions, 1980 to 2010: the Global Burden of Disease 2010 study. Circulation. 2014 Apr 8;129(14):1483-92. doi: 10.1161/CIRCULATIONAHA.113.004042. Epub 2014 Feb 26.
- Abuomara HZA, Hassan OM, Rashid T, Baraka M. Myocardial performance index as an echocardiographic predictor of early in-hospital heart failure during first acute anterior ST-elevation myocardial infarction. Egypt Heart J. 2018 Jun;70(2):71-75. doi: 10.1016/j.ehj.2017.12.001. Epub 2017 Dec 24.
- Hendriks T, Schurer RAJ, Al Ali L, van den Heuvel AFM, van der Harst P. Left ventricular restoration devices post myocardial infarction. Heart Fail Rev. 2018 Nov;23(6):871-883. doi: 10.1007/s10741-018-9711-2.
- Iborra-Egea O, Galvez-Monton C, Roura S, Perea-Gil I, Prat-Vidal C, Soler-Botija C, Bayes-Genis A. Mechanisms of action of sacubitril/valsartan on cardiac remodeling: a systems biology approach. NPJ Syst Biol Appl. 2017 Apr 18;3:12. doi: 10.1038/s41540-017-0013-4. eCollection 2017.
- Seferovic PM, Fragasso G, Petrie M, Mullens W, Ferrari R, Thum T, Bauersachs J, Anker SD, Ray R, Cavusoglu Y, Polovina M, Metra M, Ambrosio G, Prasad K, Seferovic J, Jhund PS, Dattilo G, Celutkiene J, Piepoli M, Moura B, Chioncel O, Ben Gal T, Heymans S, Jaarsma T, Hill L, Lopatin Y, Lyon AR, Ponikowski P, Lainscak M, Jankowska E, Mueller C, Cosentino F, Lund LH, Filippatos GS, Ruschitzka F, Coats AJS, Rosano GMC. Heart Failure Association of the European Society of Cardiology update on sodium-glucose co-transporter 2 inhibitors in heart failure. Eur J Heart Fail. 2020 Nov;22(11):1984-1986. doi: 10.1002/ejhf.2026. Epub 2020 Oct 27.
- Pasternak B, Ueda P, Eliasson B, Svensson AM, Franzen S, Gudbjornsdottir S, Hveem K, Jonasson C, Wintzell V, Melbye M, Svanstrom H. Use of sodium glucose cotransporter 2 inhibitors and risk of major cardiovascular events and heart failure: Scandinavian register based cohort study. BMJ. 2019 Aug 29;366:l4772. doi: 10.1136/bmj.l4772.
- West R, Jones D. Cardiac rehabilitation and mortality reduction after myocardial infarction: the emperor's new clothes? Evidence against cardiac rehabilitation. Heart. 2013 Jul;99(13):911-3. doi: 10.1136/heartjnl-2013-303705. Epub 2013 May 4.
- Milani RV, Lavie CJ. Impact of cardiac rehabilitation on depression and its associated mortality. Am J Med. 2007 Sep;120(9):799-806. doi: 10.1016/j.amjmed.2007.03.026.
- Karuzas A, Rumbinaite E, Verikas D, Ptasinskas T, Muckiene G, Kazakauskaite E, Zabiela V, Jurkevicius R, Vaskelyte JJ, Zaliunas R, Zaliaduonyte-Peksiene D. Accuracy of three-dimensional systolic dyssynchrony and sphericity indexes for identifying early left ventricular remodeling after acute myocardial infarction. Anatol J Cardiol. 2019 Jun;22(1):13-20. doi: 10.14744/AnatolJCardiol.2019.02844.
- Kagiyama N, Shrestha S, Cho JS, Khalil M, Singh Y, Challa A, Casaclang-Verzosa G, Sengupta PP. A low-cost texture-based pipeline for predicting myocardial tissue remodeling and fibrosis using cardiac ultrasound. EBioMedicine. 2020 Apr;54:102726. doi: 10.1016/j.ebiom.2020.102726. Epub 2020 Apr 6.
- Chirinos JA, Sardana M, Ansari B, Satija V, Kuriakose D, Edelstein I, Oldland G, Miller R, Gaddam S, Lee J, Suri A, Akers SR. Left Atrial Phasic Function by Cardiac Magnetic Resonance Feature Tracking Is a Strong Predictor of Incident Cardiovascular Events. Circ Cardiovasc Imaging. 2018 Dec;11(12):e007512. doi: 10.1161/CIRCIMAGING.117.007512.
- Ranka S, Reddy M, Noheria A. Artificial intelligence in cardiovascular medicine. Curr Opin Cardiol. 2021 Jan;36(1):26-35. doi: 10.1097/HCO.0000000000000812.
- Ahmad T, Lund LH, Rao P, Ghosh R, Warier P, Vaccaro B, Dahlstrom U, O'Connor CM, Felker GM, Desai NR. Machine Learning Methods Improve Prognostication, Identify Clinically Distinct Phenotypes, and Detect Heterogeneity in Response to Therapy in a Large Cohort of Heart Failure Patients. J Am Heart Assoc. 2018 Apr 12;7(8):e008081. doi: 10.1161/JAHA.117.008081.
- Tokodi M, Schwertner WR, Kovacs A, Toser Z, Staub L, Sarkany A, Lakatos BK, Behon A, Boros AM, Perge P, Kutyifa V, Szeplaki G, Geller L, Merkely B, Kosztin A. Machine learning-based mortality prediction of patients undergoing cardiac resynchronization therapy: the SEMMELWEIS-CRT score. Eur Heart J. 2020 May 7;41(18):1747-1756. doi: 10.1093/eurheartj/ehz902.
- Sanchez-Cabo F, Rossello X, Fuster V, Benito F, Manzano JP, Silla JC, Fernandez-Alvira JM, Oliva B, Fernandez-Friera L, Lopez-Melgar B, Mendiguren JM, Sanz J, Ordovas JM, Andres V, Fernandez-Ortiz A, Bueno H, Ibanez B, Garcia-Ruiz JM, Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J Am Coll Cardiol. 2020 Oct 6;76(14):1674-1685. doi: 10.1016/j.jacc.2020.08.017.
- Commandeur F, Slomka PJ, Goeller M, Chen X, Cadet S, Razipour A, McElhinney P, Gransar H, Cantu S, Miller RJH, Rozanski A, Achenbach S, Tamarappoo BK, Berman DS, Dey D. Machine learning to predict the long-term risk of myocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue: a prospective study. Cardiovasc Res. 2020 Dec 1;116(14):2216-2225. doi: 10.1093/cvr/cvz321.
- Than MP, Pickering JW, Sandoval Y, Shah ASV, Tsanas A, Apple FS, Blankenberg S, Cullen L, Mueller C, Neumann JT, Twerenbold R, Westermann D, Beshiri A, Mills NL; MI3 Collaborative. Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. Circulation. 2019 Sep 10;140(11):899-909. doi: 10.1161/CIRCULATIONAHA.119.041980. Epub 2019 Aug 16.
- Tan JH, Hagiwara Y, Pang W, Lim I, Oh SL, Adam M, Tan RS, Chen M, Acharya UR. Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals. Comput Biol Med. 2018 Mar 1;94:19-26. doi: 10.1016/j.compbiomed.2017.12.023. Epub 2018 Jan 2.
- D'Ascenzo F, De Filippo O, Gallone G, Mittone G, Deriu MA, Iannaccone M, Ariza-Sole A, Liebetrau C, Manzano-Fernandez S, Quadri G, Kinnaird T, Campo G, Simao Henriques JP, Hughes JM, Dominguez-Rodriguez A, Aldinucci M, Morbiducci U, Patti G, Raposeiras-Roubin S, Abu-Assi E, De Ferrari GM; PRAISE study group. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. Lancet. 2021 Jan 16;397(10270):199-207. doi: 10.1016/S0140-6736(20)32519-8.
- Fernandez-Ruiz I. Machine learning predicts risk in ACS. Nat Rev Cardiol. 2021 Apr;18(4):230. doi: 10.1038/s41569-021-00521-8. No abstract available.
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
- xuanwuliuzhi
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 .