Desenvolvimento de uma nova rede neural de convolução para classificação de arritmia (AI-ECG)
4 de novembro de 2020 atualizado por: Sanjeev Bhavnani MD, Scripps Clinic
Desenvolvimento de uma nova rede neural de convolução para classificação de arritmia para ritmos cardíacos chocáveis
Identificar a arritmia correta no momento de um evento clínico, incluindo parada cardíaca, é de alta prioridade para pacientes, organizações de saúde e saúde pública.
Desenvolvimentos recentes em inteligência artificial e aprendizado de máquina estão oferecendo novas oportunidades para diagnosticar com rapidez e precisão arritmias cardíacas e como novos dispositivos móveis de saúde e telemetria cardíaca são usados no atendimento ao paciente.
A presente investigação tem como objetivo validar uma nova abordagem estatística de inteligência artificial chamada 'classificador de rede neural de convolução' e seu desempenho para diferentes arritmias diagnosticadas em ECGs de 12 derivações e Holter de derivação única/monitoramento de eventos.
Essas arritmias incluem; fibrilação atrial, taquicardia supraventricular, bloqueio AV, assistolia, taquicardia ventricular e fibrilação ventricular, e serão comparados com os critérios de desempenho da American Heart Association (intervalo de confiança unilateral de 95% de 67-92% com base no tipo de arritmia).
Para fazer isso, a abordagem do estudo é criar um grande banco de dados de ECG de dados brutos de ECG não identificados e treinar a rede neural nos dados de ECG para melhorar a precisão do diagnóstico.
Visão geral do estudo
Status
Concluído
Intervenção / Tratamento
Tipo de estudo
Observacional
Inscrição (Real)
25458
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
California
-
San Diego, California, Estados Unidos, 92037
- Scripps Clinic
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- ADULTO
- OLDER_ADULT
- CRIANÇA
Aceita Voluntários Saudáveis
Sim
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra Não Probabilística
População do estudo
Indivíduos submetidos a um ECG de 12 derivações ou monitoramento Holter/Evento
Descrição
Critério de inclusão:
- Todos os dados de ECG compilados de bancos de dados de ECG de 12 derivações, único e múltiplo
Critério de exclusão:
- Nenhum
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Dados de ECG
Dados codificados, incluindo; comprimentos de onda, amplitude, intervalos, tempo, frequência
|
A rede neural convolucional é configurada para receber um segmento de eletrocardiograma como uma entrada e para gerar uma saída indicativa de se o segmento de eletrocardiograma recebido representa uma arritmia cardíaca.
Nenhuma característica específica do eletrocardiograma é identificada para a rede neural convolucional, e o segmento de eletrocardiograma recebido não é filtrado, transformado ou processado antes da recepção pelo algoritmo.
O algoritmo é treinado de maneira semelhante - os segmentos do eletrocardiograma são a única entrada para a rede neural convolucional.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão de diagnóstico
Prazo: 1 ANO
|
Critérios de desempenho de ECG da American Heart Association
|
1 ANO
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Investigador principal: Sanjeev Bhavnani, MD, Scripps Clinic Medical Group
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- 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.
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (REAL)
1 de outubro de 2018
Conclusão Primária (REAL)
1 de março de 2020
Conclusão do estudo (REAL)
1 de outubro de 2020
Datas de inscrição no estudo
Enviado pela primeira vez
5 de setembro de 2018
Enviado pela primeira vez que atendeu aos critérios de CQ
5 de setembro de 2018
Primeira postagem (REAL)
7 de setembro de 2018
Atualizações de registro de estudo
Última Atualização Postada (REAL)
6 de novembro de 2020
Última atualização enviada que atendeu aos critérios de controle de qualidade
4 de novembro de 2020
Última verificação
1 de novembro de 2020
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 027527
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .