Um estudo multicêntrico sobre o diagnóstico precoce de pacientes com SCASEST com base no modelo de aprendizado de máquina
29 de dezembro de 2020 atualizado por: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
O diagnóstico precoce de pacientes com NSTEMI e AI ocorre principalmente por meio da construção do modelo de aprendizado de máquina.
Visão geral do estudo
Status
Desconhecido
Intervenção / Tratamento
Descrição detalhada
Os pacientes com NSTEMI e AI foram incluídos.
Após a rotulagem manual, foram selecionadas as características do registro de admissão dos pacientes.
75% dos dados são usados para construir o modelo e 25% dos dados são usados para verificar a validade do modelo.
Cinco modelos de classificação de convolução unidimensional (CNN), bayesiano ingênuo (NB), máquina de vetores de suporte (SVM), floresta aleatória (RF) e aprendizado conjunto foram construídos para identificar e diagnosticar pacientes com NSTEMI e AI.
A validação cruzada múltipla e a curva ROC-AUC são usadas para medir as vantagens e desvantagens dos modelos.
Tipo de estudo
Observacional
Inscrição (Real)
2500
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
-
-
Xinjiang
-
Ürümqi, Xinjiang, China, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
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
18 anos a 75 anos (Adulto, Adulto mais velho)
Aceita Voluntários Saudáveis
N/D
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra de Probabilidade
População do estudo
Pacientes com NSTEMI e AI foram incluídos no Centro de Dor Torácica do Primeiro Hospital Afiliado da Xinjiang Medical University e no Primeiro Hospital Afiliado da Faculdade de Medicina da Universidade Shihezi de 2017 a 2019.
Descrição
Critério de inclusão:
- Os pacientes foram incluídos e excluídos estritamente de acordo com os critérios diagnósticos das diretrizes chinesas para diagnóstico e tratamento da síndrome coronariana aguda sem elevação do segmento ST (2016). Os pacientes foram admitidos no hospital com dor no peito como queixa principal, e foram internados no primeiro Hospital afiliado da Universidade Médica de Xinjiang e no primeiro Hospital afiliado da Faculdade de Medicina da Universidade Shihezi. os pacientes foram diagnosticados como NSTEMI e AI por angiografia coronária (faixa etária de 30 a 75 anos).
Critério de exclusão:
- 1. Pacientes com STEMI, aneurisma dissecante da aorta, pneumotórax e outras dores torácicas não cardiogênicas. 2. Insuficiência hepatorrenal grave, tumor primário sem tratamento cirúrgico, infecção não grave complicada com choque e gestantes. 3. Doença valvar grave anterior, miocardite viral, derrame pericárdico, implante de marca-passo cardíaco, choque cardiogênico com complicações graves, cardiopatia hipertensiva, cardiomiopatias diversas, cardiopatias congênitas, etc.
4.Pacientes com doença cardíaca, EADPOC, tumor pulmonar e hipertireoidismo foram diagnosticados no passado.
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 |
|---|---|
|
Modelo CNN
Foram coletadas informações eletrônicas de saúde de pacientes com NSTEMI e AI em dois centros de dor torácica de 2017 a 2019.
Tomando a validação cruzada múltipla e a curva ROC-AUC como índice de medição, 75% dos dados são modelados e 25% dos dados são usados para verificar o efeito do modelo.
|
Diagnóstico precoce de pacientes com NTEMI por modelo de aprendizado de máquina
|
|
Impulso XG
Através da construção do modelo de impulso XG, tomando a validação cruzada multifold e a curva ROC-AUC como índice de medição, 75% dos dados são modelados e 25% dos dados são usados para verificar o efeito do modelo.
|
Diagnóstico precoce de pacientes com NTEMI por modelo de aprendizado de máquina
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Diagnóstico preciso de NSTEMI de pacientes com dor torácica aguda
Prazo: Dentro de 1 ano
|
Os pacientes com NSTEMI são diagnosticados com precisão a partir de pacientes com dor torácica aguda por meio de um algoritmo de aprendizado de máquina treinado.
Nosso modelo usa validação cruzada múltipla e curva ROC-AUC como índice de medição, 75% dos dados são modelados e 25% dos dados verificam o efeito do modelo.
Por esse motivo, calcularemos a acurácia, a especificidade e a razão de verossimilhança quando o valor de corte da sensibilidade for 0,9.
|
Dentro de 1 ano
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Colaboradores
Investigadores
- Investigador principal: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Diretor de estudo: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Investigador principal: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
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
- 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.
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)
20 de dezembro de 2020
Conclusão Primária (Antecipado)
20 de dezembro de 2021
Conclusão do estudo (Antecipado)
1 de junho de 2022
Datas de inscrição no estudo
Enviado pela primeira vez
19 de dezembro de 2020
Enviado pela primeira vez que atendeu aos critérios de CQ
19 de dezembro de 2020
Primeira postagem (Real)
24 de dezembro de 2020
Atualizações de registro de estudo
Última Atualização Postada (Real)
31 de dezembro de 2020
Última atualização enviada que atendeu aos critérios de controle de qualidade
29 de dezembro de 2020
Última verificação
1 de dezembro de 2020
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- XMa
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
INDECISO
Descrição do plano IPD
Modelo de aprendizado de máquina para identificar pacientes com AI e NSTMI
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 .