- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT05139797
Triagem ecocardiográfica guiada por inteligência artificial de doenças raras (EchoNet-Screening)
Triagem ecocardiográfica guiada por inteligência artificial de doenças raras
Apesar dos avanços rápidos na terapêutica direcionada e no sequenciamento genético, os limites persistentes na precisão e no rendimento da fenotipagem clínica levaram a uma lacuna cada vez maior entre os benefícios potenciais e reais obtidos pela medicina de precisão.
Avanços recentes em aprendizado de máquina e técnicas de processamento de imagem mostraram que os modelos de aprendizado de máquina podem identificar recursos não reconhecidos por especialistas humanos e avaliar com mais precisão/acurácia medições comuns feitas na prática clínica.
Os investigadores desenvolveram um algoritmo, denominado EchoNet-LVH, para identificar hipertrofia cardíaca e identificar pacientes que se beneficiariam de triagem adicional para amiloidose cardíaca e avaliarão prospectivamente sua precisão na identificação de pacientes que se beneficiariam de triagem adicional para amiloidose cardíaca.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Apesar dos avanços rápidos na terapêutica direcionada e no sequenciamento genético, os limites persistentes na precisão e no rendimento da fenotipagem clínica levaram a uma lacuna cada vez maior entre os benefícios potenciais e reais obtidos pela medicina de precisão. Esse enigma é exemplificado pelas abordagens atuais para avaliar alterações morfológicas do coração. Se identificadas de forma confiável, certas doenças cardíacas (por exemplo, amiloidose cardíaca e cardiomiopatia hipertrófica) podem evitar erros de diagnóstico e receber tratamento eficaz com terapias direcionadas específicas. A capacidade de distinguir de forma confiável entre tipos de doenças cardíacas de morfologia semelhante, mas de etiologia diferente, também aumentaria a especificidade para vincular variantes de risco genético e determinar mecanismos
Avanços recentes em aprendizado de máquina e técnicas de processamento de imagem mostraram que os modelos de aprendizado de máquina podem identificar recursos não reconhecidos por especialistas humanos e avaliar com mais precisão/acurácia medições comuns feitas na prática clínica. Na ecocardiografia, essa capacidade de medição e detecção precisas é importante tanto na triagem de doenças quanto no diagnóstico de doenças cardiovasculares.
A ecocardiografia é rotineira e freqüentemente usada para diagnóstico e prognóstico em cuidados clínicos de rotina, porém muitas vezes há subjetividade na interpretação e heterogeneidade na aplicação. A atenção humana é fatigante e tem interpretação heterogênea entre os provedores. Os fluxos de trabalho de triagem de doenças guiadas por IA foram propostos para doenças raras, como amiloidose cardíaca e outras doenças com prevalência relativamente baixa, mas impacto humano significativo com terapias direcionadas quando detectadas precocemente. Esta é uma área particularmente adequada para IA, pois existem vários imitadores em que doenças como cardiomiopatia hipertrófica, amiloidose cardíaca, estenose aórtica e outros fenótipos podem ser visualmente semelhantes, mas podem ser distinguidos por algoritmos de IA. Os investigadores desenvolveram um algoritmo, denominado EchoNet-LVH, para identificar hipertrofia cardíaca e identificar pacientes que se beneficiariam de triagem adicional para amiloidose cardíaca, cardiomiopatia hipertrófica e outras doenças. E
Tipo de estudo
Inscrição (Antecipado)
Contactos e Locais
Locais de estudo
-
-
California
-
Los Angeles, California, Estados Unidos, 90048
- Recrutamento
- Cedars-Sinai Medical Centre (Los Angeles)
-
Contato:
- David Ouyang, MD
- Número de telefone: 832-495-1605
- E-mail: david.ouyang@cshs.org
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Pacientes com alta suspeita de amiloidose cardíaca por algoritmo de IA
Critério de exclusão:
- Pacientes que se recusam a ser atendidos em clínica especializada
- Pacientes que já faleceram
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
---|---|
Triagem de Inteligência Artificial para Amiloidose Cardíaca
Um algoritmo de inteligência artificial produzirá uma probabilidade de amiloidose cardíaca que desencadeará o encaminhamento para uma clínica especializada para avaliação posterior.
|
Um algoritmo de IA identifica HVE, baixa voltagem e alta suspeita de amiloidose cardíaca.
A intervenção é o escore de suspeita.
Os pacientes com alta pontuação de suspeita serão encaminhados para clínica especializada para avaliação padrão de atendimento, triagem e tratamento conforme determinado pelos médicos.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Número de novos diagnósticos de amiloidose cardíaca encontrados
Prazo: 6 meses
|
A partir da revisão de prontuários, identificação de pacientes com diagnóstico downstream de amiloidose cardíaca
|
6 meses
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Número de novos diagnósticos de amiloidose TTR encontrados
Prazo: 6 meses
|
A partir da revisão de prontuários, identificação de pacientes com diagnóstico downstream de amiloidose TTR
|
6 meses
|
Número de novos diagnósticos de amiloidose AL encontrados
Prazo: 6 meses
|
A partir da revisão de prontuários, identificação de pacientes com diagnóstico downstream de amiloidose AL
|
6 meses
|
Colaboradores e Investigadores
Patrocinador
Publicações e links úteis
Links úteis
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (REAL)
Conclusão Primária (ANTECIPADO)
Conclusão do estudo (ANTECIPADO)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (REAL)
Atualizações de registro de estudo
Última Atualização Postada (REAL)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- STUDY00001720
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
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 .