- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT04657900
Прогнозирование нового приступа фибрилляции предсердий на уровне пациента
Прогнозирование нового приступа фибрилляции предсердий на уровне пациента на основе общенациональных электронных медицинских карт населения: исследование точной медицины с использованием искусственного интеллекта
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
Фибрилляция предсердий (ФП) является распространенным хроническим заболеванием, оказывающим существенное влияние на исходы для здоровья. Многие случаи ФП выявляются слишком поздно - как проявление инсульта, сердечной недостаточности или другого осложнения. Хотя раннее выявление ФП может предотвратить преждевременное сердечно-сосудистое заболевание, скрининг населения не рекомендуется.
Фибрилляция предсердий (ФП) является ведущей сердечно-сосудистой проблемой. Это наиболее распространенная устойчивая сердечная аритмия, поражающая 1-2% населения Европы и США, с пожизненным риском, равным одному из четырех в общей популяции. Его распространенность увеличивается по мере старения населения. Следовательно, эти оценки, вероятно, будут увеличиваться, и в настоящее время они занижены, учитывая, что ФП может долгое время оставаться недиагностированной. ФП составляет 1-3% расходов на здравоохранение в результате инсульта, внезапной смерти, сердечной недостаточности, незапланированной госпитализации и связанных с ними осложнений. Возникшая в результате возникающая эпидемия ФП и связанные с ней дорогостоящие осложнения (включая, помимо прочего, инсульт, депрессию, сердечную недостаточность, острый коронарный синдром, снижение когнитивных функций и незапланированную госпитализацию) сделали ФП серьезной угрозой здоровому долголетию. Ранняя диагностика ФП, в идеале до проявления первого осложнения, остается серьезной проблемой общественного здравоохранения. В то время как у некоторых пациентов ФП может проявляться симптоматическим учащенным сердцебиением, у других первый диагноз ФП может быть установлен, когда они обращаются к медицинским работникам с инсультом, острой сердечной декомпенсацией или обострением сопутствующей патологии — стадией, которая является излишне поздней в траектории болезни. Это связано с тем, что многие пациенты с ФП могут не иметь симптомов, связанных с ФП. Учитывая, что почти у трети пациентов, госпитализированных в инсультное отделение, на момент госпитализации имеется ФП, а пероральные антикоагулянты снижают риск инсульта на две трети у пациентов с ФП, которые имеют более высокий риск инсульта. убедительный аргумент в пользу более раннего выявления ФП. С этой целью оппортунистический скрининг на ФП (пальпация пульса с последующей ЭКГ у пациентов с нерегулярным пульсом) у пациентов в возрасте 65 лет и старше в настоящее время рекомендуется в национальных и международных руководствах. Международные руководства также рекомендуют использовать ЭКГ в 12 отведениях и амбулаторные мониторы ритма (с увеличением продолжительности в соответствии с предполагаемым риском ФП), переходя к имплантируемым безотведенным регистраторам ФП у пациентов с подозрением, но не диагностированной ФП, и каждый из них имеет последствия для затрат на здравоохранение и пациента. удовлетворение. Несмотря на многообещающие результаты систематического скрининга пожилых людей на ФП с использованием самоуправляемых устройств, в настоящее время в Соединенном Королевстве (Великобритания) нет рекомендаций по систематическому скринингу всего населения на ФП, поскольку еще не ясно, риск выиграет от ранней диагностики. Действительно, необходимы исследования, чтобы лучше понять частоту выявления, диагностическую точность, результаты таких программ, а также определить, в каких подгруппах населения скрининг на ФП будет иметь наибольшую ценность для пациентов и общественного здравоохранения.
Выявление ФП имеет важные клинические и клинические последствия. Пациентам с повышенным риском инсульта (оценка по шкале CHADSVASC ≥ 2) без противопоказаний следует предложить профилактику инсульта пероральными антикоагулянтами. Более того, у большинства пациентов с ФП будут факторы риска инсульта, что делает их подходящими для приема пероральных антикоагулянтов, а у многих будут сопутствующие сердечно-сосудистые заболевания (например, артериальная гипертензия, пороки клапанов сердца или сердечная недостаточность), что делает их подходящими для дальнейшего обследования или лечения. Точно так же у пациентов с ФП с низким риском инсульта (и, следовательно, не имеющих права на пероральную антикоагулянтную терапию) рекомендуется наблюдение на предмет увеличения риска инсульта. Точное прогнозирование того, будет ли и когда у человека разовьется новое начало ФП, может позволить провести фенотипический и временной (таким образом, более эффективный) скрининг, а также определить предполагаемые маркеры риска для этиологии ФП. Например, пациенты с синусовым ритмом в настоящее время, но с более высоким риском инсульта и прогнозируемым развитием ФП в определенный момент времени в будущем могут получить пользу от скрининга ФП ближе к прогнозируемой дате. В равной степени, модифицируемые факторы риска развития ФП и риска инсульта могут быть проактивно устранены в свете знаний о более высоком риске нового начала ФП и изучения причинно-следственной связи новых факторов риска. Другие возможные исследовательские возможности могут включать изучение пациентов, у которых нет и не прогнозируется наличие ФП, а также оценка образа жизни, технологии устройства и фармакотерапевтических стратегий для снижения риска ФП у пациентов с высоким прогнозируемым риском нового развития ФП.
На сегодняшний день разработан ряд инструментов прогнозирования риска ФП, в том числе инструменты консорциума CHARGE-AF, Framingham Heart Study, шкала CHADS, шкала CHADSVASC и шкала CHEST и другие. Шкала CHEST (структурная болезнь сердца, сердечная недостаточность, возраст ≥ 75 лет, ишемическая болезнь сердца, гипертиреоз, хроническая обструктивная болезнь легких (ХОБЛ) и гипертония) получена у 471 446 субъектов из китайской базы данных страхования Юньнань и подтверждена у 451 199 субъектов из Было обнаружено, что Корейская национальная служба медицинского страхования предсказывает будущие случаи ФП. Из 4764 участников исследования Framingham Heart Study возраст, пол, индекс массы тела, систолическое артериальное давление, лечение артериальной гипертензии, время от начала зубца P до начала комплекса желудочковой деполяризации (QRS) (интервал PR ), клинически значимый сердечный шум и сердечная недостаточность были обнаружены с помощью моделирования выживаемости как компоненты оценки, предсказывающей возникновение ФП через 10 лет. Тем не менее, каждое из исследований на сегодняшний день ограничено одним или несколькими из следующих факторов: использование географически удаленных данных, исторических данных, небольших наборов данных, отсутствие временной информации, грубое моделирование рисков с последующей субоптимальной производительностью модели и/или недоступность переменных-предикторов. к терапевту. Понятно, что ни один из них не получил широкого распространения в клинической практике. Искусственный интеллект облегчает использование огромного количества данных о событиях и связанной с ними временной информации (например, в наборах данных первичной медицинской помощи), обрабатывает большое количество предикторов с помощью методов автоматического выбора переменных, учитывает нелинейности и взаимодействия между переменными, обеспечивает подход к обучению в реальном времени ( при этом модель прогнозирования автоматически обновляется) и может использовать данные по всей популяции, чтобы предсказать, будет ли и когда будет новое начало ФП у человека. Ряд методов искусственного интеллекта (ИИ) был применен к данным EHR и продемонстрировал лучшую диагностическую и прогнозирующую способность по сравнению с традиционными статистическими подходами в крупномасштабных данных EHR. Тем не менее, как недавно было подчеркнуто, важно идентифицировать модели, которые являются клинически полезными. Например, исследование, в котором был разработан алгоритм ЭКГ с поддержкой ИИ, предсказывающий ФП по ЭКГ с нормальным синусовым ритмом, в то время как важный шаг вперед может быть неприменим в условиях сообщества, где обычные ЭКГ не всегда доступны. Таким образом, разработка прогностического алгоритма для нового начала ФП на основе данных рутинных электронных медицинских карт первичной медико-санитарной помощи с использованием методов ИИ может дать возможность раннего внедрения в клиническую практику. Исследователи разработают и проверят модель глубокого обучения нейронных сетей, используя крупномасштабные связанные электронные медицинские карты (EHR) из первичной медико-санитарной помощи, чтобы прогнозировать риск новой ФП. Алгоритм прогнозирования будет обучен и протестирован на предмет его точности и надежности при прогнозировании будущих событий ФП с использованием канала передачи данных клинических исследований (CPRD) — Глобальной инициативы по хронической обструктивной болезни легких (GOLD) и будет проверен внешним образом с использованием аналогичных баз данных CPRD-AURUM, но в разных географических точках. Новый алгоритм прогнозирования будет сравниваться с рядом классических методов машинного обучения, а также с традиционными методами статистического прогнозного моделирования. В ожидании успешной модели повышения точности прогнозирования не менее чем на 5% по сравнению с существующими моделями алгоритм может быть легко доступен через бесплатное программное обеспечение.
Тип исследования
Регистрация (Ожидаемый)
Контакты и местонахождение
Места учебы
-
-
West Yorkshire
-
Leeds, West Yorkshire, Соединенное Королевство, LS2 9JT
- University of Leeds
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
Принимает здоровых добровольцев
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- ФП, диагностированная после 1 января 2009 г. (определяется с помощью кодов чтения (для профиля пациента CPRD) и кодов МКБ-10 (для событий ГЭК)
- In Clinical Practice Research Datalink — Глобальная инициатива по хронической обструктивной болезни легких (CPRD-GOLD) и имеет право на передачу данных.
- Иметь последующее наблюдение не менее 1 года в период с 1 января 1998 г. по 31 декабря 2018 г.
Критерий исключения:
- До 18 лет на дату первой регистрации в CPRD
- Диагностирована ФП до 1 января 1998 г.
- В CPRD-GOLD и не подходит для привязки данных
- Имеет менее одного года наблюдения в CPRD
Учебный план
Как устроено исследование?
Детали дизайна
- Наблюдательные модели: Когорта
- Временные перспективы: Ретроспектива
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
---|---|
Все подходящие пациенты
Обсервационная когорта с использованием анонимных данных первичной медико-санитарной помощи на уровне пациентов, связанных со вторичными административными данными; CPRD-GOLD и CPRD-AURUM.
|
Наблюдение - вмешательство не проводилось
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Разработать и проверить иерархическую модель глубокого обучения для прогнозирования риска и, при необходимости, периода возникновения новой ФП.
Временное ограничение: С 1 января 1998 г. по 31 декабря 2018 г.
|
Прогностические факторы будут определены с использованием кодов чтения (диагнозы), измерений и кодов Prod (лекарства) в CPRD; коды МКБ-10 и коды статистической классификации (OPCS) в статистике госпитальных эпизодов (HES); и коды МКБ 10 (коды МКБ9 за период до 2001 г.) в данных Управления национальной статистики (ONS). Все переменные будут рассматриваться как потенциальные предикторы и могут включать:
|
С 1 января 1998 г. по 31 декабря 2018 г.
|
Для выявления и количественной оценки величины предикторов нового начала ФП
Временное ограничение: С 1 января 1998 г. по 31 декабря 2018 г.
|
Предлагаемая модель глубокого обучения может извлекать информативные факторы риска из данных EHR. В частности, стратегия выбора факторов риска, предложенная Huang et al., будет адаптирована для выявления информативных факторов риска. Модель предоставит веса выявленных факторов риска, чтобы помочь понять значимость факторов риска при различных уровнях риска. Влияние количества факторов риска на эффективность прогнозирования риска ФП будет оцениваться с помощью кривых площади под кривой (AUC) и точности прогноза, построенных в зависимости от количества факторов риска. Некоторые предикторы, такие как ИМТ, артериальное давление, частота посещений врача общей практики (ВОП), сила назначенных лекарств, могут меняться со временем. Будут изучены дополнительные прогностические значения включения этих переменных траекторий, и будет оценено влияние на точность прогнозов. |
С 1 января 1998 г. по 31 декабря 2018 г.
|
Соавторы и исследователи
Спонсор
Соавторы
Следователи
- Главный следователь: Christopher P Gale, PhD, University of Leeds
Публикации и полезные ссылки
Общие публикации
- Conen D. Epidemiology of atrial fibrillation. Eur Heart J. 2018 Apr 21;39(16):1323-1324. doi: 10.1093/eurheartj/ehy171. No abstract available.
- Kirchhof P. The future of atrial fibrillation management: integrated care and stratified therapy. Lancet. 2017 Oct 21;390(10105):1873-1887. doi: 10.1016/S0140-6736(17)31072-3. Epub 2017 Apr 28. Erratum In: Lancet. 2017 Oct 21;390(10105):1832. Dosage error in article text.
- Fuster V, Ryden LE, Cannom DS, Crijns HJ, Curtis AB, Ellenbogen KA, Halperin JL, Le Heuzey JY, Kay GN, Lowe JE, Olsson SB, Prystowsky EN, Tamargo JL, Wann S, Smith SC Jr, Jacobs AK, Adams CD, Anderson JL, Antman EM, Halperin JL, Hunt SA, Nishimura R, Ornato JP, Page RL, Riegel B, Priori SG, Blanc JJ, Budaj A, Camm AJ, Dean V, Deckers JW, Despres C, Dickstein K, Lekakis J, McGregor K, Metra M, Morais J, Osterspey A, Tamargo JL, Zamorano JL; American College of Cardiology/American Heart Association Task Force on Practice Guidelines; European Society of Cardiology Committee for Practice Guidelines; European Heart Rhythm Association; Heart Rhythm Society. ACC/AHA/ESC 2006 Guidelines for the Management of Patients with Atrial Fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines and the European Society of Cardiology Committee for Practice Guidelines (Writing Committee to Revise the 2001 Guidelines for the Management of Patients With Atrial Fibrillation): developed in collaboration with the European Heart Rhythm Association and the Heart Rhythm Society. Circulation. 2006 Aug 15;114(7):e257-354. doi: 10.1161/CIRCULATIONAHA.106.177292. No abstract available. Erratum In: Circulation. 2007 Aug 7;116(6):e138.
- Camm AJ, Kirchhof P, Lip GY, Schotten U, Savelieva I, Ernst S, Van Gelder IC, Al-Attar N, Hindricks G, Prendergast B, Heidbuchel H, Alfieri O, Angelini A, Atar D, Colonna P, De Caterina R, De Sutter J, Goette A, Gorenek B, Heldal M, Hohloser SH, Kolh P, Le Heuzey JY, Ponikowski P, Rutten FH; ESC Committee for Practice Guidelines. Guidelines for the management of atrial fibrillation: the Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology (ESC). Europace. 2010 Oct;12(10):1360-420. doi: 10.1093/europace/euq350. No abstract available. Erratum In: Europace. 2011 Jul;13(7):1058. Dosage error in article text.
- Kirchhof P, Auricchio A, Bax J, Crijns H, Camm J, Diener HC, Goette A, Hindricks G, Hohnloser S, Kappenberger L, Kuck KH, Lip GY, Olsson B, Meinertz T, Priori S, Ravens U, Steinbeck G, Svernhage E, Tijssen J, Vincent A, Breithardt G. Outcome parameters for trials in atrial fibrillation: executive summary. Eur Heart J. 2007 Nov;28(22):2803-17. doi: 10.1093/eurheartj/ehm358. Epub 2007 Sep 25.
- Friberg L, Rosenqvist M, Lindgren A, Terent A, Norrving B, Asplund K. High prevalence of atrial fibrillation among patients with ischemic stroke. Stroke. 2014 Sep;45(9):2599-605. doi: 10.1161/STROKEAHA.114.006070. Epub 2014 Jul 17.
- Wolf PA, Abbott RD, Kannel WB. Atrial fibrillation: a major contributor to stroke in the elderly. The Framingham Study. Arch Intern Med. 1987 Sep;147(9):1561-4.
- January CT, Wann LS, Alpert JS, Calkins H, Cigarroa JE, Cleveland JC Jr, Conti JB, Ellinor PT, Ezekowitz MD, Field ME, Murray KT, Sacco RL, Stevenson WG, Tchou PJ, Tracy CM, Yancy CW; ACC/AHA Task Force Members. 2014 AHA/ACC/HRS guideline for the management of patients with atrial fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on practice guidelines and the Heart Rhythm Society. Circulation. 2014 Dec 2;130(23):e199-267. doi: 10.1161/CIR.0000000000000041. Epub 2014 Mar 28. No abstract available. Erratum In: Circulation. 2014 Dec 2;130(23):e272-4.
- Aronson D, Shalev V, Katz R, Chodick G, Mutlak D. Risk Score for Prediction of 10-Year Atrial Fibrillation: A Community-Based Study. Thromb Haemost. 2018 Sep;118(9):1556-1563. doi: 10.1055/s-0038-1668522. Epub 2018 Aug 13.
- Alonso A, Krijthe BP, Aspelund T, Stepas KA, Pencina MJ, Moser CB, Sinner MF, Sotoodehnia N, Fontes JD, Janssens AC, Kronmal RA, Magnani JW, Witteman JC, Chamberlain AM, Lubitz SA, Schnabel RB, Agarwal SK, McManus DD, Ellinor PT, Larson MG, Burke GL, Launer LJ, Hofman A, Levy D, Gottdiener JS, Kaab S, Couper D, Harris TB, Soliman EZ, Stricker BH, Gudnason V, Heckbert SR, Benjamin EJ. Simple risk model predicts incidence of atrial fibrillation in a racially and geographically diverse population: the CHARGE-AF consortium. J Am Heart Assoc. 2013 Mar 18;2(2):e000102. doi: 10.1161/JAHA.112.000102.
- Chamberlain AM, Agarwal SK, Folsom AR, Soliman EZ, Chambless LE, Crow R, Ambrose M, Alonso A. A clinical risk score for atrial fibrillation in a biracial prospective cohort (from the Atherosclerosis Risk in Communities [ARIC] study). Am J Cardiol. 2011 Jan;107(1):85-91. doi: 10.1016/j.amjcard.2010.08.049.
- Schnabel RB, Sullivan LM, Levy D, Pencina MJ, Massaro JM, D'Agostino RB Sr, Newton-Cheh C, Yamamoto JF, Magnani JW, Tadros TM, Kannel WB, Wang TJ, Ellinor PT, Wolf PA, Vasan RS, Benjamin EJ. Development of a risk score for atrial fibrillation (Framingham Heart Study): a community-based cohort study. Lancet. 2009 Feb 28;373(9665):739-45. doi: 10.1016/S0140-6736(09)60443-8.
- Schnabel RB, Aspelund T, Li G, Sullivan LM, Suchy-Dicey A, Harris TB, Pencina MJ, D'Agostino RB Sr, Levy D, Kannel WB, Wang TJ, Kronmal RA, Wolf PA, Burke GL, Launer LJ, Vasan RS, Psaty BM, Benjamin EJ, Gudnason V, Heckbert SR. Validation of an atrial fibrillation risk algorithm in whites and African Americans. Arch Intern Med. 2010 Nov 22;170(21):1909-17. doi: 10.1001/archinternmed.2010.434.
- Li YG, Pastori D, Farcomeni A, Yang PS, Jang E, Joung B, Wang YT, Guo YT, Lip GYH. A Simple Clinical Risk Score (C2HEST) for Predicting Incident Atrial Fibrillation in Asian Subjects: Derivation in 471,446 Chinese Subjects, With Internal Validation and External Application in 451,199 Korean Subjects. Chest. 2019 Mar;155(3):510-518. doi: 10.1016/j.chest.2018.09.011. Epub 2018 Oct 4.
- Kolek MJ, Graves AJ, Xu M, Bian A, Teixeira PL, Shoemaker MB, Parvez B, Xu H, Heckbert SR, Ellinor PT, Benjamin EJ, Alonso A, Denny JC, Moons KG, Shintani AK, Harrell FE Jr, Roden DM, Darbar D. Evaluation of a Prediction Model for the Development of Atrial Fibrillation in a Repository of Electronic Medical Records. JAMA Cardiol. 2016 Dec 1;1(9):1007-1013. doi: 10.1001/jamacardio.2016.3366.
- Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016 Sep 29;375(13):1216-9. doi: 10.1056/NEJMp1606181. No abstract available.
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Ehteshami Bejnordi B, Veta M, Johannes van Diest P, van Ginneken B, Karssemeijer N, Litjens G, van der Laak JAWM; the CAMELYON16 Consortium; Hermsen M, Manson QF, Balkenhol M, Geessink O, Stathonikos N, van Dijk MC, Bult P, Beca F, Beck AH, Wang D, Khosla A, Gargeya R, Irshad H, Zhong A, Dou Q, Li Q, Chen H, Lin HJ, Heng PA, Hass C, Bruni E, Wong Q, Halici U, Oner MU, Cetin-Atalay R, Berseth M, Khvatkov V, Vylegzhanin A, Kraus O, Shaban M, Rajpoot N, Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N, Watanabe S, Seno S, Takenaka Y, Matsuda H, Ahmady Phoulady H, Kovalev V, Kalinovsky A, Liauchuk V, Bueno G, Fernandez-Carrobles MM, Serrano I, Deniz O, Racoceanu D, Venancio R. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017 Dec 12;318(22):2199-2210. doi: 10.1001/jama.2017.14585.
- Shah NH, Milstein A, Bagley PhD SC. Making Machine Learning Models Clinically Useful. JAMA. 2019 Oct 8;322(14):1351-1352. doi: 10.1001/jama.2019.10306. No abstract available.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- 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.
- Sultan AA, West J, Grainge MJ, Riley RD, Tata LJ, Stephansson O, Fleming KM, Nelson-Piercy C, Ludvigsson JF. Development and validation of risk prediction model for venous thromboembolism in postpartum women: multinational cohort study. BMJ. 2016 Dec 5;355:i6253. doi: 10.1136/bmj.i6253.
- Rahimian F, Salimi-Khorshidi G, Payberah AH, Tran J, Ayala Solares R, Raimondi F, Nazarzadeh M, Canoy D, Rahimi K. Predicting the risk of emergency admission with machine learning: Development and validation using linked electronic health records. PLoS Med. 2018 Nov 20;15(11):e1002695. doi: 10.1371/journal.pmed.1002695. eCollection 2018 Nov.
- Huang Z, Dong W, Duan H, Liu J. A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Using Electronic Health Records. IEEE Trans Biomed Eng. 2018 May;65(5):956-968. doi: 10.1109/TBME.2017.2731158. Epub 2017 Jul 24.
- Riley RD, Snell KI, Ensor J, Burke DL, Harrell FE Jr, Moons KG, Collins GS. Minimum sample size for developing a multivariable prediction model: PART II - binary and time-to-event outcomes. Stat Med. 2019 Mar 30;38(7):1276-1296. doi: 10.1002/sim.7992. Epub 2018 Oct 24. Erratum In: Stat Med. 2019 Dec 30;38(30):5672.
- Nadarajah R, Wu J, Frangi AF, Hogg D, Cowan C, Gale C. Predicting patient-level new-onset atrial fibrillation from population-based nationwide electronic health records: protocol of FIND-AF for developing a precision medicine prediction model using artificial intelligence. BMJ Open. 2021 Nov 2;11(11):e052887. doi: 10.1136/bmjopen-2021-052887.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Ожидаемый)
Завершение исследования (Ожидаемый)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- 120029
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана IPD
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .