Многоцентровое исследование ранней диагностики пациентов с ОКСбпST на основе модели машинного обучения
29 декабря 2020 г. обновлено: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
Ранняя диагностика пациентов с NSTEMI и UA в основном осуществляется за счет построения модели машинного обучения.
Обзор исследования
Статус
Неизвестный
Вмешательство/лечение
Подробное описание
Были включены пациенты с ИМбпST и НС.
После ручной маркировки были выбраны характеристики записей о госпитализации пациентов.
75% данных используются для построения модели, а 25% данных используются для проверки достоверности модели.
Пять классификационных моделей одномерной свертки (CNN), наивной байесовской модели (NB), метода опорных векторов (SVM), случайного леса (RF) и ансамблевого обучения были построены для выявления и диагностики пациентов с ИМбпST и НС.
Многократная перекрестная проверка и кривая ROC-AUC используются для измерения преимуществ и недостатков моделей.
Тип исследования
Наблюдательный
Регистрация (Действительный)
2500
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Места учебы
-
-
Xinjiang
-
Ürümqi, Xinjiang, Китай, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
Критерии участия
Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.
Критерии приемлемости
Возраст, подходящий для обучения
От 18 лет до 75 лет (Взрослый, Пожилой взрослый)
Принимает здоровых добровольцев
Н/Д
Полы, имеющие право на обучение
Все
Метод выборки
Вероятностная выборка
Исследуемая популяция
Пациенты с ИМбпST и НС были включены в Центр боли в груди Первой дочерней больницы Синьцзянского медицинского университета и Первой дочерней больницы Медицинского колледжа Университета Шихэцзы с 2017 по 2019 год.
Описание
Критерии включения:
- Пациентов включали и исключали строго в соответствии с диагностическими критериями китайских рекомендаций по диагностике и лечению острого коронарного синдрома без подъема сегмента ST (2016). Пациенты были госпитализированы с болью в груди в качестве основной жалобы и были госпитализированы в первую дочернюю больницу Синьцзянского медицинского университета и первую дочернюю больницу Медицинского колледжа Университета Шихэцзы. пациенты были диагностированы как NSTEMI и НС по данным коронароангиографии (возрастной диапазон от 30 до 75 лет).
Критерий исключения:
- 1. Пациенты с ИМпST, расслаивающей аневризмой аорты, пневмотораксом и другими некардиогенными болями в грудной клетке. 2. Тяжелая печеночно-почечная недостаточность, первичная опухоль без хирургического лечения, нетяжелая инфекция, осложненная шоком, беременные. 3. Предыдущие тяжелые пороки клапанов, вирусный миокардит, перикардиальный выпот, имплантация кардиостимулятора, кардиогенный шок с тяжелыми осложнениями, гипертоническая болезнь сердца, различные кардиомиопатии, врожденные пороки сердца и др.
4. В прошлом были диагностированы болезни сердца, обострение ХОБЛ, опухоли легких и гипертиреоз.
Учебный план
В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
Модель CNN
Была собрана электронная медицинская информация о пациентах с ИМбпST и НС в двух центрах боли в груди с 2017 по 2019 год. После ручной маркировки были выбраны характеристики записей о поступлении пациентов и построена модель одномерной свертки (CNN).
Принимая многократную перекрестную проверку и кривую ROC-AUC в качестве показателя измерения, 75% данных моделируются, а 25% данных используются для проверки эффекта модели.
|
Ранняя диагностика пациентов с ИМТЭ с помощью модели машинного обучения
|
|
Повышение XG
Благодаря построению модели повышения XG, используя многократную перекрестную проверку и кривую ROC-AUC в качестве индекса измерения, моделируется 75% данных, а 25% данных используются для проверки эффекта модели.
|
Ранняя диагностика пациентов с ИМТЭ с помощью модели машинного обучения
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Точная диагностика NSTEMI у пациентов с острой болью в груди
Временное ограничение: В течение 1 года
|
Пациенты с NSTEMI точно диагностируются у пациентов с острой болью в груди с помощью обученного алгоритма машинного обучения.
Наша модель использует многократную перекрестную проверку и кривую ROC-AUC в качестве показателя измерения, 75% данных смоделированы, а 25% данных подтверждают влияние модели.
По этой причине мы будем рассчитывать точность, специфичность и отношение правдоподобия, когда пороговое значение чувствительности равно 0,9.
|
В течение 1 года
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Соавторы
Следователи
- Главный следователь: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Директор по исследованиям: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Главный следователь: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
Публикации и полезные ссылки
Лицо, ответственное за внесение сведений об исследовании, добровольно предоставляет эти публикации. Это может быть что угодно, связанное с исследованием.
Общие публикации
- 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.
Даты записи исследования
Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.
Изучение основных дат
Начало исследования (Действительный)
20 декабря 2020 г.
Первичное завершение (Ожидаемый)
20 декабря 2021 г.
Завершение исследования (Ожидаемый)
1 июня 2022 г.
Даты регистрации исследования
Первый отправленный
19 декабря 2020 г.
Впервые представлено, что соответствует критериям контроля качества
19 декабря 2020 г.
Первый опубликованный (Действительный)
24 декабря 2020 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
31 декабря 2020 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
29 декабря 2020 г.
Последняя проверка
1 декабря 2020 г.
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- XMa
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
НЕ РЕШЕНО
Описание плана IPD
Модель машинного обучения для выявления пациентов с НС и НСТИМ
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Нет
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Нет
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. .