Utveckling av ett nytt konvolutionsneuralt nätverk för arytmiklassificering (AI-ECG)
4 november 2020 uppdaterad av: Sanjeev Bhavnani MD, Scripps Clinic
Utveckling av ett nytt konvolutionsneuralt nätverk för arytmiklassificering för stötbara hjärtrytmer
Att identifiera rätt arytmi vid tidpunkten för en klinikhändelse inklusive hjärtstillestånd är av hög prioritet för patienter, vårdorganisationer och för folkhälsan.
Den senaste utvecklingen inom artificiell intelligens och maskininlärning ger nya möjligheter att snabbt och exakt diagnostisera hjärtarytmier och för hur nya mobila hälso- och hjärttelemetrienheter används i patientvården.
Den aktuella undersökningen syftar till att validera en ny artificiell intelligens statistisk metod som kallas "convolution neural network classifier" och dess prestanda för olika arytmier diagnostiserade på 12-avlednings-EKG och single-lead Holter/händelseövervakning.
Dessa arytmier inkluderar; förmaksflimmer, supraventrikulär takykardi, AV-block, asystoli, ventrikulär takykardi och ventrikulärt flimmer, och kommer att jämföras med American Heart Associations prestationskriterier (95 % ensidigt konfidensintervall på 67-92 % baserat på arytmityp).
För att göra det är studiemetoden att skapa en stor EKG-databas med avidentifierade rå EKG-data och att träna det neurala nätverket på EKG-data för att förbättra den diagnostiska noggrannheten.
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Faktisk)
25458
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
California
-
San Diego, California, Förenta staterna, 92037
- Scripps Clinic
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- VUXEN
- OLDER_ADULT
- BARN
Tar emot friska volontärer
Ja
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Individer som genomgår ett 12-avlednings-EKG eller Holter/Event-övervakning
Beskrivning
Inklusionskriterier:
- Alla EKG-data sammanställda från 12-avlednings-EKG, enstaka och flera avledningsdatabaser
Exklusions kriterier:
- Ingen
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
EKG-data
Koddata inklusive; våglängder, amplitud, intervall, timing, frekvens
|
Det faltningsneurala nätverket är konfigurerat att ta emot ett elektrokardiogramsegment som en ingång och att generera en utsignal som indikerar huruvida det mottagna elektrokardiogramsegmentet representerar en hjärtarytmi.
Inga specifika egenskaper hos elektrokardiogrammet identifieras för det konvolutionella neurala nätverket, och det mottagna elektrokardiogramsegmentet filtreras, transformeras eller bearbetas inte före mottagning av algoritmen.
Algoritmen tränas på ett liknande sätt - elektrokardiogramsegmenten är den enda ingången till det konvolutionella neurala nätverket.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Diagnostisk noggrannhet
Tidsram: 1 ÅR
|
American Heart Association EKG-prestandakriterier
|
1 ÅR
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Utredare
- Huvudutredare: Sanjeev Bhavnani, MD, Scripps Clinic Medical Group
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Allmänna publikationer
- 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.
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (FAKTISK)
1 oktober 2018
Primärt slutförande (FAKTISK)
1 mars 2020
Avslutad studie (FAKTISK)
1 oktober 2020
Studieregistreringsdatum
Först inskickad
5 september 2018
Först inskickad som uppfyllde QC-kriterierna
5 september 2018
Första postat (FAKTISK)
7 september 2018
Uppdateringar av studier
Senaste uppdatering publicerad (FAKTISK)
6 november 2020
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
4 november 2020
Senast verifierad
1 november 2020
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 027527
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .