En multicenterstudie om tidig diagnos av NSTE-ACS-patienter baserad på maskininlärningsmodell
29 december 2020 uppdaterad av: Xiang Ma, First Affiliated Hospital of Xinjiang Medical University
Tidig diagnos av NSTEMI- och UA-patienter är främst genom konstruktionen av en maskininlärningsmodell.
Studieöversikt
Status
Okänd
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Patienterna med NSTEMI och UA inkluderades.
Efter manuell märkning valdes patientjournalens egenskaper ut.
75 % av data används för att bygga modellen och 25 % av data används för att verifiera modellens giltighet.
Fem klassificeringsmodeller av endimensionell faltning (CNN), naiv Bayesian (NB), stödvektormaskin (SVM), random forest (RF) och ensembleinlärning konstruerades för att identifiera och diagnostisera NSTEMI- och UA-patienter.
Flerfaldig korsvalidering och ROC-AUC-kurva används för att mäta fördelar och nackdelar med modellerna.
Studietyp
Observationell
Inskrivning (Faktisk)
2500
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Xinjiang
-
Ürümqi, Xinjiang, Kina, 830000
- The First Affiliated Hospital of Xinjiang Medical University
-
-
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
18 år till 75 år (Vuxen, Äldre vuxen)
Tar emot friska volontärer
N/A
Kön som är behöriga för studier
Allt
Testmetod
Sannolikhetsprov
Studera befolkning
Patienter med NSTEMI och UA inkluderades i bröstsmärtcentret vid Xinjiang Medical Universitys första affilierade sjukhus och Shihezi Universitys First Affiliated Hospital of Medical College från 2017 till 2019.
Beskrivning
Inklusionskriterier:
- Patienter inkluderades och exkluderades strikt enligt de diagnostiska kriterierna i kinesiska riktlinjer för diagnos och behandling av akut koronarsyndrom (2016). Patienterna lades in på sjukhuset med bröstsmärtor som det huvudsakliga klagomålet och lades in på det första anslutna sjukhuset vid Xinjiang Medical University och det första anslutna Hospital of Medical College vid Shihezi University. patienterna diagnostiserades som NSTEMI och UA genom koronar angiografi (åldersintervall från 30 till 75 år).
Exklusions kriterier:
- 1. Patienter med STEMI, aortadisserande aneurysm, pneumothorax och annan icke-kardiogen bröstsmärta. 2.Svår leversvikt, primärtumör utan kirurgisk behandling, icke-svår infektion komplicerad med chock och gravida kvinnor. 3. Tidigare svår valvulär sjukdom, viral myokardit, perikardiell utgjutning, implantation av hjärtpacemaker, kardiogen chock med allvarliga komplikationer, hypertensiv hjärtsjukdom, olika kardiomyopati, medfödd hjärtsjukdom, etc.
4. Patienter med hjärtsjukdom, AECOPD, lungtumör och hypertyreos diagnostiserades tidigare.
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 |
|---|---|
|
CNN-modell
Elektronisk hälsoinformation för NSTEMI- och UA-patienter i två bröstsmärtor från 2017 till 2019 samlades in, Efter manuell märkning valdes egenskaperna hos patientjournaler och genom konstruktionen av en endimensionell faltningsmodell (CNN).
Med den flerfaldiga korsvalideringen och ROC-AUC-kurvan som mätindex, modelleras 75% av data och 25% av data används för att verifiera effekten av modellen.
|
Tidig diagnos av NTEMI-patienter genom maskininlärningsmodell
|
|
XG boost
Genom konstruktionen av XG boost-modellen, med flerfaldig korsvalidering och ROC-AUC-kurvan som mätindex, modelleras 75% av data och 25% av data används för att verifiera effekten av modellen.
|
Tidig diagnos av NTEMI-patienter genom maskininlärningsmodell
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Noggrann diagnos av NSTEMI från patienter med akut bröstsmärta
Tidsram: Inom 1 år
|
NSTEMI-patienter diagnostiseras korrekt från patienter med akut bröstsmärta genom en utbildad maskininlärningsalgoritm.
Vår modell använder flerfaldig korsvalidering och ROC-AUC-kurva som mätindex, 75% av data är modellerade och 25% av data verifierar effekten av modellen.
Av denna anledning kommer vi att beräkna noggrannheten, specificiteten och sannolikhetsförhållandet när känslighetsgränsvärdet är 0,9.
|
Inom 1 år
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Samarbetspartners
Utredare
- Huvudutredare: Aikeliyaer Ainiwaer, M.D, First Affiliated Hospital of Xinjiang Medical University
- Studierektor: Quan Qi, Ph.D, College of Information and Technology, Shihezi University
- Huvudutredare: Yi Ying Du, M.D, First Affiliated Hospital of Xinjiang Medical University
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
- 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.
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)
20 december 2020
Primärt slutförande (Förväntat)
20 december 2021
Avslutad studie (Förväntat)
1 juni 2022
Studieregistreringsdatum
Först inskickad
19 december 2020
Först inskickad som uppfyllde QC-kriterierna
19 december 2020
Första postat (Faktisk)
24 december 2020
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
31 december 2020
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
29 december 2020
Senast verifierad
1 december 2020
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- XMa
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
OBESLUTSAM
IPD-planbeskrivning
Maskininlärningsmodell för att identifiera patienter med UA och NSTMI
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 .