Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Genomförbarhet av AI-baserad hjärtfunktionsprediktionsmodell med CXR (AI-CXR)

12 september 2022 uppdaterad av: SungA Bae, Yonsei University

Genomförbarhet av artificiell intelligens-baserad hjärtfunktionsprediktionsmodell med hjälp av bröströntgen

Utredarna kommer att utveckla en artificiell intelligensmodell för att förutsäga vänsterkammars ejektionsfraktion med hjälp av röntgenbilder från bröstet och transthorax ekokardiografidata.

Studieöversikt

Status

Avslutad

Betingelser

Bröströntgen för klinisk utvärdering

Intervention / Behandling

Diagnostiskt test: Skanna lungröntgen och utföra AI-algoritmer på bilder

Detaljerad beskrivning

Ekokardiografi bör övervägas i ett tidigt skede hos patienter som först har utvecklat hjärtsvikt eller som saknar information om hjärtfunktionen, men undersökningen kan bli försenad på grund av brist på tid och arbetskraft inom det egentliga medicinska området.

Primärt mål: Använd röntgenbilder av bröstet för att förutsäga den vänstra ventrikulära ejektionsfraktionen

Studietyp

Observationell

Inskrivning (Faktisk)

505

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

Korea, Republiken av
- Giheung-gu
  - Yongin, Giheung-gu, Korea, Republiken av, 16995
    - Yongin Severance Hospital

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

20 år till 90 år (VUXEN, OLDER_ADULT)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienter som genomgår ett transthorax ekokardiogram kommer att registreras.

Beskrivning

Inklusionskriterier:

Vuxna som är 20 år och äldre
Patient som besökt akuten eller polikliniken på grund av dyspné och bröstsmärtor

Exklusions kriterier:

Patientvägran
Osäkra röntgenbilder eller transthorax ekokardiografi
Osäkra testresultat

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Vad mäter studien?

Primära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Vänster kammare ejektionsfraktion < 40 % Tidsram: Inom två veckor efter lungröntgen	Utvärdera prestandan hos lungröntgenbaserade artificiell intelligensalgoritmer för att identifiera individer med reducerad ejektionsfraktion (<40 %)	Inom två veckor efter lungröntgen

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Yonsei University

Utredare

Studiestol: In Hyun Jung, MD, PhD, Yongin Severance Hospital, Yonsei University College of Medicine

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 mars 2022

Primärt slutförande (FAKTISK)

30 juni 2022

Avslutad studie (FAKTISK)

1 september 2022

Studieregistreringsdatum

Först inskickad

4 augusti 2021

Först inskickad som uppfyllde QC-kriterierna