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

Maskininlärning aktiverad tidsserieanalys inom medicin (ME-TIME)

6 april 2023 uppdaterad av: Ivo van der Bilt, HagaZiekenhuis

Mönsterigenkänning i hjärtfrekvensvariationer med hjälp av träningsmätare vid hjärt- och kärlsjukdomar

Målet med denna observationskohortstudie är att undersöka potentialen hos fitnesstrackers i kombination med maskininlärningsalgoritmer för att identifiera kardiovaskulära sjukdomsspecifika mönster.

Tvåhundra deltagare kommer att anmälas:

  1. 50 med hjärtsvikt
  2. 50 med förmaksflimmer
  3. 100 (friska) individer utan de två förstnämnda tillstånden

Alla deltagare får en Fitbit-enhet och övervakas i tre månader. Forskare kommer att jämföra skillnader i hjärtfrekvensvariationsmönster mellan grupperna och ta fram en maskininlärningsalgoritm för att upptäcka dessa mönster automatiskt.

Studieöversikt

Status

Anmälan via inbjudan

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Förväntat)

200

Kontakter och platser

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

Studieorter

  • Nederländerna
    • Zuid-Holland
      • Den Haag, Zuid-Holland, Nederländerna, 2545 AA
        • HagaZiekenhuis

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 85 år (Vuxen, Äldre vuxen)

Tar emot friska volontärer

Ja

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Alla inkluderade deltagare kommer att få ett elektrokardiogram.

Beskrivning

Inklusionskriterier:

  • systolisk hjärtsvikt (LVEF < 35 %)
  • Förmaksflimmer utan hjärtsvikt
  • Individer utan hjärt-kärlsjukdom

Exklusions kriterier:

  • > 85 år gammal
  • Senaste pulmonell venös antrum isoleringsprocedur (<1 år)
  • (slutstadiet) njursvikt
  • (slutstadiet) leversvikt
  • Studiedeltagare med känd systemisk aktiv inflammatorisk sjukdom
  • Studiedeltagare med nedsatt mentalt tillstånd
  • Oförmåga att använda en fitnesstracker eller mobiltelefon
  • Nedsatt kognition och oförmåga att förstå studieprotokollet

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
Hjärtsvikt
Studiedeltagare med systolisk hjärtsvikt (vänster ventrikulär ejektionsfraktion < 35%) utan dokumenterat förmaksflimmer
Enhet: fitness tracker
Försökspersoner kommer att bära en Fitbit fitness tracker
Andra namn:
  • Fitbit Charge 5, Fitbit Inspire 2
Förmaksflimmer
Studiedeltagare med dokumenterat förmaksflimmer utan hjärtsvikt
Enhet: fitness tracker
Försökspersoner kommer att bära en Fitbit fitness tracker
Andra namn:
  • Fitbit Charge 5, Fitbit Inspire 2
Referens
Individer utan hjärt-kärlsjukdom
Enhet: fitness tracker
Försökspersoner kommer att bära en Fitbit fitness tracker
Andra namn:
  • Fitbit Charge 5, Fitbit Inspire 2

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Detektering av hjärt-kärlsjukdomar med en AI-algoritm
Tidsram: Tre månader
adekvat sensitivitet/specificitet i en algoritm för att upptäcka förmaksflimmer och hjärtsvikt
Tre månader

Sekundära resultatmått

Resultatmått
Tidsram
Detektering av frånvaro av hjärt-kärlsjukdom
Tidsram: Tre månader
Tre månader

Samarbetspartners och utredare

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

Sponsor

HagaZiekenhuis

Samarbetspartners

Delft University of Technology

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)

24 maj 2022

Primärt slutförande (Förväntat)

1 september 2023

Avslutad studie (Förväntat)

1 september 2023

Studieregistreringsdatum

Först inskickad

27 mars 2023

Först inskickad som uppfyllde QC-kriterierna

27 mars 2023

Första postat (Faktisk)

6 april 2023

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

7 april 2023

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

6 april 2023

Senast verifierad

1 april 2023

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • metime

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

JA

IPD-planbeskrivning

Vi planerar att släppa hela datamängden i framtiden.

Tidsram för IPD-delning

Förväntad release 2026

Kriterier för IPD Sharing Access

  • Forskningsinstitut
  • Open Access (fullständig redovisning av resultat)
  • Tydlig dataanalysplan

IPD-delning som stöder informationstyp

  • STUDY_PROTOCOL
  • ANALYTIC_CODE

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 .

Prenumerera