- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06178900
Utvärdering av AI-Gatekeeper-programvara vid screening av kranskärlsstenos: A Multicenter RCT (AIGatekeeper)
En prospektiv, multicenter, öppen, randomiserad, jämförande klinisk prövning för att verifiera effektiviteten, säkerheten och kostnadseffektiviteten hos AI-Gatekeeper, en multimodal AI-programvara, för att hjälpa screening av kransartärstenos
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Kranskärlssjukdom (CAD) är en ledande orsak till global dödlighet och står för över 50 % av hjärtsjukdomsrelaterade dödsfall. Initiala utvärderingar för CAD involverar vanligtvis röntgenstrålar av thorax, elektrokardiogram (EKG), riskfaktorbedömningar och grundläggande blodprov. Dessa primära tester kan dock inte definitivt diagnostisera CAD. När CAD misstänks utförs koronar CTA (CCTA) eller invasiv kranskärlsangiografi (ICA), vilket bestämmer behovet av procedurer som stenting eller revaskularisering.
Intressant nog behöver över 50 % av patienterna som genomgår CCTA eller ICA inte behandling, eftersom CAD antingen saknas eller inte är tillräckligt allvarlig. Detta leder till onödiga ingrepp och betydande sjukvårdskostnader. Till exempel i USA når kostnaderna för onödiga ICA miljarder årligen, med liknande trender i Sydkorea.
AI-Gatekeeper-mjukvaran hjälper kliniker att diagnostisera kranskärlssjukdom genom att förutsäga kranskärlsstenos (≥50%) med hjälp av multimodal AI-teknik. Den integrerar kliniska riskfaktorer och baslinjeblodprov, inklusive lungröntgen, elektrokardiogram och ekokardiogram, hos patienter med misstänkt kranskärlssjukdom Syftet med denna studie är att fastställa effektiviteten, säkerheten och kostnadseffektiviteten hos AI-Gatekeeper programvara i en prospektiv, multicenter, randomiserad kontrollstudie.
Studietyp
Inskrivning (Faktisk)
Fas
- Inte tillämpbar
Kontakter och platser
Studieorter
-
-
-
Incheon, Sydkorea
- Catholic Kwandong University International St. Mary's Hospital
-
Seoul, Sydkorea
- Hanyang University Seoul Hospital
-
-
Gyeonggi-do
-
Bucheon-si, Gyeonggi-do, Sydkorea, 16995
- Soonchunhyang University Bucheon Hospital
-
Seongnam-si, Gyeonggi-do, Sydkorea, 16995
- Seoul National University Bundang Hospital
-
Yongin, Gyeonggi-do, Sydkorea, 16995
- Yongin Severance Hospitall, Yonsei University College of Medicine
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Beskrivning
Inklusionskriterier:
- En patient med symtom som bröstsmärtor som tyder på kranskärlssjukdom, som genomgick rutinmässiga utvärderingar inklusive blodprov, elektrokardiogram, lungröntgen och ekokardiografi
- Medellång till hög risk för förtestsannolikheter för obstruktiv CAD (>15 %)
- Godkände frivilligt att delta i denna kliniska prövning och undertecknade det skriftliga samtyckesformuläret
Exklusions kriterier:
- Akut bröstsmärta (hos patienter som inte har uteslutits för ACS)
- Tidigare diagnostiserad och behandlad kranskärlssjukdom (hjärtinfarkt, PCI, CABG)
- Patienter med en förväntad livslängd på mindre än 2 år på grund av andra tillstånd än hjärtsjukdom
- De som inte har samtyckt till protokollet
- Deltagit i en klinisk prövning av läkemedel eller medicintekniska produkter under de senaste 3 månaderna
- Gravida eller ammande kvinnor
- Allergisk mot jodpreparat
- Serumkreatinnivå högre än 1,5 mg/dL eller eGFR mindre än 30 ml/min
- Baslinje oregelbunden och okontrollerad hjärtrytm
- Puls högre än 100 slag/minut
- Systoliskt blodtryck på 90 mm Hg eller mindre
- Kontraindikationer för betablockerare eller nitroglycerin
- Patienter med komplex medfödd hjärtsjukdom
- Body mass index större än eller lika med 35
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Diagnostisk
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Ingen (Open Label)
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: Assisterad av mjukvarugruppen AI-Gatekeeper
Efter en baslinjeundersökning (röntgen av bröstkorgen, elektrokardiogram, ekokardiogram, kliniska riskfaktorer och blodprov), kommer AI-Gatekeeper-mjukvaran att användas för att vägleda klinisk vård.
|
Gruppen kommer att få en AI-Gatekeeper-programvarurapport om sannolikheten för att ha kranskärlsstenos (≥50%) baserat på rutintestet.
|
|
Inget ingripande: Vanlig vårdgrupp
Den vanliga vårdgruppen kommer att ledas utifrån fastställda riktlinjer.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Unnecessary utilization of advanced cardiac imaging
Tidsram: 24 weeks
|
Confirmation of non-obstructive coronary artery disease (diameter stenosis ≤50%) by advanced cardiac imaging (CCTA or ICA)
|
24 weeks
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Andel försökspersoner som klassificerats som positiva av AI-Gatekeeper-modellanalysen som diagnostiserats med kransartärstenos (≥50 %)
Tidsram: 24 veckor
|
Detta mått bedömer noggrannheten hos AI-Gatekeeper-modellen för att identifiera patienter med kransartärstenos på 50 % eller mer bland de som klassificeras som positiva.
|
24 veckor
|
|
Jämförelse av totala sjukvårdskostnader
Tidsram: 24 veckor
|
Denna analys fokuserar på att jämföra den övergripande ekonomiska effekten av olika sjukvårdsinsatser eller behandlingar.
Den omfattar alla relaterade utgifter, från diagnostiska procedurer till behandling och uppföljande vård, vilket ger en övergripande bedömning av den ekonomiska bördan för sjukvården.
|
24 veckor
|
|
Jämförelse av förändringar i angina symptom poäng
Tidsram: 24 veckor
|
Denna jämförelse utvärderar variationen i patienternas kärlkrampsymtom svårighetsgrad och frekvens, mätt med Seattle Angina Questionnaire (SAQ), ett standardiserat verktyg för att bedöma bröstsmärtor relaterade till hjärtsjukdomar.
|
24 veckor
|
|
Andel personer som identifierats som negativa av AI-Gateekeeper-modellen som bekräftas ha icke-signifikant stenos (<50%)
Tidsram: 24 veckor
|
Denna åtgärd bedömer noggrannheten i AI-gatueper-modellen för att identifiera patienter med icke-signifikant kranskärlssenos (<50%) bland de klassificerar den som negativ.
|
24 veckor
|
|
MACE (major adverse cardiovascular events)
Tidsram: 24 weeks
|
All-cause death, non-fatal MI, stroke, admission due to acute coronary artery syndrome
|
24 weeks
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Utredare
- Huvudutredare: In Hyun Jung, MD, PhD, Yongin Severance Hospital, Yonsei University College of Medicine
Publikationer och användbara länkar
Allmänna publikationer
- Kwon JM, Lee SY, Jeon KH, Lee Y, Kim KH, Park J, Oh BH, Lee MM. Deep Learning-Based Algorithm for Detecting Aortic Stenosis Using Electrocardiography. J Am Heart Assoc. 2020 Apr 7;9(7):e014717. doi: 10.1161/JAHA.119.014717. Epub 2020 Mar 21.
- Min JK, Dunning A, Lin FY, Achenbach S, Al-Mallah MH, Berman DS, Budoff MJ, Cademartiri F, Callister TQ, Chang HJ, Cheng V, Chinnaiyan KM, Chow B, Delago A, Hadamitzky M, Hausleiter J, Karlsberg RP, Kaufmann P, Maffei E, Nasir K, Pencina MJ, Raff GL, Shaw LJ, Villines TC. Rationale and design of the CONFIRM (COronary CT Angiography EvaluatioN For Clinical Outcomes: An InteRnational Multicenter) Registry. J Cardiovasc Comput Tomogr. 2011 Mar-Apr;5(2):84-92. doi: 10.1016/j.jcct.2011.01.007. Epub 2011 Feb 1.
- Genders TS, Steyerberg EW, Hunink MG, Nieman K, Galema TW, Mollet NR, de Feyter PJ, Krestin GP, Alkadhi H, Leschka S, Desbiolles L, Meijs MF, Cramer MJ, Knuuti J, Kajander S, Bogaert J, Goetschalckx K, Cademartiri F, Maffei E, Martini C, Seitun S, Aldrovandi A, Wildermuth S, Stinn B, Fornaro J, Feuchtner G, De Zordo T, Auer T, Plank F, Friedrich G, Pugliese F, Petersen SE, Davies LC, Schoepf UJ, Rowe GW, van Mieghem CA, van Driessche L, Sinitsyn V, Gopalan D, Nikolaou K, Bamberg F, Cury RC, Battle J, Maurovich-Horvat P, Bartykowszki A, Merkely B, Becker D, Hadamitzky M, Hausleiter J, Dewey M, Zimmermann E, Laule M. Prediction model to estimate presence of coronary artery disease: retrospective pooled analysis of existing cohorts. BMJ. 2012 Jun 12;344:e3485. doi: 10.1136/bmj.e3485.
- Writing Committee Members; Gulati M, Levy PD, Mukherjee D, Amsterdam E, Bhatt DL, Birtcher KK, Blankstein R, Boyd J, Bullock-Palmer RP, Conejo T, Diercks DB, Gentile F, Greenwood JP, Hess EP, Hollenberg SM, Jaber WA, Jneid H, Joglar JA, Morrow DA, O'Connor RE, Ross MA, Shaw LJ. 2021 AHA/ACC/ASE/CHEST/SAEM/SCCT/SCMR Guideline for the Evaluation and Diagnosis of Chest Pain: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2021 Nov 30;78(22):e187-e285. doi: 10.1016/j.jacc.2021.07.053. Epub 2021 Oct 28.
- Renker M, Schoepf UJ, Wang R, Meinel FG, Rier JD, Bayer RR 2nd, Mollmann H, Hamm CW, Steinberg DH, Baumann S. Comparison of diagnostic value of a novel noninvasive coronary computed tomography angiography method versus standard coronary angiography for assessing fractional flow reserve. Am J Cardiol. 2014 Nov 1;114(9):1303-8. doi: 10.1016/j.amjcard.2014.07.064. Epub 2014 Aug 12.
- Kamel PI, Yi PH, Sair HI, Lin CT. Prediction of Coronary Artery Calcium and Cardiovascular Risk on Chest Radiographs Using Deep Learning. Radiol Cardiothorac Imaging. 2021 Jun 17;3(3):e200486. doi: 10.1148/ryct.2021200486. eCollection 2021 Jun.
- Kim J, Lee SY, Cha BH, Lee W, Ryu J, Chung YH, Kim D, Lim SH, Kang TS, Park BE, Lee MY, Cho S. Machine learning models of clinically relevant biomarkers for the prediction of stable obstructive coronary artery disease. Front Cardiovasc Med. 2022 Jul 19;9:933803. doi: 10.3389/fcvm.2022.933803. eCollection 2022.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- AI-Gatekeeper Pro
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
produkt tillverkad i och exporterad från U.S.A.
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 .