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

Artificiell intelligens-aktiverad storskalig elektrokardiogramfunktionsextraktion och undersökning av sambandet mellan de extraherade funktionerna och dödlighet, stroke eller olika hälsoresultat av intresse

22 december 2023 uppdaterad av: Yonsei University
  • I den här studien kombineras storskaliga EKG-data (elektrokardiogramdata från alla patienter lagrade i MUSE-systemet genom att mäta standard 12-styrda EKG vid Severance Health Checkup på Severance Hospital från 1 november 2005 till 31 oktober 2022) med elektronisk medicin register, National Health Insurance Corporation-data och National Statistical Office dödsorsaksdata, och algoritmen för artificiell intelligens används för att extrahera EKG-funktioner för att analysera sambandet mellan dödsfall, stroke och olika hälsotillstånd, och för att utföra extern verifiering eller överföra inlärning med hjälp av offentliga databaser (t.ex. data från brittiska biobanker).
  • Avsedd att använda en webbaserad plattform för artificiell intelligens för att distribuera beräkningsbelastningar som genereras under storskalig databehandling och förbättra analysnoggrannheten och effektiviteten.

Studieöversikt

Status

Har inte rekryterat ännu

Detaljerad beskrivning

  • Alla patient-ID:n som erhålls från huvudkontoret ersätts av forsknings-ID:n (avidentifierade id:n), så att själva ID:n inte exponeras och annan personlig identifieringsinformation (namn, invånarregistreringsnummer) inte samlas in.
  • Forskningsmetoder:

    1. Elektrokardiogramextraktion baserat på kriterierna för ämnen.
    2. Kombinerat med extraherade EKG-data och National Insurance Corporation-data (+ National Statistical Office-data för dödsorsak).
    3. Hälsa av intresse (HOI) definition. Inkluderar dödsfall, stroke, etc.
    4. Den definierade HOI kan extraheras från Yonsei Medical Center-data eller från National Insurance Service-data eller Statistics Koreas dödsorsaksdata.
    5. Modellträning för artificiell intelligens med elektrokardiogram (och kliniskt informationsdiagram vid behov) som input, med övervakade djupinlärningsalgoritmer om det finns en etikett och oövervakade inlärningsalgoritmer om det inte finns någon etikett.
    6. Prestationsutvärdering för övervakade modeller för artificiell intelligens.
    7. Vid oövervakad inlärning av artificiell intelligensmodeller, sambandet/korrelationen mellan extraherade egenskaper och HOI eller analys av förutsägbarhet/detekterbarhet.
    8. Överföringsinlärning kan utföras genom att lägga till extern verifiering eller dielektrisk data till den inlärda modellen med hjälp av offentliga databaser.
    9. Extern verifiering kan utföras med hjälp av externa tilläggsdata genom att montera den inlärda modellen på en webbaserad plattform för artificiell intelligens.
    10. Med tanke på storskalig data, kan datorarbetsbelastningar distribueras med hjälp av webbaserade plattformar för artificiell intelligens.
    11. Analysresultaten kan anonymiseras och analysresultaten kan lämnas till forskare genom en webbaserad plattform för artificiell intelligens.

Studietyp

Observationell

Inskrivning (Beräknad)

3000000

Kontakter och platser

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

Studiekontakt

  • Namn: Hui-Nam Pak
  • Telefonnummer: 82-2-2228-8459
  • E-post: hnpak@yuhs.ac

Studieorter

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

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Alla patienter lagras i MUSE-systemet efter att ha mätt ett standard 12-guidat elektrokardiogram vid Severance Health Checkup på Severance Hospital från 1 november 2005 till 31 oktober 2022

Beskrivning

Inklusionskriterier:

Alla patienter lagras i MUSE-systemet efter att ha mätt ett standard 12-guidat elektrokardiogram vid Severance Health Checkup på Severance Hospital från 1 november 2005 till 31 oktober 2022

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
Antal patienter med Mortalitet
Tidsram: 2 år
Undersöker reproducerbarheten av förutsägelse av dödlighet (antal patienter som dog oavsett orsak) från EKG-data mätt inom 1 år före döden med hjälp av artificiell intelligens algoritmer
2 år
Antal patienter med stroke, förmaksflimmer, demens
Tidsram: 2 år
Undersöker korrelationen mellan vissa EKG-mönster med möjligheten till stroke/förmaksflimmer, demens med hjälp av artificiell intelligensalgoritmer.
2 år

Samarbetspartners och utredare

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

Utredare

  • Huvudutredare: Hui-Nam Pak, Yonsei University

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 (Beräknad)

1 december 2023

Primärt slutförande (Beräknad)

1 december 2025

Avslutad studie (Beräknad)

1 december 2025

Studieregistreringsdatum

Först inskickad

22 november 2023

Först inskickad som uppfyllde QC-kriterierna

21 december 2023

Första postat (Faktisk)

22 december 2023

Uppdateringar av studier

Senaste uppdatering publicerad (Beräknad)

1 januari 2024

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

22 december 2023

Senast verifierad

1 december 2023

Mer information

Termer relaterade till denna studie

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 .

Prenumerera