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

Diagnos av HCM med AI-EKG

4 mars 2024 uppdaterad av: Yixiu Liang, Shanghai Zhongshan Hospital

Diagnos av hypertrofisk kardiomyopati med artificiell intelligens-förstärkt elektrokardiogram

Studien syftar till att etablera en diagnostisk modell av hypertrofisk kardiomyopati med artificiell intelligens-förstärkt elektrokardiogram.

Studieöversikt

Status

Rekrytering

Studietyp

Observationell

Inskrivning (Beräknad)

10000

Kontakter och platser

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

Studiekontakt

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

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Ja

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Studien inkluderar patienter med HCM och försökspersoner utan HCM som kontroll.

Beskrivning

Inklusionskriterier:

  • Diagnostiserats med HCM

Exklusions kriterier:

  • Patienter med ventrikulär pacing

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
HCM-gruppen
Patienter med diagnosen HCM
Kontrollgrupp
Ämnen utan HCM

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Diagnos av HCM med AI-EKG
Tidsram: 1 år inom tidsramen för EKG-datainsamling

Först ställs en diagnos av HCM som standardutfall enligt 1) en International Classification of Diseases (ICD)-kod för HCM (ICD-9425.1, 425.11, 425.18 och ICD10 I42.1, I42.2); 2) rapporter från ekokardiograferna.

En AI-EKG-algoritm kommer att användas för att ställa en diagnos av HCM och jämföras med standardutfallet.

AI-EKG-algoritmens prestanda kommer att utvärderas med mätvärden inklusive AU-ROC, specificitet, sensitivitet och F1-värde.

1 år inom tidsramen för EKG-datainsamling

Samarbetspartners och utredare

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

Utredare

  • Huvudutredare: Yixiu Liang, MD, Fudan 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 (Faktisk)

1 januari 2024

Primärt slutförande (Beräknad)

31 december 2024

Avslutad studie (Beräknad)

31 december 2024

Studieregistreringsdatum

Först inskickad

8 april 2023

Först inskickad som uppfyllde QC-kriterierna

29 februari 2024

Första postat (Faktisk)

1 mars 2024

Uppdateringar av studier

Senaste uppdatering publicerad (Beräknad)

6 mars 2024

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

4 mars 2024

Senast verifierad

1 mars 2024

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 .

3
Prenumerera