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

Effektiviteten av AI EF-screening genom att använda smartphone-applikationen Inspelad PLAX Visa hjärt-ultraljudsvideoklipp

18 mars 2024 uppdaterad av: Sittiluck Wongwantanee, Rayong Hospital

Bedömning av effektiviteten av artificiell intelligens vid screening av vänsterkammarfunktion med hjälp av parasternala långaxelvy Hjärt-ultraljudsvideoklipp

Bedömning av effektiviteten av artificiell intelligens vid screening av vänsterkammarfunktion med hjälp av parasternala långaxelvy Hjärt-ultraljudsvideoklipp

ABSTRAKT BAKGRUND: Ekokardiografi fungerar som en grundläggande diagnostisk procedur för att hantera hjärtsviktspatienter. Data från Thailands folkhälsoministerium visar att det finns en betydande patientpopulation, med över 100 000 inläggningar årligen på grund av detta tillstånd. Ändå är den utbredda implementeringen av ekokardiografi i denna patientgrupp fortfarande utmanande, främst på grund av begränsningar i specialistresurser, särskilt på landsbygdssjukhus. Även om moderna kommunala sjukhus är utrustade med ultraljudsmaskiner som kan göra grundläggande hjärtbedömningar (t.ex. parasternal långaxelvy), är efterfrågan på expertkardiologer fortfarande ett formidabelt hinder för att uppnå omfattande diagnostiska möjligheter. Att utnyttja kapaciteten hos artificiell intelligens (AI)-teknik, skicklig i noggrann förutsägelse och bearbetning av olika typer av hälsovårdsdata, erbjuder ett löfte för att ta itu med denna rådande fråga. Denna studie är utformad för att bedöma effektiviteten av AI för att utvärdera hjärtprestanda från parasternala ultraljudsvideoklipp med långa axlar som erhållits via smartphoneapplikationen.

MÅL: Att utvärdera effektiviteten av artificiell intelligens vid screening av hjärtfunktion från parasternala långaxel, se hjärt-ultraljudsvideoklipp som erhållits via smartphoneapplikationen.

Studieöversikt

Detaljerad beskrivning

METODER: Utredarna byggde smartphone-applikationen för att samla in parasternala långaxlade videoklipp och använde artificiell intelligens "Easy EF" för att utvärdera hjärtfunktionen. Alla prover som utvärderades för LVEF av certifierade kardiologer, 70 % av alla klipp användes för att träna AI, medan resterande 30 % av klippen användes för att testa om AI kunde bearbeta resultaten korrekt. Artificiell intelligens syftar till att klassificera hjärtfunktionen i tre grupper: Reducerad EF, Milt Reduced EF och Bevarad LV.

Studietyp

Interventionell

Inskrivning (Faktisk)

923

Fas

  • Inte tillämpbar

Kontakter och platser

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

Studieorter

      • Rayong, Thailand, 066
        • Rayong 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

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Ja

Beskrivning

Inklusionskriterier:

  • Sköt 5 sekunders VDO-klipp av parasternalt långaxel hjärt-ultraljud inspelat av smartphone Applikationen "Easy EF" utan patientidentifiering med resultatet av ejektionsfraktion som utförts av certifierad kardiolog godkänt resultat

Exklusions kriterier:

  • Ofullständigt VDO-klipp (för mycket skakning, för inspelning)
  • Belysningen var olämplig
  • Olämplig ultraljudsinramning
  • arytmi (förmaksflimmer)

Studieplan

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

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Diagnostisk
  • Tilldelning: Icke-randomiserad
  • Interventionsmodell: Parallellt uppdrag
  • Maskning: Enda

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Aktiv komparator: LV-funktion från kardiolog
Certifierad kardiolog kommer att få tillgång till och tolka LV-funktionen med använd traditionell ekokardiografi och sedan dela upp resultatet i tre grupper Bevarad LV ejektionsfraktion (EF>50%), mildt minska ejektionsfraktionen (EF40-49%), reducerad LV ejektionsfraktion (EF<40%)
AI integrerades i applikationssmarttelefonen och använde smartphonekamera för att spela in ett VDO-klipp av hjärtultraljud i parasternal långaxelvy och returnerade hjärtfunktionsresultat till användaren.
Andra namn:
  • artificiell intelligens
  • applikation för mobiltelefoner
Experimentell: LV-funktion Genom artificiell intelligens
AI kommer att få tillgång till VDO-klipp endast i parasternal långaxelvy och delas upp i tre grupper Bevarad LV-utstötningsfraktion (EF>50 %), lätt minska ejektionsfraktionen (EF40-49 %), reducerad LV-utstötningsfraktion (EF<40 %)
AI integrerades i applikationssmarttelefonen och använde smartphonekamera för att spela in ett VDO-klipp av hjärtultraljud i parasternal långaxelvy och returnerade hjärtfunktionsresultat till användaren.
Andra namn:
  • artificiell intelligens
  • applikation för mobiltelefoner

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
effektiviteten av AI vid screening av vänsterkammarnas hjärtfunktion genom att använda smartphoneapplikationen
Tidsram: 3 månader
procent av korrekt LV-funktionsklipp som tolkats av AI i varje LV-funktionsgrupp (Bevarad LV, Milt reducerad LV, Reducerad LV-funktion) och totalt sett jämför med resultatet från certifierad kardiolog
3 månader

Samarbetspartners och utredare

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

Sponsor

Samarbetspartners

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 maj 2023

Primärt slutförande (Faktisk)

31 juli 2023

Avslutad studie (Faktisk)

31 juli 2023

Studieregistreringsdatum

Först inskickad

5 mars 2024

Först inskickad som uppfyllde QC-kriterierna

18 mars 2024

Första postat (Faktisk)

26 mars 2024

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

26 mars 2024

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

18 mars 2024

Senast verifierad

1 mars 2024

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • RayongH

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

JA

IPD-planbeskrivning

resultat av AI-screening

Tidsram för IPD-delning

3 månader

Kriterier för IPD Sharing Access

kontakta Rayong sjukhus

IPD-delning som stöder informationstyp

  • STUDY_PROTOCOL
  • SAV

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