用于心律失常分类的新型卷积神经网络的开发 (AI-ECG)
2020年11月4日 更新者：Sanjeev Bhavnani MD、Scripps Clinic
开发用于可电击心律的心律失常分类的新型卷积神经网络
在包括心脏骤停在内的临床事件发生时识别正确的心律失常对于患者、医疗保健组织和公共卫生来说是高度优先的。
人工智能和机器学习的最新发展为快速准确地诊断心律失常以及如何在患者护理中使用新的移动健康和心脏遥测设备提供了新的机会。
目前的调查旨在验证一种称为“卷积神经网络分类器”的新人工智能统计方法及其对 12 导联心电图和单导联动态心电图/事件监测诊断出的不同心律失常的性能。
这些心律失常包括；心房颤动、室上性心动过速、房室传导阻滞、心脏停搏、室性心动过速和心室颤动，并将以美国心脏协会性能标准（基于心律失常类型的 95% 单侧置信区间为 67-92%）为基准。
为此，该研究方法是创建一个包含去识别化原始心电图数据的大型心电图数据库，并在心电图数据上训练神经网络以提高诊断准确性。
研究概览
研究类型
观察性的
注册 (实际的)
25458
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
California
-
San Diego、California、美国、92037
- Scripps Clinic
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
- OLDER_ADULT
- 孩子
接受健康志愿者
是的
有资格学习的性别
全部
取样方法
非概率样本
研究人群
接受 12 导联心电图或动态心电图/事件监测的个人
描述
纳入标准：
- 从 12 导联心电图、单导联和多导联数据库中编译的所有 ECG 数据
排除标准：
- 没有任何
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
心电数据
编码数据包括；波长、振幅、间隔、时间、频率
|
卷积神经网络被配置为接收心电图片段作为输入并生成指示所接收的心电图片段是否表示心律失常的输出。
心电图的特定特征不会被卷积神经网络识别，并且接收到的心电图片段在算法接收之前不会被过滤、转换或处理。
该算法以类似的方式进行训练——心电图片段是卷积神经网络的唯一输入。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
诊断准确率
大体时间：1年
|
美国心脏协会 ECG 性能标准
|
1年
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Sanjeev Bhavnani, MD、Scripps Clinic Medical Group
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Trans Biomed Eng. 2016 Mar;63(3):664-75. doi: 10.1109/TBME.2015.2468589. Epub 2015 Aug 14.
- Bhavnani SP, Parakh K, Atreja A, Druz R, Graham GN, Hayek SS, Krumholz HM, Maddox TM, Majmudar MD, Rumsfeld JS, Shah BR. 2017 Roadmap for Innovation-ACC Health Policy Statement on Healthcare Transformation in the Era of Digital Health, Big Data, and Precision Health: A Report of the American College of Cardiology Task Force on Health Policy Statements and Systems of Care. J Am Coll Cardiol. 2017 Nov 28;70(21):2696-2718. doi: 10.1016/j.jacc.2017.10.018. No abstract available.
- Bhavnani SP, Narula J, Sengupta PP. Mobile technology and the digitization of healthcare. Eur Heart J. 2016 May 7;37(18):1428-38. doi: 10.1093/eurheartj/ehv770. Epub 2016 Feb 11.
- Vandendriessche B, Abas M, Dick TE, Loparo KA, Jacono FJ. A Framework for Patient State Tracking by Classifying Multiscalar Physiologic Waveform Features. IEEE Trans Biomed Eng. 2017 Dec;64(12):2890-2900. doi: 10.1109/TBME.2017.2684244. Epub 2017 Mar 17.
- Arvanaghi R, Daneshvar S, Seyedarabi H, Goshvarpour A. Fusion of ECG and ABP signals based on wavelet transform for cardiac arrhythmias classification. Comput Methods Programs Biomed. 2017 Nov;151:71-78. doi: 10.1016/j.cmpb.2017.08.013. Epub 2017 Aug 24.
- Figuera C, Irusta U, Morgado E, Aramendi E, Ayala U, Wik L, Kramer-Johansen J, Eftestol T, Alonso-Atienza F. Machine Learning Techniques for the Detection of Shockable Rhythms in Automated External Defibrillators. PLoS One. 2016 Jul 21;11(7):e0159654. doi: 10.1371/journal.pone.0159654. eCollection 2016.
- Li Q, Rajagopalan C, Clifford GD. Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Trans Biomed Eng. 2014 Jun;61(6):1607-13. doi: 10.1109/TBME.2013.2275000. Epub 2013 Jul 26.
- Lyon A, Minchole A, Martinez JP, Laguna P, Rodriguez B. Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J R Soc Interface. 2018 Jan;15(138):20170821. doi: 10.1098/rsif.2017.0821.
- Mjahad A, Rosado-Munoz A, Bataller-Mompean M, Frances-Villora JV, Guerrero-Martinez JF. Ventricular Fibrillation and Tachycardia detection from surface ECG using time-frequency representation images as input dataset for machine learning. Comput Methods Programs Biomed. 2017 Apr;141:119-127. doi: 10.1016/j.cmpb.2017.02.010. Epub 2017 Feb 10.
- Xiong Z, Nash MP, Cheng E, Fedorov VV, Stiles MK, Zhao J. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network. Physiol Meas. 2018 Sep 24;39(9):094006. doi: 10.1088/1361-6579/aad9ed.
- Fan X, Yao Q, Cai Y, Miao F, Sun F, Li Y. Multiscaled Fusion of Deep Convolutional Neural Networks for Screening Atrial Fibrillation From Single Lead Short ECG Recordings. IEEE J Biomed Health Inform. 2018 Nov;22(6):1744-1753. doi: 10.1109/JBHI.2018.2858789. Epub 2018 Aug 7.
- Warrick PA, Nabhan Homsi M. Ensembling convolutional and long short-term memory networks for electrocardiogram arrhythmia detection. Physiol Meas. 2018 Oct 30;39(11):114002. doi: 10.1088/1361-6579/aad386.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2018年10月1日
初级完成 (实际的)
2020年3月1日
研究完成 (实际的)
2020年10月1日
研究注册日期
首次提交
2018年9月5日
首先提交符合 QC 标准的
2018年9月5日
首次发布 (实际的)
2018年9月7日
研究记录更新
最后更新发布 (实际的)
2020年11月6日
上次提交的符合 QC 标准的更新
2020年11月4日
最后验证
2020年11月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.