用于心力衰竭诊断的护理点人工智能工具 (DUO-EF-19)
使用带有人工智能 (AI) 心电图 (ECG) 的数字听诊器诊断 COVID-19 后诊所、初级保健和医院环境中的心力衰竭
缩写词/首字母缩略词:
DUO-EF = 使用 Eko-DUO 数字听诊器算法预测射血分数 (EF) HF = 心力衰竭 HFrEF = 射血分数降低的心力衰竭 COVID-19 = 冠状病毒病 2019 Eko DUO = 数字听诊器设备 cMRI = 心脏磁共振成像ECG = 心电图
人工智能应用于数字听诊器单导联心电图预测左心室射血分数的前瞻性观察研究;在 covid-19 后随访诊所中,在初级保健中出现心力衰竭症状的患者中,以及参加超声心动图和心脏 MRI 检查的患者中。
研究概览
详细说明
缩写词/首字母缩略词:
DUO-EF = 使用 Eko-DUO 数字听诊器算法预测射血分数 (EF) HF = 心力衰竭 HFrEF = 射血分数降低的心力衰竭 COVID-19 = 冠状病毒病 2019 Eko DUO = 数字听诊器设备 cMRI = 心脏磁共振成像ECG = 心电图
目标
证明 DUO-EF 可以识别 COVID-19 后射血分数 (HFrEF) 降低的心力衰竭 (HF),否则会漏诊/延迟诊断 证明 DUO-EF 可以在初级保健环境中可靠准确地诊断新的 HFrEF 到进一步验证针对金标准调查(超声心动图和心脏 MRI)的大规模 DUO-EF 诊断性能 衡量 DUO-EF 提示 HFrEF 但正常金标准调查是否预测未来发生 HFrEF 的风险
方法 证明 DUO-EF 可以识别 COVID-19 后射血分数降低 (HFrEF) 的心力衰竭 (HF),否则会漏诊/延迟诊断 证明 DUO-EF 可以在初级保健环境中可靠准确地诊断新的 HFrEF进一步验证针对金标准调查(超声心动图和心脏磁共振成像 - cMRI)的 DUO-EF 诊断性能
参加 COVID-19 随访门诊的患者射血分数的 DUO-EF 预测并与:
随后的 DUO-EF 在金标准研究时通过金标准研究计算的 HF 射血分数
DUO-EF 预测其 GP 怀疑新发心力衰竭患者的射血分数,并与:
金标准研究时的后续 DUO-EF 射血分数由金标准研究计算 DUO-EF 预测未经选择的患者的射血分数参加超声心动图或心脏 MRI,比较 DUO-EF 预测与金标准计算的射血分数 电话对所有提示 HFrEF 但金标准调查正常的 DUO-EF 患者进行 24 个月的随访
结果测量 DUO-EF 的曲线下面积 (AUC) 校准用于检测低于 40% 的 EF;分类准确性 DUO-EF 在 COVID-19 诊所和 GP 环境中的阳性预测值基于随后的 EF 金标准估计; DUO-EF 在 COVID-19 随访队列中的阴性预测值;金标准调查阴性的患者 24 个月时 DUO-EF 的阳性预测值 患者和临床最终用户对 Eko DUO 可接受性的定性测量
人群 第 1 组:在 COVID-19 随访门诊就诊的患者 (n = 400) 第 2 组:在初级保健机构就诊且有新提示心力衰竭症状的患者 (n = 400) 第 3 组:超声心动图科室的所有人Imperial College Healthcare NHS Trust (n = 1,500) 第 4 组:接受心脏 MRI 检查的患者 (n = 100)
研究类型
注册 (实际的)
联系人和位置
学习地点
-
-
Non-US/Non-Canadian
-
London、Non-US/Non-Canadian、英国、E5 0LJ
- Patrik Bachtiger
-
-
参与标准
资格标准
适合学习的年龄
接受健康志愿者
取样方法
研究人群
描述
纳入标准:
- 出现有 ?HF 症状的 GP
- 由 GP 或其他地方推荐在医院进行超声心动图检查
- 年龄 >18
排除标准:
- 无法给予知情同意
学习计划
研究是如何设计的?
设计细节
- 观测模型:队列
- 时间观点:预期
队列和干预
团体/队列 |
干预/治疗 |
---|---|
全科医生推荐
全科医生转诊至超声科的心衰患者
|
在向全科医生就诊时和回声预约时采集单导联心电图
|
回声患者
非选择患者在医院回声科就诊
|
在向全科医生就诊时和回声预约时采集单导联心电图
|
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 |
---|---|---|
受试者工作曲线下面积
大体时间:长达 18 个月
|
最大值为“1”的曲线下面积 (AUC),描述了算法区分低射血分数和非低射血分数的能力
|
长达 18 个月
|
合作者和调查者
出版物和有用的链接
一般刊物
- Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, Carter RE, Yao X, Rabinstein AA, Erickson BJ, Kapa S, Friedman PA. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019 Sep 7;394(10201):861-867. doi: 10.1016/S0140-6736(19)31721-0. Epub 2019 Aug 1.
- Bachtiger P, Petri CF, Scott FE, Ri Park S, Kelshiker MA, Sahemey HK, Dumea B, Alquero R, Padam PS, Hatrick IR, Ali A, Ribeiro M, Cheung WS, Bual N, Rana B, Shun-Shin M, Kramer DB, Fragoyannis A, Keene D, Plymen CM, Peters NS. Point-of-care screening for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled stethoscope examination in London, UK: a prospective, observational, multicentre study. Lancet Digit Health. 2022 Feb;4(2):e117-e125. doi: 10.1016/S2589-7500(21)00256-9. Epub 2022 Jan 5.
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (实际的)
研究完成 (实际的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
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.