预测患者水平的新发心房颤动
从基于人口的全国电子健康记录预测患者水平的新发心房颤动:使用人工智能的精准医学调查
研究概览
详细说明
房颤 (AF) 是一种常见的慢性疾病,对健康结果有重大影响。 许多 AF 病例发现得太晚 - 作为中风、心力衰竭或其他并发症的表现。 虽然早期检测 AF 有可能预防过早发生心血管疾病,但不建议进行人群筛查。
房颤 (AF) 是一个主要的心血管健康问题。 它是最常见的持续性心律失常,影响欧洲和美国 1-2% 的人口,在普通人群中终生风险为四分之一。 随着人口老龄化,它的患病率越来越高。 因此,这些估计可能会增加,并且目前被低估了,因为 AF 可能长期未确诊。 由于中风、猝死、心力衰竭、计划外住院和相关并发症,房颤占医疗保健支出的 1-3%。 由此产生的新出现的 AF 流行病及其相关的代价高昂的并发症(包括但不限于中风、抑郁症、心力衰竭、急性冠状动脉综合征、认知能力下降和计划外住院)已确保 AF 现在是健康长寿的主要威胁。 房颤的早期诊断,最好是在第一个并发症出现之前,仍然是一项重大的公共卫生挑战。 虽然对于某些 AF 患者可能会出现症状性心悸,但对于其他患者而言,AF 的首次诊断可能是当他们向医疗保健专业人员提出中风、急性心脏代偿失调或合并症恶化时——疾病轨迹中不必要的后期阶段。 这是因为许多 AF 患者可能没有 AF 相关症状。 鉴于近三分之一入住卒中病房的患者在入院时患有房颤,而口服抗凝剂可将卒中风险较高的房颤患者的卒中风险降低多达三分之二,因此,早期检测 AF 的一个令人信服的论据。 为此,国家和国际指南现在建议对 65 岁及以上的患者进行 AF 的机会性筛查(对脉搏不规则的患者进行脉搏触诊,然后进行心电图检查)。 国际指南还建议使用 12 导联心电图和动态心律监测器(根据 AF 的感知风险增加持续时间),在疑似但未确诊的 AF 患者中升级为植入式无引线 AF 记录器 - 并且每个都对医疗保健成本和患者产生影响满意。 虽然使用自助设备对老年人群进行系统性 AF 筛查取得了可喜的结果,但目前英国 (UK) 没有建议对人群进行 AF 系统性筛查,因为尚不清楚那些被确定为风险将受益于早期诊断。 事实上,需要进行研究以更好地了解检出率、诊断准确性、此类计划的结果,以及确定 AF 筛查在哪些亚群中将提供最大的患者和公共卫生价值。
AF 的识别对患者和临床有重要影响。 那些卒中风险较高(CHADSVASC 评分 ≥ 2)且无禁忌证的患者应给予口服抗凝剂预防卒中。 此外,大多数 AF 患者都有中风危险因素,这使他们有资格接受口服抗凝剂,而且许多人会伴有心血管疾病(如高血压、瓣膜性心脏病或心力衰竭),使他们有资格接受进一步调查或治疗。 同样,对于卒中风险较低的 AF 患者(因此不符合口服抗凝药物的条件),建议监测卒中风险增加情况。 准确预测一个人是否以及何时会出现新发 AF,可以进行表型和时间特异性(因此更有效)筛查,以及确定 AF 病因的推定风险标志物。 例如,目前处于窦性心律但中风风险较高且预计在未来特定时间点发生 AF 的患者可能受益于在接近预测日期的 AF 筛查中获益。 同样,根据对新发 AF 风险较高的了解以及因果关系研究的新风险因素,可以主动解决 AF 发展和中风风险的可改变风险因素。 其他可能的研究机会可能包括研究未患有和预计不会患有 AF 的患者,以及生活方式、设备技术和药物治疗策略的评估,以降低新发 AF 高预测风险患者的 AF 风险。
迄今为止,已经开发了许多 AF 风险预测工具,包括来自 CHARGE-AF 联盟、Framingham 心脏研究、CHADS 评分、CHADSVASC 评分和 CHEST 评分等的工具。 CHEST 评分(结构性心脏病、心力衰竭、年龄 ≥ 75 岁、冠状动脉疾病、甲状腺功能亢进、慢性阻塞性肺疾病 (COPD) 和高血压)来自中国云南保险数据库的 471,446 名受试者,并在来自中国云南保险数据库的 451,199 名受试者中得到验证韩国国民健康保险服务被发现可以预测未来的房颤事件。 在 Framingham 心脏研究的 4764 名参与者中,年龄、性别、体重指数、收缩压、高血压治疗、从 P 波开始到心室去极化 (QRS) 复合波开始的时间(PR 间期) )、临床上显着的心脏杂音和心力衰竭被发现使用生存模型作为预测 10 年 AF 事件的评分的组成部分。 然而,迄今为止的每项研究都受到以下一项或多项的限制,即它们使用地理上偏远的数据、历史数据、小数据集、缺乏时间信息、粗略的风险建模以及随之而来的次优模型性能和/或不容易获得的预测变量给全科医生。 可以理解的是,没有一个达到广泛的临床实践。 人工智能促进了大量事件数据和相关时间信息(例如初级保健数据集中的时间信息)的使用,使用自动变量选择技术处理大量预测变量,适应非线性和变量之间的相互作用,实现实时学习方法(从而自动更新预测模型),并且可以使用全人群数据来预测个体是否以及何时会出现新的房颤发作。 一系列人工智能 (AI) 技术已应用于 EHR 数据,并在大规模 EHR 数据中展示了比传统统计方法更好的诊断和预测能力。 然而,正如最近强调的那样,确定在临床上有用的模型非常重要。 例如,一项研究开发了一种支持 AI 的 ECG 算法,该算法可以根据正常窦性心律的 ECG 预测 AF,而向前迈出的重要一步可能不适用于常规 ECG 并不总是可用的社区环境。 因此,使用 AI 技术从常规初级保健电子健康记录数据中开发新发 AF 的预测算法可以为早期转化为临床实践提供机会。 研究人员将开发和验证深度神经网络学习模型,利用来自初级保健的大规模关联电子健康记录 (EHR) 来预测新发房颤的风险。 将使用临床实践研究数据链 (CPRD) - 慢性阻塞性肺病 (GOLD) 的全球倡议对预测算法进行训练和测试,以确定其预测未来 AF 事件的准确性和稳健性,并将使用类似的数据库 CPRD-AURUM 进行外部验证,但在不同的地理位置。 新的预测算法将与一系列经典的机器学习技术以及传统的统计预测建模方法进行比较。 在与现有模型相比将预测精度提高至少 5% 的成功模型之前,该算法可以通过免费软件轻松获得。
研究类型
注册 (预期的)
联系人和位置
学习地点
-
-
West Yorkshire
-
Leeds、West Yorkshire、英国、LS2 9JT
- University of Leeds
-
-
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:
- 2009 年 1 月 1 日之后确诊的 AF(使用读取代码(针对 CPRD 患者资料)和 ICD-10 代码(针对 HES 事件)进行识别)
- 在临床实践研究数据链中 - 慢性阻塞性肺病全球倡议 (CPRD-GOLD) 并有资格进行数据链接。
- 在1998年1月1日至2018年12月31日期间至少进行1年的随访。
排除标准:
- 在 CPRD 首次注册之日未满 18 岁
- 1998 年 1 月 1 日之前被诊断患有房颤
- 在 CPRD-GOLD 中且不符合数据链接的条件
- 在 CPRD 中随访不到一年
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:追溯
队列和干预
团体/队列 |
干预/治疗 |
---|---|
所有符合条件的患者
使用与二级管理数据相关联的匿名患者级初级保健数据的观察队列; CPRD-GOLD 和 CPRD-AURUM。
|
观察性 - 没有给予干预
|
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 |
---|---|---|
开发和验证用于预测新发 AF 风险和适当时期的深度学习分层模型
大体时间:1998年1月1日至2018年12月31日
|
预测因素将使用 CPRD 中的读取代码(诊断)、测量和生产代码(药物)来识别;医院事件统计 (HES) 中的 ICD10 代码和统计分类 (OPCS) 代码;国家统计局 (ONS) 数据中的 ICD 10 代码(2001 年之前的 ICD9 代码)。 所有变量都将被视为潜在的预测因素,可能包括:
|
1998年1月1日至2018年12月31日
|
识别和量化新发 AF 预测因子的强度
大体时间:1998年1月1日至2018年12月31日
|
所提出的深度学习模型可以从 EHR 数据中提取信息丰富的风险因素。 具体而言,Huang 等人提出的风险因素选择策略将适用于识别信息丰富的风险因素。 该模型将提供已识别风险因素的权重,以帮助了解不同风险级别的风险因素的重要性。 风险因素的数量对 AF 风险预测性能的影响将通过曲线下面积 (AUC) 和预测准确性针对风险因素的数量绘制的曲线进行评估。 一些预测因素,例如 BMI、血压、全科医生 (GP) 就诊频率、处方药的强度,可能会随着时间而改变。 将探索包括这些可变轨迹的增量预后值,并将评估对预测准确性的影响。 |
1998年1月1日至2018年12月31日
|
合作者和调查者
调查人员
- 首席研究员:Christopher P Gale, PhD、University of Leeds
出版物和有用的链接
一般刊物
- Conen D. Epidemiology of atrial fibrillation. Eur Heart J. 2018 Apr 21;39(16):1323-1324. doi: 10.1093/eurheartj/ehy171. No abstract available.
- Kirchhof P. The future of atrial fibrillation management: integrated care and stratified therapy. Lancet. 2017 Oct 21;390(10105):1873-1887. doi: 10.1016/S0140-6736(17)31072-3. Epub 2017 Apr 28. Erratum In: Lancet. 2017 Oct 21;390(10105):1832. Dosage error in article text.
- Fuster V, Ryden LE, Cannom DS, Crijns HJ, Curtis AB, Ellenbogen KA, Halperin JL, Le Heuzey JY, Kay GN, Lowe JE, Olsson SB, Prystowsky EN, Tamargo JL, Wann S, Smith SC Jr, Jacobs AK, Adams CD, Anderson JL, Antman EM, Halperin JL, Hunt SA, Nishimura R, Ornato JP, Page RL, Riegel B, Priori SG, Blanc JJ, Budaj A, Camm AJ, Dean V, Deckers JW, Despres C, Dickstein K, Lekakis J, McGregor K, Metra M, Morais J, Osterspey A, Tamargo JL, Zamorano JL; American College of Cardiology/American Heart Association Task Force on Practice Guidelines; European Society of Cardiology Committee for Practice Guidelines; European Heart Rhythm Association; Heart Rhythm Society. ACC/AHA/ESC 2006 Guidelines for the Management of Patients with Atrial Fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines and the European Society of Cardiology Committee for Practice Guidelines (Writing Committee to Revise the 2001 Guidelines for the Management of Patients With Atrial Fibrillation): developed in collaboration with the European Heart Rhythm Association and the Heart Rhythm Society. Circulation. 2006 Aug 15;114(7):e257-354. doi: 10.1161/CIRCULATIONAHA.106.177292. No abstract available. Erratum In: Circulation. 2007 Aug 7;116(6):e138.
- Camm AJ, Kirchhof P, Lip GY, Schotten U, Savelieva I, Ernst S, Van Gelder IC, Al-Attar N, Hindricks G, Prendergast B, Heidbuchel H, Alfieri O, Angelini A, Atar D, Colonna P, De Caterina R, De Sutter J, Goette A, Gorenek B, Heldal M, Hohloser SH, Kolh P, Le Heuzey JY, Ponikowski P, Rutten FH; ESC Committee for Practice Guidelines. Guidelines for the management of atrial fibrillation: the Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology (ESC). Europace. 2010 Oct;12(10):1360-420. doi: 10.1093/europace/euq350. No abstract available. Erratum In: Europace. 2011 Jul;13(7):1058. Dosage error in article text.
- Kirchhof P, Auricchio A, Bax J, Crijns H, Camm J, Diener HC, Goette A, Hindricks G, Hohnloser S, Kappenberger L, Kuck KH, Lip GY, Olsson B, Meinertz T, Priori S, Ravens U, Steinbeck G, Svernhage E, Tijssen J, Vincent A, Breithardt G. Outcome parameters for trials in atrial fibrillation: executive summary. Eur Heart J. 2007 Nov;28(22):2803-17. doi: 10.1093/eurheartj/ehm358. Epub 2007 Sep 25.
- Friberg L, Rosenqvist M, Lindgren A, Terent A, Norrving B, Asplund K. High prevalence of atrial fibrillation among patients with ischemic stroke. Stroke. 2014 Sep;45(9):2599-605. doi: 10.1161/STROKEAHA.114.006070. Epub 2014 Jul 17.
- Wolf PA, Abbott RD, Kannel WB. Atrial fibrillation: a major contributor to stroke in the elderly. The Framingham Study. Arch Intern Med. 1987 Sep;147(9):1561-4.
- January CT, Wann LS, Alpert JS, Calkins H, Cigarroa JE, Cleveland JC Jr, Conti JB, Ellinor PT, Ezekowitz MD, Field ME, Murray KT, Sacco RL, Stevenson WG, Tchou PJ, Tracy CM, Yancy CW; ACC/AHA Task Force Members. 2014 AHA/ACC/HRS guideline for the management of patients with atrial fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on practice guidelines and the Heart Rhythm Society. Circulation. 2014 Dec 2;130(23):e199-267. doi: 10.1161/CIR.0000000000000041. Epub 2014 Mar 28. No abstract available. Erratum In: Circulation. 2014 Dec 2;130(23):e272-4.
- Aronson D, Shalev V, Katz R, Chodick G, Mutlak D. Risk Score for Prediction of 10-Year Atrial Fibrillation: A Community-Based Study. Thromb Haemost. 2018 Sep;118(9):1556-1563. doi: 10.1055/s-0038-1668522. Epub 2018 Aug 13.
- Alonso A, Krijthe BP, Aspelund T, Stepas KA, Pencina MJ, Moser CB, Sinner MF, Sotoodehnia N, Fontes JD, Janssens AC, Kronmal RA, Magnani JW, Witteman JC, Chamberlain AM, Lubitz SA, Schnabel RB, Agarwal SK, McManus DD, Ellinor PT, Larson MG, Burke GL, Launer LJ, Hofman A, Levy D, Gottdiener JS, Kaab S, Couper D, Harris TB, Soliman EZ, Stricker BH, Gudnason V, Heckbert SR, Benjamin EJ. Simple risk model predicts incidence of atrial fibrillation in a racially and geographically diverse population: the CHARGE-AF consortium. J Am Heart Assoc. 2013 Mar 18;2(2):e000102. doi: 10.1161/JAHA.112.000102.
- Chamberlain AM, Agarwal SK, Folsom AR, Soliman EZ, Chambless LE, Crow R, Ambrose M, Alonso A. A clinical risk score for atrial fibrillation in a biracial prospective cohort (from the Atherosclerosis Risk in Communities [ARIC] study). Am J Cardiol. 2011 Jan;107(1):85-91. doi: 10.1016/j.amjcard.2010.08.049.
- Schnabel RB, Sullivan LM, Levy D, Pencina MJ, Massaro JM, D'Agostino RB Sr, Newton-Cheh C, Yamamoto JF, Magnani JW, Tadros TM, Kannel WB, Wang TJ, Ellinor PT, Wolf PA, Vasan RS, Benjamin EJ. Development of a risk score for atrial fibrillation (Framingham Heart Study): a community-based cohort study. Lancet. 2009 Feb 28;373(9665):739-45. doi: 10.1016/S0140-6736(09)60443-8.
- Schnabel RB, Aspelund T, Li G, Sullivan LM, Suchy-Dicey A, Harris TB, Pencina MJ, D'Agostino RB Sr, Levy D, Kannel WB, Wang TJ, Kronmal RA, Wolf PA, Burke GL, Launer LJ, Vasan RS, Psaty BM, Benjamin EJ, Gudnason V, Heckbert SR. Validation of an atrial fibrillation risk algorithm in whites and African Americans. Arch Intern Med. 2010 Nov 22;170(21):1909-17. doi: 10.1001/archinternmed.2010.434.
- Li YG, Pastori D, Farcomeni A, Yang PS, Jang E, Joung B, Wang YT, Guo YT, Lip GYH. A Simple Clinical Risk Score (C2HEST) for Predicting Incident Atrial Fibrillation in Asian Subjects: Derivation in 471,446 Chinese Subjects, With Internal Validation and External Application in 451,199 Korean Subjects. Chest. 2019 Mar;155(3):510-518. doi: 10.1016/j.chest.2018.09.011. Epub 2018 Oct 4.
- Kolek MJ, Graves AJ, Xu M, Bian A, Teixeira PL, Shoemaker MB, Parvez B, Xu H, Heckbert SR, Ellinor PT, Benjamin EJ, Alonso A, Denny JC, Moons KG, Shintani AK, Harrell FE Jr, Roden DM, Darbar D. Evaluation of a Prediction Model for the Development of Atrial Fibrillation in a Repository of Electronic Medical Records. JAMA Cardiol. 2016 Dec 1;1(9):1007-1013. doi: 10.1001/jamacardio.2016.3366.
- Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016 Sep 29;375(13):1216-9. doi: 10.1056/NEJMp1606181. No abstract available.
- Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016 Dec 13;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
- Ehteshami Bejnordi B, Veta M, Johannes van Diest P, van Ginneken B, Karssemeijer N, Litjens G, van der Laak JAWM; the CAMELYON16 Consortium; Hermsen M, Manson QF, Balkenhol M, Geessink O, Stathonikos N, van Dijk MC, Bult P, Beca F, Beck AH, Wang D, Khosla A, Gargeya R, Irshad H, Zhong A, Dou Q, Li Q, Chen H, Lin HJ, Heng PA, Hass C, Bruni E, Wong Q, Halici U, Oner MU, Cetin-Atalay R, Berseth M, Khvatkov V, Vylegzhanin A, Kraus O, Shaban M, Rajpoot N, Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N, Watanabe S, Seno S, Takenaka Y, Matsuda H, Ahmady Phoulady H, Kovalev V, Kalinovsky A, Liauchuk V, Bueno G, Fernandez-Carrobles MM, Serrano I, Deniz O, Racoceanu D, Venancio R. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017 Dec 12;318(22):2199-2210. doi: 10.1001/jama.2017.14585.
- Shah NH, Milstein A, Bagley PhD SC. Making Machine Learning Models Clinically Useful. JAMA. 2019 Oct 8;322(14):1351-1352. doi: 10.1001/jama.2019.10306. No abstract available.
- Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018 Apr 3;319(13):1317-1318. doi: 10.1001/jama.2017.18391. No abstract available.
- 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.
- Sultan AA, West J, Grainge MJ, Riley RD, Tata LJ, Stephansson O, Fleming KM, Nelson-Piercy C, Ludvigsson JF. Development and validation of risk prediction model for venous thromboembolism in postpartum women: multinational cohort study. BMJ. 2016 Dec 5;355:i6253. doi: 10.1136/bmj.i6253.
- Rahimian F, Salimi-Khorshidi G, Payberah AH, Tran J, Ayala Solares R, Raimondi F, Nazarzadeh M, Canoy D, Rahimi K. Predicting the risk of emergency admission with machine learning: Development and validation using linked electronic health records. PLoS Med. 2018 Nov 20;15(11):e1002695. doi: 10.1371/journal.pmed.1002695. eCollection 2018 Nov.
- Huang Z, Dong W, Duan H, Liu J. A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Using Electronic Health Records. IEEE Trans Biomed Eng. 2018 May;65(5):956-968. doi: 10.1109/TBME.2017.2731158. Epub 2017 Jul 24.
- Riley RD, Snell KI, Ensor J, Burke DL, Harrell FE Jr, Moons KG, Collins GS. Minimum sample size for developing a multivariable prediction model: PART II - binary and time-to-event outcomes. Stat Med. 2019 Mar 30;38(7):1276-1296. doi: 10.1002/sim.7992. Epub 2018 Oct 24. Erratum In: Stat Med. 2019 Dec 30;38(30):5672.
- Nadarajah R, Wu J, Frangi AF, Hogg D, Cowan C, Gale C. Predicting patient-level new-onset atrial fibrillation from population-based nationwide electronic health records: protocol of FIND-AF for developing a precision medicine prediction model using artificial intelligence. BMJ Open. 2021 Nov 2;11(11):e052887. doi: 10.1136/bmjopen-2021-052887.
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (预期的)
研究完成 (预期的)
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.