心血管数字健康数据天文台 (CADHO)
格勒诺布尔心血管数字健康数据天文台
COVID-19 健康危机导致心肌梗死率急剧下降,但尚未完全查明原因。 它们可能是多重的,但这场危机证实了需要来自不同领域的大量健康数据,以更好地评估冠心病,从而开发精准医学。 由于使用了大数据和人工智能 (AI) 等工具,这一目标现在可以实现。 我们的团队正在开发算法来分析医学图像并识别有发生重大心血管事件风险的人。 这些使用回顾性数据开发的算法必须在前瞻性数据上进行验证,这是格勒诺布尔心血管数字健康数据观察站的目标。
作为 RIPH 3 研究“AIDECORO”(NCT:04598997)的一部分,目前正在创建将被验证的算法。 它是根据 600 名 ST+ 梗死患者和 1000 名接受过冠状动脉造影的“对照”患者的临床、生物学和影像学数据开发的(这些数据通过医院信息系统导出并存储在 PREDIMED 健康数据仓库中)。
研究概览
详细说明
这是 Jardé 法则的第 3 类研究,涉及人类,这是一项研究:观察性研究、前瞻性、描述性、单中心研究
该研究的主要目的是前瞻性地验证心血管医学图像分析算法,该算法能够使用人工智能和大数据方法识别预后不良的患者。
主要终点是随访期间因心力衰竭死亡或住院的发生率。
算法的预测准确性将通过计算前瞻性队列的敏感性、特异性、阳性预测值和阴性预测值来评估。
在心脏病科住院期间接受冠状动脉造影的患者在获得他们的无异议后前瞻性地招募。 数据是使用 PREDIMED 健康数据主机开发的 CARDIO Datamart 收集的。 主要终点(全因死亡和因心力衰竭住院)的收集将通过电话随访进行。
本研究所需的受试者数量为 5000 名患者。
在 AIDECORO 项目(冠状动脉图像)中回顾性开发的算法的前瞻性验证将使项目的最后阶段成为可能,该阶段将包括在随机研究中评估使用该算法的精准医学的优越性,允许根据算法评估的与常规管理相关的预测风险进行治疗升级或降级。
研究类型
注册 (预期的)
联系人和位置
学习联系方式
- 姓名:Gilles Barone-Rochette
- 电话号码:0476765172
- 邮箱:gbarone@chu-grenoble.fr
参与标准
资格标准
适合学习的年龄
接受健康志愿者
有资格学习的性别
取样方法
研究人群
描述
纳入标准:
- 在 CHUGA 接受过冠状动脉造影的成年患者,其图像可用。
- 不反对参与
排除标准:
- 冠状动脉图像不可用
- CSP 的 L1121-5 至 L-1121-8 条中提及的人员
- 居住在罗纳-阿尔卑斯大区以外的患者。
学习计划
研究是如何设计的?
设计细节
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 |
---|---|---|
前瞻性验证能够使用人工智能和大数据方法识别预后不良的患者的心血管医学图像分析算法。
大体时间:通过学习完成,平均1年
|
随访期间因心力衰竭死亡或住院的发生率。
|
通过学习完成,平均1年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
---|---|---|
评估算法的预测性能,以识别具有持续性心绞痛症状的患者。
大体时间:12个月
|
西雅图心绞痛问卷总分至 12 个月
|
12个月
|
评估算法的预测性能,以识别具有持续呼吸困难症状的患者。
大体时间:12个月
|
玫瑰心绞痛问卷至 12 个月
|
12个月
|
评估算法的预测性能,以确定具有良好疾病感知能力的患者。
大体时间:12个月
|
西雅图心绞痛问卷至 12 个月
|
12个月
|
评估算法的预测性能,以确定对他们的护理感到满意的患者。
大体时间:12个月
|
西雅图心绞痛问卷至 12 个月
|
12个月
|
评估算法对一年生活质量的预测性能。
大体时间:12个月
|
EuroQOL (EQ-5D-5L) 至 12 个月
|
12个月
|
评估算法对医疗保健消费的预测性能
大体时间:12个月
|
至 12 个月的平均年度护理费用
|
12个月
|
评估衰弱在冠状动脉疾病中的预后价值
大体时间:第一天
|
测力法
|
第一天
|
评估环境影响对冠状动脉疾病的预后价值
大体时间:第一天
|
从 SIRANE 扩散模型测量空气污染物
|
第一天
|
合作者和调查者
调查人员
- 首席研究员:Gilles Barone-Rochette、Chu Grenoble Alpes
出版物和有用的链接
一般刊物
- Slama R, Morgenstern V, Cyrys J, Zutavern A, Herbarth O, Wichmann HE, Heinrich J; LISA Study Group. Traffic-related atmospheric pollutants levels during pregnancy and offspring's term birth weight: a study relying on a land-use regression exposure model. Environ Health Perspect. 2007 Sep;115(9):1283-92. doi: 10.1289/ehp.10047.
- Fearon WF, Low AF, Yong AS, McGeoch R, Berry C, Shah MG, Ho MY, Kim HS, Loh JP, Oldroyd KG. Prognostic value of the Index of Microcirculatory Resistance measured after primary percutaneous coronary intervention. Circulation. 2013 Jun 18;127(24):2436-41. doi: 10.1161/CIRCULATIONAHA.112.000298. Epub 2013 May 16.
- Skrede OJ, De Raedt S, Kleppe A, Hveem TS, Liestol K, Maddison J, Askautrud HA, Pradhan M, Nesheim JA, Albregtsen F, Farstad IN, Domingo E, Church DN, Nesbakken A, Shepherd NA, Tomlinson I, Kerr R, Novelli M, Kerr DJ, Danielsen HE. Deep learning for prediction of colorectal cancer outcome: a discovery and validation study. Lancet. 2020 Feb 1;395(10221):350-360. doi: 10.1016/S0140-6736(19)32998-8.
- Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, Onieva Onieva J, Rahaghi FN, Ross JC, Diaz A, San Jose Estepar R, Washko GR; COPDGene and ECLIPSE Investigators. Disease Staging and Prognosis in Smokers Using Deep Learning in Chest Computed Tomography. Am J Respir Crit Care Med. 2018 Jan 15;197(2):193-203. doi: 10.1164/rccm.201705-0860OC.
- Lu MT, Ivanov A, Mayrhofer T, Hosny A, Aerts HJWL, Hoffmann U. Deep Learning to Assess Long-term Mortality From Chest Radiographs. JAMA Netw Open. 2019 Jul 3;2(7):e197416. doi: 10.1001/jamanetworkopen.2019.7416.
- Betancur J, Hu LH, Commandeur F, Sharir T, Einstein AJ, Fish MB, Ruddy TD, Kaufmann PA, Sinusas AJ, Miller EJ, Bateman TM, Dorbala S, Di Carli M, Germano G, Otaki Y, Liang JX, Tamarappoo BK, Dey D, Berman DS, Slomka PJ. Deep Learning Analysis of Upright-Supine High-Efficiency SPECT Myocardial Perfusion Imaging for Prediction of Obstructive Coronary Artery Disease: A Multicenter Study. J Nucl Med. 2019 May;60(5):664-670. doi: 10.2967/jnumed.118.213538. Epub 2018 Sep 27.
- Krittanawong C, Johnson KW, Rosenson RS, Wang Z, Aydar M, Baber U, Min JK, Tang WHW, Halperin JL, Narayan SM. Deep learning for cardiovascular medicine: a practical primer. Eur Heart J. 2019 Jul 1;40(25):2058-2073. doi: 10.1093/eurheartj/ehz056.
研究记录日期
研究主要日期
学习开始 (预期的)
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.