长庚心电异常检测软件准确性和有效性评价研究
2024年1月9日 更新者:Chang Gung Memorial Hospital
《长庚心电异常检测软件》是一款通过静态12导联心电检测患者是否存在14种疾病心电信号异常的人工智能医疗信号分析软件。 这14种疾病是
- 长 QT 综合征
- 窦性心动过缓
- 窦性心动过速
- 心房早搏
- 室性早搏
- 心房扑动、右束支传导阻滞
- 左束支传导阻滞
- 左心室肥大
- 前壁心肌梗死
- 间隔壁心肌梗塞
- 侧壁心肌梗塞
- 下壁心肌梗塞
- 后壁心肌梗死
本研究的主要目的是验证“长庚心电异常检测软件”能否正确识别14种疾病患者的异常心电信号。 解读标准为3位心脏病专家的共识。 软件分析的结果将用于评估主要和次要评价指标的性能。
研究概览
详细说明
详细流程:
样品来源:
本研究为回顾性研究,数据来源于长庚医学研究数据库(CGRD),该数据库由长庚纪念医院6家医院组成。 我们在2006.01.01~2019.12.31期间从数据库中采集了去标识化静态12导联心电数据,心电时长为10秒。
采样:
在这个实验中,训练数据集和测试数据集 ECG 是分开的。 然后将心电信号按分布分层作为测试样本,从测试集的心电数据库中独立抽取14种疾病的所有异常心电信号。
确认标准:
心电图数据将根据纳入和排除标准及编排序号进行初步筛选和筛选。 然后,心脏病专家再次确认心电图数据的采样结果不包括排除标准。
医师解读:
心电图数据将转换成图形文件,提交给3位心脏病专家,用于解读14种相关疾病的异常心电图信号。 结果将作为本研究的标准(参考)。
软件解读:
确定检测标准后,将心电信号输入长庚心电异常检测软件,对14种疾病的异常心电信号进行分析,解读每一种心电数据。
- 统计分析:
软件解读完成后,会与医师的解读结果进行比对,分析出主要和次要的评价指标。
研究类型
观察性的
注册 (估计的)
4306
阶段
- 不适用
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
-
-
-
Taoyuan city、台湾、333
- Chang Gung Memorial Hospital
-
-
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
- 年长者
接受健康志愿者
不
取样方法
概率样本
研究人群
这是一项回顾性研究,数据来自长庚医学研究数据库(CGRD),该数据库是长庚纪念医院6家医院的数据库。
根据纳入和排除标准,从数据库中采集2006.01.01~2019.12.31期间去识别化的静态12导联心电图数据,心电图时长为10秒。
描述
纳入标准:
- 等于或大于二十岁。
- 通用电气 MUSE XML 格式文件的静态 12 导联心电图。
- 数据来自通用电气静态12导联心电图仪(型号MAC5500)。
- 心电图信号为 500 Hz。
- 心电图信号的交流 (AC) 滤波器为 60 Hz。
- 最初的诊断来源是一位心脏病专家。
排除标准:
- 模型开发过程中使用的案例。
- 缺少任何电极。
- 包含任何电极缺少一个段。
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 |
|---|---|
|
软件诊断
软件诊断具有 3 位心脏病专家解释的黄金标准。
|
该装置有望用于静态12导联心电图检测是否存在与疾病相关的异常心电信号并输出结果。
其他名称:
|
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 |
|---|---|---|
|
敏感性和特异性
大体时间:基线
|
正确指示存在和不存在的测试结果的比率。
|
基线
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
受试者工作特征曲线下面积
大体时间:基线
|
说明二元分类器系统在其辨别阈值变化时的诊断能力的图表。
|
基线
|
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
- 学习椅:Chang-Fu Kuo, MD/Ph.D、Associate Professor and Director Division of Rheumatology
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
- Ribeiro AH, Ribeiro MH, Paixao GMM, Oliveira DM, Gomes PR, Canazart JA, Ferreira MPS, Andersson CR, Macfarlane PW, Meira W Jr, Schon TB, Ribeiro ALP. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020 Apr 9;11(1):1760. doi: 10.1038/s41467-020-15432-4. Erratum In: Nat Commun. 2020 May 1;11(1):2227.
- Malik J, Devecioglu OC, Kiranyaz S, Ince T, Gabbouj M. Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks. IEEE Trans Biomed Eng. 2022 May;69(5):1788-1801. doi: 10.1109/TBME.2021.3135622. Epub 2022 Apr 21.
- Acharya U.R., Fujita H., Lih O.S., Adam M., Tan J.H., Chua C.K. Automated detection of coronary artery disease using different durations of ECG segments with convolutional neu-ral network Knowl.-Based Syst., 132 (sep.15) (2017), pp. 62-71
- Bos JM, Attia ZI, Albert DE, Noseworthy PA, Friedman PA, Ackerman MJ. Use of Artificial Intelligence and Deep Neural Networks in Evaluation of Patients With Electrocardiographically Concealed Long QT Syndrome From the Surface 12-Lead Electrocardiogram. JAMA Cardiol. 2021 May 1;6(5):532-538. doi: 10.1001/jamacardio.2020.7422.
- U. Rajendra Acharya, Hamido Fujita, Oh Shu Lih, Yuki Hagiwara, Jen Hong Tan, Muhammad Adam, Automated detection of arrhythmias using different intervals of tachycardia ECG seg-ments with convolutional neural network, Information Sciences, Volume 405, 2017, Pages 81-90, ISSN 0020-0255
- Jeong DU, Lim KM. Convolutional neural network for classification of eight types of arrhythmia using 2D time-frequency feature map from standard 12-lead electrocardiogram. Sci Rep. 2021 Oct 14;11(1):20396. doi: 10.1038/s41598-021-99975-6.
- Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim SM, Kim KH, Song PS, Park J, Choi RK, Oh BH. Comparing the performance of artificial intelligence and conventional diagnosis criteria for detecting left ventricular hypertrophy using electrocardiography. Europace. 2020 Mar 1;22(3):412-419. doi: 10.1093/europace/euz324.
- Makimoto H, Hockmann M, Lin T, Glockner D, Gerguri S, Clasen L, Schmidt J, Assadi-Schmidt A, Bejinariu A, Muller P, Angendohr S, Babady M, Brinkmeyer C, Makimoto A, Kelm M. Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction. Sci Rep. 2020 May 21;10(1):8445. doi: 10.1038/s41598-020-65105-x.
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)
2023年10月6日
初级完成 (估计的)
2024年1月31日
研究完成 (估计的)
2024年2月28日
研究注册日期
首次提交
2023年6月6日
首先提交符合 QC 标准的
2023年6月6日
首次发布 (实际的)
2023年6月15日
研究记录更新
最后更新发布 (实际的)
2024年1月11日
上次提交的符合 QC 标准的更新
2024年1月9日
最后验证
2023年5月1日
更多信息
与本研究相关的术语
其他相关的 MeSH 术语
其他研究编号
- 202300710A5
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)?
不
药物和器械信息、研究文件
研究美国 FDA 监管的药品
不
研究美国 FDA 监管的设备产品
不
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.