ChiCTR2000029310进行中（未招募）早期 1 期
人工智能和机器学习房颤金标准数据库建设及临床应用研究
课题经费1 个研究点 分布在 1 个国家目标入组 660 人开始时间: 2020年5月25日最近更新:
适应症
试验速览
- 阶段
- 早期 1 期
- 状态
- 进行中（未招募）
- 发起方
- 入组人数
- 660
- 试验地点
- 1
- 主要终点
- 人工智能和机器学习在心房颤动诊断的准确性
研究概览
简要总结
通过前瞻性临床试验设计，应用 Epicardio 定义真实房颤，通过腔内心电图与体表心电图的实时对应，让 AI 系统学习真实房颤的体表心电特征，从而提高 AI 系统的诊断准确性，同时创建一个基于 epicardio 心电图标注的金标准数据库。
研究设计
- 研究类型
- 观察性研究
- 主要目的
- 连续入组
- 盲法
- N/a
入排标准
- 年龄范围
- 18 至 80（—）
- 性别
- All
入选标准
- •年龄：18≤年龄≤80 岁；
- •已择期完成下列之一手术：冠脉旁路移植术，瓣膜置换术；
- •首次行心脏手术病人；
- •无先天性心脏病病史；
- •依从性好，能够配合完成随访；
- •住院期间植入心外膜导联。
排除标准
- •二次或多次心脏手术史；
- •心脏手术的同时伴有其他身体部位手术；
- •肝肾功能损害（检测结果超出正常值上限的 3 倍）、有手术禁忌症者；
- •患有其它疾病需要放疗、化疗、长期激素治疗者；
- •无法植入起搏导线的患者；
- •患者因需要其他重症救护而导致无法实施研究方案。
研究组 & 干预措施
训练组
验证组
结局指标
主要结局
人工智能和机器学习在心房颤动诊断的准确性
F1 score, Precision, Positive predictive value (PPV), Recall, Sensitivity, Specificity, False positive ratio (FNR), False negative ratio (FNR), Negative predictive value (NPV), Area under ROC curve (AUC)
次要结局
- 构建用于人工智能和机器学习的心房颤动金标准数据库，包含体表心电图和同步的腔内心电图
研究者
研究点 (1)
Loading locations...
相似试验
Unknown
不适用
心脏健康房颤风险筛查及整合管理研究ChiCTR-OOC-17014138国自然 军委后勤保障部卫生局保健专项科研课题3,150
Unknown
不适用
人工智能技术鉴别心源性卒中及危险分层ChiCTR2200056385上海市医学创新研究项目600
Unknown
不适用
心房颤动患者发生心力衰竭的预测模型构建及 lncRNAs 筛选及验证ChiCTR2000039349复旦大学附属金山医院（项目编号：JYQN-LC-202007）
Unknown
不适用
陈尔冬医师：该试验尚未获伦理委员会批准，请于批准后才开始征募参试者，并与我们联系上传伦理批件。 华米心律研究心房颤动ChiCTR2000036142华米科技（横向联合）
Unknown
不适用
北京地区老年房颤人群血栓及出血风险预测模型的构建心房颤动ChiCTR2200063930中央高水平医院临床科研业务费1,600