免费获得国外相关药品，最快 1 个工作日回馈药物信息
出境医 / 临床实验 / 基于机器学习模型的NSTE-ACS患者的早期诊断的多中心研究
基于机器学习模型的NSTE-ACS患者的早期诊断的多中心研究
研究描述
简要摘要：
NSTEMI和UA患者的早期诊断主要是通过机器学习模型的构建。
| 病情或疾病 | 干预/治疗 |
|---|---|
| NSTEMI-非ST段高程Mi不稳定的心绞痛 | 诊断测试：机器学习模型 |
详细说明：
包括NSTEMI和UA的患者。手动标记后，选择了患者的入学记录特征。 75％的数据用于构建模型，25％的数据用于验证模型的有效性。构建了五个一维卷积（CNN），天真贝叶斯（NB），支持向量机（SVM），随机森林（RF）和集成学习的五个分类模型，以识别和诊断NSTEMI和UA患者。多折叠式验证和ROC-AUC曲线用于测量模型的优势和缺点。
学习规划
| 研究类型 ： | 观察性[患者注册表] |
| 实际注册 ： | 2500名参与者 |
| 观察模型： | 案例对照 |
| 时间观点： | 其他 |
| 目标随访时间： | 3个月 |
| 官方标题： | 基于机器学习模型的NSTE-ACS患者的早期诊断的多中心研究 |
| 实际学习开始日期 ： | 2020年12月20日 |
| 估计初级完成日期 ： | 2021年12月20日 |
| 估计 学习完成日期 ： | 2022年6月1日 |
武器和干预措施
| 小组/队列 | 干预/治疗 |
|---|---|
| CNN模型 从2017年到2019年，在手动标记后，选择了2017年至2019年两个胸痛中心的NSTEMI和UA患者的电子健康信息，选择了患者入院记录的特征，并通过构建一维卷积（CNN）模型。以多重折叠验证和ROC-AUC曲线为测量指数，对75％的数据进行了建模，并使用25％的数据来验证模型的效果。 | 诊断测试：机器学习模型 通过机器学习模型对NTEMI患者的早期诊断 |
| XG提升 通过构建XG Boost模型，将多重折叠交叉验证和ROC-AUC曲线作为测量指数，对75％的数据进行建模，并使用25％的数据来验证模型的效果。 | 诊断测试：机器学习模型 通过机器学习模型对NTEMI患者的早期诊断 |
结果措施
主要结果指标 ：
- 急性胸痛患者的NSTEMI准确诊断[时间范围：1年之内]通过训练有素的机器学习算法，通过急性胸痛的患者准确诊断出Nemeni患者。我们的模型使用多重跨验证和ROC-AUC曲线作为测量指数，75％的数据进行了建模，并且数据的25％验证了模型的效果。因此，当灵敏度截止值为0.9时，我们将计算准确性，特异性和似然比。
资格标准
| 符合研究资格的年龄： | 18年至75岁（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 采样方法： | 概率样本 |
研究人群
NSTEMI和UA患者于2017年至2019年纳入了新疆医科大学第一家医院的胸痛中心和西赫兹大学医学院第一院。
标准
纳入标准：
- 根据中国诊断和治疗非缝隙高程急性冠状动脉综合征的诊断标准，包括患者并严格排除。这些患者因胸痛作为主要投诉而被送往医院，并被送往新疆医科大学第一家附属医院和西赫兹大学医学院第一家附属医院。这些患者被冠状动脉血管造影诊断为NSTEMI和UA（年龄为30至75岁）。
排除标准：
-1。STEMI，主动脉解剖性动脉瘤，气胸和其他非心脏病胸痛的患者。 2.肝肾上腺衰竭，未经手术治疗的原发性肿瘤，非严重性感染与休克和孕妇复杂化。 3.预防严重的严重瓣膜疾病，病毒心肌炎，心包积液，心脏起搏器植入，心脏病性休克，严重并发症，高血压心脏病，各种心肌病，心脏病' target='_blank'>先天性心脏病等。
联系人和位置
位置
| 中国，新疆 | |
| 新疆医科大学第一家附属医院 | |
| ürümqi，新疆，中国，830000 | |
赞助商和合作者
新疆医科大学第一附属医院
西赫兹大学
调查人员
| 首席研究员： | Aikeliyaer Ainiwaer，医学博士 | 新疆医科大学第一附属医院 | |
| 研究主任： | Qu Qi，博士 | 西赫兹大学信息技术学院 | |
| 首席研究员： | Yi Ying Du，医学博士 | 新疆医科大学第一附属医院 |
| 追踪信息 | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2020年12月19日 | |||||||||
| 第一个发布日期 | 2020年12月24日 | |||||||||
| 最后更新发布日期 | 2020年12月31日 | |||||||||
| 实际学习开始日期 | 2020年12月20日 | |||||||||
| 估计初级完成日期 | 2021年12月20日（主要结果指标的最终数据收集日期） | |||||||||
| 当前的主要结果指标 | 急性胸痛患者的NSTEMI准确诊断[时间范围：1年之内] 通过训练有素的机器学习算法，通过急性胸痛的患者准确诊断出Nemeni患者。我们的模型使用多重跨验证和ROC-AUC曲线作为测量指数，75％的数据进行了建模，并且数据的25％验证了模型的效果。因此，当灵敏度截止值为0.9时，我们将计算准确性，特异性和似然比。 | |||||||||
| 原始主要结果指标 | 与电流相同 | |||||||||
| 改变历史 | ||||||||||
| 当前的次要结果指标 | 不提供 | |||||||||
| 原始的次要结果指标 | 不提供 | |||||||||
| 当前其他预先指定的结果指标 | 不提供 | |||||||||
| 其他其他预先指定的结果指标 | 不提供 | |||||||||
| 描述性信息 | ||||||||||
| 简短标题 | 基于机器学习模型的NSTE-ACS患者的早期诊断的多中心研究 | |||||||||
| 官方头衔 | 基于机器学习模型的NSTE-ACS患者的早期诊断的多中心研究 | |||||||||
| 简要摘要 | NSTEMI和UA患者的早期诊断主要是通过机器学习模型的构建。 | |||||||||
| 详细说明 | 包括NSTEMI和UA的患者。手动标记后，选择了患者的入学记录特征。 75％的数据用于构建模型，25％的数据用于验证模型的有效性。构建了五个一维卷积（CNN），天真贝叶斯（NB），支持向量机（SVM），随机森林（RF）和集成学习的五个分类模型，以识别和诊断NSTEMI和UA患者。多折叠式验证和ROC-AUC曲线用于测量模型的优势和缺点。 | |||||||||
| 研究类型 | 观察性[患者注册表] | |||||||||
| 学习规划 | 观察模型：病例对照 时间观点：其他 | |||||||||
| 目标随访时间 | 3个月 | |||||||||
| 生物测量 | 不提供 | |||||||||
| 采样方法 | 概率样本 | |||||||||
| 研究人群 | NSTEMI和UA患者于2017年至2019年纳入了新疆医科大学第一家医院的胸痛中心和西赫兹大学医学院第一院。 | |||||||||
| 健康）状况 |
| |||||||||
| 干涉 | 诊断测试：机器学习模型 通过机器学习模型对NTEMI患者的早期诊断 | |||||||||
| 研究组/队列 |
| |||||||||
| 出版物 * |
| |||||||||
*包括数据提供商提供的出版物以及MEDLINE中临床标识符（NCT编号）确定的出版物。 | ||||||||||
| 招聘信息 | ||||||||||
| 招聘状况 | 活跃，不招募 | |||||||||
| 实际注册 | 2500 | |||||||||
| 原始的实际注册 | 与电流相同 | |||||||||
| 估计学习完成日期 | 2022年6月1日 | |||||||||
| 估计初级完成日期 | 2021年12月20日（主要结果指标的最终数据收集日期） | |||||||||
| 资格标准 | 纳入标准：
排除标准： -1。STEMI，主动脉解剖性动脉瘤，气胸和其他非心脏病胸痛的患者。 2.肝肾上腺衰竭，未经手术治疗的原发性肿瘤，非严重性感染与休克和孕妇复杂化。 3.预防严重的严重瓣膜疾病，病毒心肌炎，心包积液，心脏起搏器植入，心脏病性休克，严重并发症，高血压心脏病，各种心肌病，心脏病' target='_blank'>先天性心脏病等。 | |||||||||
| 性别/性别 |
| |||||||||
| 年龄 | 18年至75岁（成人，老年人） | |||||||||
| 接受健康的志愿者 | 不提供 | |||||||||
| 联系人 | 仅当研究招募主题时才显示联系信息 | |||||||||
| 列出的位置国家 | 中国 | |||||||||
| 删除了位置国家 | ||||||||||
| 管理信息 | ||||||||||
| NCT编号 | NCT04682756 | |||||||||
| 其他研究ID编号 | XMA | |||||||||
| 有数据监测委员会 | 不 | |||||||||
| 美国FDA调节的产品 |
| |||||||||
| IPD共享声明 |
| |||||||||
| 责任方 | 新疆医科大学第一附属医院Xiang MA | |||||||||
| 研究赞助商 | 新疆医科大学第一附属医院 | |||||||||
| 合作者 | 西赫兹大学 | |||||||||
| 调查人员 |
| |||||||||
| PRS帐户 | 新疆医科大学第一附属医院 | |||||||||
| 验证日期 | 2020年12月 | |||||||||
研究描述
简要摘要：
NSTEMI和UA患者的早期诊断主要是通过机器学习模型的构建。
| 病情或疾病 | 干预/治疗 |
|---|---|
| NSTEMI-非ST段高程Mi不稳定的心绞痛 | 诊断测试：机器学习模型 |
详细说明：
包括NSTEMI和UA的患者。手动标记后，选择了患者的入学记录特征。 75％的数据用于构建模型，25％的数据用于验证模型的有效性。构建了五个一维卷积（CNN），天真贝叶斯（NB），支持向量机（SVM），随机森林（RF）和集成学习的五个分类模型，以识别和诊断NSTEMI和UA患者。多折叠式验证和ROC-AUC曲线用于测量模型的优势和缺点。
学习规划
| 研究类型 ： | 观察性[患者注册表] |
| 实际注册 ： | 2500名参与者 |
| 观察模型： | 案例对照 |
| 时间观点： | 其他 |
| 目标随访时间： | 3个月 |
| 官方标题： | 基于机器学习模型的NSTE-ACS患者的早期诊断的多中心研究 |
| 实际学习开始日期 ： | 2020年12月20日 |
| 估计初级完成日期 ： | 2021年12月20日 |
| 估计 学习完成日期 ： | 2022年6月1日 |
武器和干预措施
| 小组/队列 | 干预/治疗 |
|---|---|
| CNN模型 从2017年到2019年，在手动标记后，选择了2017年至2019年两个胸痛中心的NSTEMI和UA患者的电子健康信息，选择了患者入院记录的特征，并通过构建一维卷积（CNN）模型。以多重折叠验证和ROC-AUC曲线为测量指数，对75％的数据进行了建模，并使用25％的数据来验证模型的效果。 | 诊断测试：机器学习模型 通过机器学习模型对NTEMI患者的早期诊断 |
| XG提升 通过构建XG Boost模型，将多重折叠交叉验证和ROC-AUC曲线作为测量指数，对75％的数据进行建模，并使用25％的数据来验证模型的效果。 | 诊断测试：机器学习模型 通过机器学习模型对NTEMI患者的早期诊断 |
结果措施
主要结果指标 ：
- 急性胸痛患者的NSTEMI准确诊断[时间范围：1年之内]通过训练有素的机器学习算法，通过急性胸痛的患者准确诊断出Nemeni患者。我们的模型使用多重跨验证和ROC-AUC曲线作为测量指数，75％的数据进行了建模，并且数据的25％验证了模型的效果。因此，当灵敏度截止值为0.9时，我们将计算准确性，特异性和似然比。
资格标准
| 符合研究资格的年龄： | 18年至75岁（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 采样方法： | 概率样本 |
研究人群
NSTEMI和UA患者于2017年至2019年纳入了新疆医科大学第一家医院的胸痛中心和西赫兹大学医学院第一院。
标准
纳入标准：
- 根据中国诊断和治疗非缝隙高程急性冠状动脉综合征的诊断标准，包括患者并严格排除。这些患者因胸痛作为主要投诉而被送往医院，并被送往新疆医科大学第一家附属医院和西赫兹大学医学院第一家附属医院。这些患者被冠状动脉血管造影诊断为NSTEMI和UA（年龄为30至75岁）。
排除标准：
-1。STEMI，主动脉解剖性动脉瘤，气胸和其他非心脏病胸痛的患者。 2.肝肾上腺衰竭，未经手术治疗的原发性肿瘤，非严重性感染与休克和孕妇复杂化。 3.预防严重的严重瓣膜疾病，病毒心肌炎，心包积液，心脏起搏器植入，心脏病性休克，严重并发症，高血压心脏病，各种心肌病，先天性心脏病' target='_blank'>先天性心脏病等。
4.过去诊断出患有心脏病，AECOPD，肺肿瘤和甲状腺功能亢进' target='_blank'>甲状腺功能亢进症的患者。
联系人和位置
位置
| 中国，新疆 | |
| 新疆医科大学第一家附属医院 | |
| ürümqi，新疆，中国，830000 | |
赞助商和合作者
新疆医科大学第一附属医院
西赫兹大学
调查人员
| 首席研究员： | Aikeliyaer Ainiwaer，医学博士 | 新疆医科大学第一附属医院 | |
| 研究主任： | Qu Qi，博士 | 西赫兹大学信息技术学院 | |
| 首席研究员： | Yi Ying Du，医学博士 | 新疆医科大学第一附属医院 |
| 追踪信息 | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2020年12月19日 | |||||||||
| 第一个发布日期 | 2020年12月24日 | |||||||||
| 最后更新发布日期 | 2020年12月31日 | |||||||||
| 实际学习开始日期 | 2020年12月20日 | |||||||||
| 估计初级完成日期 | 2021年12月20日（主要结果指标的最终数据收集日期） | |||||||||
| 当前的主要结果指标 | 急性胸痛患者的NSTEMI准确诊断[时间范围：1年之内] 通过训练有素的机器学习算法，通过急性胸痛的患者准确诊断出Nemeni患者。我们的模型使用多重跨验证和ROC-AUC曲线作为测量指数，75％的数据进行了建模，并且数据的25％验证了模型的效果。因此，当灵敏度截止值为0.9时，我们将计算准确性，特异性和似然比。 | |||||||||
| 原始主要结果指标 | 与电流相同 | |||||||||
| 改变历史 | ||||||||||
| 当前的次要结果指标 | 不提供 | |||||||||
| 原始的次要结果指标 | 不提供 | |||||||||
| 当前其他预先指定的结果指标 | 不提供 | |||||||||
| 其他其他预先指定的结果指标 | 不提供 | |||||||||
| 描述性信息 | ||||||||||
| 简短标题 | 基于机器学习模型的NSTE-ACS患者的早期诊断的多中心研究 | |||||||||
| 官方头衔 | 基于机器学习模型的NSTE-ACS患者的早期诊断的多中心研究 | |||||||||
| 简要摘要 | NSTEMI和UA患者的早期诊断主要是通过机器学习模型的构建。 | |||||||||
| 详细说明 | 包括NSTEMI和UA的患者。手动标记后，选择了患者的入学记录特征。 75％的数据用于构建模型，25％的数据用于验证模型的有效性。构建了五个一维卷积（CNN），天真贝叶斯（NB），支持向量机（SVM），随机森林（RF）和集成学习的五个分类模型，以识别和诊断NSTEMI和UA患者。多折叠式验证和ROC-AUC曲线用于测量模型的优势和缺点。 | |||||||||
| 研究类型 | 观察性[患者注册表] | |||||||||
| 学习规划 | 观察模型：病例对照 时间观点：其他 | |||||||||
| 目标随访时间 | 3个月 | |||||||||
| 生物测量 | 不提供 | |||||||||
| 采样方法 | 概率样本 | |||||||||
| 研究人群 | NSTEMI和UA患者于2017年至2019年纳入了新疆医科大学第一家医院的胸痛中心和西赫兹大学医学院第一院。 | |||||||||
| 健康）状况 |
| |||||||||
| 干涉 | 诊断测试：机器学习模型 通过机器学习模型对NTEMI患者的早期诊断 | |||||||||
| 研究组/队列 |
| |||||||||
| 出版物 * |
| |||||||||
*包括数据提供商提供的出版物以及MEDLINE中临床标识符（NCT编号）确定的出版物。 | ||||||||||
| 招聘信息 | ||||||||||
| 招聘状况 | 活跃，不招募 | |||||||||
| 实际注册 | 2500 | |||||||||
| 原始的实际注册 | 与电流相同 | |||||||||
| 估计学习完成日期 | 2022年6月1日 | |||||||||
| 估计初级完成日期 | 2021年12月20日（主要结果指标的最终数据收集日期） | |||||||||
| 资格标准 | 纳入标准：
排除标准： -1。STEMI，主动脉解剖性动脉瘤，气胸和其他非心脏病胸痛的患者。 2.肝肾上腺衰竭，未经手术治疗的原发性肿瘤，非严重性感染与休克和孕妇复杂化。 3.预防严重的严重瓣膜疾病，病毒心肌炎，心包积液，心脏起搏器植入，心脏病性休克，严重并发症，高血压心脏病，各种心肌病，先天性心脏病' target='_blank'>先天性心脏病等。 4.过去诊断出患有心脏病，AECOPD，肺肿瘤和甲状腺功能亢进' target='_blank'>甲状腺功能亢进症的患者。 | |||||||||
| 性别/性别 |
| |||||||||
| 年龄 | 18年至75岁（成人，老年人） | |||||||||
| 接受健康的志愿者 | 不提供 | |||||||||
| 联系人 | 仅当研究招募主题时才显示联系信息 | |||||||||
| 列出的位置国家 | 中国 | |||||||||
| 删除了位置国家 | ||||||||||
| 管理信息 | ||||||||||
| NCT编号 | NCT04682756 | |||||||||
| 其他研究ID编号 | XMA | |||||||||
| 有数据监测委员会 | 不 | |||||||||
| 美国FDA调节的产品 |
| |||||||||
| IPD共享声明 |
| |||||||||
| 责任方 | 新疆医科大学第一附属医院Xiang MA | |||||||||
| 研究赞助商 | 新疆医科大学第一附属医院 | |||||||||
| 合作者 | 西赫兹大学 | |||||||||
| 调查人员 |
| |||||||||
| PRS帐户 | 新疆医科大学第一附属医院 | |||||||||
| 验证日期 | 2020年12月 | |||||||||
