The PICM Risk Prediction Study - Application of AI to Pacing
Ориентир для пациента и семьи
Простыми словами
Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.
- Что изучают
- В протоколе указаны: Machine learning.
- Кому может быть актуально
- Состояния в реестре: Heart Failure, Pacemaker-Induced Cardiomyopathy, Pacemaker Complication. Базовые параметры: от 18 лет · Все.
- Что важно проверить
- Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
- Где проводится
- Великобритания
- Следующий шаг
- Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →
Не всё понятно в терминах? Прочитайте наш гид для пациентов →
Официальное название
Predictive Risk Algorithm for Development of Right Ventricular Pacing Induced Cardiomyopathy - a Step Towards Personalized Pacemaker Lead Deployment
Обзор
Development of pacing induced cardiomyopathy (PICM) is correlated to a high morbidity as signified by an increase in heart failure admissions and mortality. At present a lack of data leads to a failure to identify patients who are at risk of PICM and would benefit from pre-selection to physiological pacing. In the light of the foregoing, there is an urgent need for novel non-invasive detection techniques which would aid risk stratification, offer a better understanding of the prevalence and incidence of PICM in individuals with pacing devices and the contribution of additional risk factors.
Подробное описание
Retrospective review of patient characteristics including 12 lead resting electrocardiograms and imaging data (CMR, CT, echo, CXR and fluoroscopy of pacing leads) of patients with right sided ventricular pacing lead due to symptomatic bradycardia, who developed pacing induced cardiomyopathy (or need for CRT upgrade) versus patients who did not using supervised machine learning methods. Development of personalised predictive pacing algorithm to improve right ventricular lead placement, such as conduction system pacing or pre-emptive implantation of an additional left ventricular lead to prevent left ventricular dilatation and pacemaker-induced cardiomyopathy (PICM) with heart failure (left ventricular ejection fraction \<50% by Simpson method), hospitalisation or death with the use of the retrospective patient data through machine learning.
Вмешательства
- Другое Machine learning
Analysis of data with machine learning methods
Первичные конечные точки
- Primary aim [Срок оценки: 2.5 years]
Вторичные конечные точки (6)
- Secondary aim [Срок оценки: 2.5 years]
- Tertiary aim [Срок оценки: 2.5 years]
- Quarternary aim [Срок оценки: 2.5 years]
- Quinary aim [Срок оценки: 2.5 years]
- Senary aims [Срок оценки: 2.5 years]
- Septenary aim [Срок оценки: 2.5 years]
Критерии участия
Критерии включения
- All patients who received a pacing device (VVI, DDD, ICD, leadless pacemaker) from the GSTT/RBH/KCH/ICH database in the last 10 years (from 01/01/2014)
- All patients who are >18 years old.
- Male and Female
Критерии исключения
- Patients who did not receive a pacing device (VVI, DDD, ICD, leadless pacemaker)
- All patients <18 years old
- Patients with congenital heart disease
- Patients who have received artificial heart valves or underwent cardiac bypass surgery
- Patients who did not have an echocardiogram after receiving a pacing device
Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.
Здоровые добровольцы: Нет
Дизайн исследования
- Модель наблюдения
- Другое
Центры проведения
Великобритания · 3 центра
- Guys' and St Thomas' Hospital NHS Trust — London
- Kings' College London Healthcare Trust — London
- Imperial College London Healthcare Trust — London
Идентификаторы
NCT: NCT06449079 · 333705