Detección ecocardiográfica de enfermedades raras guiada por inteligencia artificial (EchoNet-Screening)

ID de estudio #: NCT05139797

condición: Amiloidosis Cardiaca

Estado: Reclutamiento

A pesar del rápido avance de los avances en terapias dirigidas y secuenciación genética, los límites persistentes en la precisión y el rendimiento del fenotipado clínico han llevado a una brecha cada vez mayor entre los beneficios potenciales y reales obtenidos por la medicina de precisión.

Los avances recientes en el aprendizaje automático y las técnicas de procesamiento de imágenes han demostrado que los modelos de aprendizaje automático pueden identificar características no reconocidas por los expertos humanos y evaluar con mayor precisión mediciones comunes realizadas en la práctica clínica.

Los investigadores han desarrollado un algoritmo, denominado EchoNet-LVH, para identificar la hipertrofia cardíaca e identificar a los pacientes que se beneficiarían de una detección adicional de amiloidosis cardíaca y evaluarán prospectivamente su precisión en la identificación de pacientes que se beneficiarían de una detección adicional de amiloidosis cardíaca.

intervención: Detección EchoNet-LVH para amiloidosis cardíaca

Resultados: https://clinicaltrials.gov/ct2/show/results/NCT05139797

última actualización: 28 diciembre 2023

fecha de inicio: 18 de noviembre.

finalización estimada: 1 de junio de 2025

última actualización: Febrero 8, 2023

tamaño / inscripción: 300

descripción del estudio: A pesar del rápido avance de los avances en terapias dirigidas y secuenciación genética, los límites persistentes en la precisión y el rendimiento del fenotipado clínico han llevado a una brecha cada vez mayor entre los beneficios potenciales y reales obtenidos por la medicina de precisión. Este enigma se ejemplifica con los enfoques actuales para evaluar las alteraciones morfológicas del corazón. Si se identifican de manera confiable, ciertas enfermedades cardíacas (por ejemplo, amiloidosis cardíaca y miocardiopatía hipertrófica) podrían evitar un diagnóstico erróneo y recibir un inicio de tratamiento eficiente con terapias dirigidas específicas. La capacidad de distinguir de manera confiable entre tipos de enfermedades cardíacas de morfología similar pero etiología diferente también mejoraría la especificidad para vincular variantes genéticas de riesgo y mecanismos determinantes.

Los avances recientes en el aprendizaje automático y las técnicas de procesamiento de imágenes han demostrado que los modelos de aprendizaje automático pueden identificar características no reconocidas por los expertos humanos y evaluar con mayor precisión mediciones comunes realizadas en la práctica clínica. En ecocardiografía, esta capacidad de medición y detección de precisión es importante tanto en la detección de enfermedades como en el diagnóstico de enfermedades cardiovasculares.

La ecocardiografía se utiliza de forma rutinaria y frecuente para el diagnóstico y pronóstico en la atención clínica habitual; sin embargo, a menudo existe subjetividad en la interpretación y heterogeneidad en la aplicación. La atención humana es fatigable y tiene una interpretación heterogénea entre los proveedores. Se han propuesto flujos de trabajo de detección de enfermedades guiados por IA para enfermedades raras como la amiloidosis cardíaca y otras enfermedades con una prevalencia relativamente baja pero con un impacto humano significativo, con terapias dirigidas cuando se detectan tempranamente. Esta es un área particularmente adecuada para la IA, ya que existen múltiples imitaciones en las que enfermedades como la miocardiopatía hipertrófica, la amiloidosis cardíaca, la estenosis aórtica y otros fenotipos pueden ser visualmente similares pero pueden distinguirse mediante algoritmos de IA. Los investigadores han desarrollado un algoritmo, denominado EchoNet-LVH, para identificar la hipertrofia cardíaca e identificar a los pacientes que se beneficiarían de una detección adicional de amiloidosis cardíaca, miocardiopatía hipertrófica y otras enfermedades. mi

resultados primarios:

• Número de nuevos diagnósticos de amiloidosis cardíaca encontrados
  A partir de la revisión de historias clínicas, identificación de pacientes que tienen un diagnóstico posterior de amiloidosis cardíaca
• 6 meses
  

resultados secundarios:

• Número de nuevos diagnósticos de amiloidosis TTR encontrados
  6 meses
• Número de nuevos diagnósticos de amiloidosis AL encontrados
  6 meses

criterios de inclusión:

Criterio de exclusión: Criterios:

Pacientes que se niegan a ser atendidos en una clínica especializada.
Pacientes que han fallecido

patrocinador: Cedars-Sinai Medical Center

ubicaciones del centro de prueba:

• Estados Unidos, California
  Centro médico Cedars-Sinai (Los Ángeles)
  David Ouyang, MD, 832-495-1605, GME@dhr-rgv.com