Het ontwikkelen van een predictie-model op basis van machine learning en klassieke statistiek voor ICD-therapie.
ID
Bron
Verkorte titel
Aandoening
- Hartritmestoornissen
Synoniemen aandoening
Betreft onderzoek met
Ondersteuning
Onderzoeksproduct en/of interventie
Uitkomstmaten
Primaire uitkomstmaten
De primaire onderzoeksvariabele is ICD-therapie. ICD-therapie is gedefinieerd
als een terechte en onterechte therapie (ICD shocks en antitachycardia
pacing).
Secundaire uitkomstmaten
Tijdsduur tot terechte/succesvolle ICD-therapy (schok of ATP)
Cumulatieve incidentie van ICD-therapy (terechte en onterechte therapie)
Tijdsduur tot onterechte ICD-therapie
Incidentie van onnodige ICD-therapie
Verandering in fysieke activiteit van baseline tot 12 maanden follow-up
Verandering in slaap gedrag van baseline tot 12 maanden follow-up
Aantal unieke episode van atriumfibrilleren
Cumulatieve duur van atriumfibrilleren
Verandering in door de device (ICD) gemeten fysiek activiteit
Gemiddelde van nachtelijke hartslag en hartslag variabiliteit
Gemiddelde ventriculaire rate gedurende atriumfibrilleren
Incidentie en tijdsduur tot hospitalisatie, mortaliteit en major adverse
cardiac events
Verandering in functionele status gedurende follow-up
Incidentie van ICD-gerelateerde complicaties (infectie, lead dislocatie,
generator-gerelateerde complicaties)
Vergelijking tussen de kwaliteit van leven gedurende follow-up o.a. tussen
deelnemers met ICD-schokken en zonder ICD-schokken
Achtergrond van het onderzoek
Eerder onderzoek heeft diverse klinische en demografische kenmerken (of
variabelen) aangewezen die die kans op terechte en onterechte ICD-therapie
(shocks en anti-tachycardie pacing) verhogen. Het belang van leefstijl factoren
zijn hierin veelal onderbelicht. In 2019 publicerde Shakibaf en collega's hun
onderzoek waarbij op basis van een machine learning model (een vorm van
kunstmatige intelligentie) een predictie model voor electriical storms werd
bewerkstelligt met een accuratesse van 0.96 en een area under the curve van
0.80. Een van de belangrijskte features (variabelen) in dit model was het
niveau van fysieke activiteit gemeten met de ICD. Dit onderzoek is een van de
voorbeelden waarbij de opkomst van kunstmatige intelligentie binnen de
gezondheidszorg zijn de mogelijkheden tot onderzoek met big data sterk
vergroot. Vanuit de gedachte dat gedrag (bijvoorbeeld fysieke activiteit)
belangrijke voorspellende waarde heeft in het krijgen van ICD-therapie is het
SafeHeart-project ontstaan. Hierbij wordt een multi-modale dataset gecreeerd.
Doel van het onderzoek
Het ontwikkelen van een predictie-model op basis van machine learning en
klassieke statistiek voor ICD-therapie.
Onderzoeksopzet
Het betreft een prospectieve observationele studie waarbij patiënten worden
geincludeerd in het Amsterdam UMC en het Rigshospitalet in Kopenhagen. In total
worden 400 patiënten geïncludeerd, 200 in elk centrum. Patiënten worden
geïncludeerd in een periode van 2 jaar en zullen in totaal gedurende 12 maanden
gevolgd worden (periode 2020-2023), afhankelijk van de adherentie aan de
wearable. Er zijn vijf bronnen van waaruit data wordt verzameld; 1) klinische
data, zowel retrospectief als prospectief verzameld vanuit de elektronische
patiënten dossiers, 2) data vekregen doormiddel van het remote-monitoring
platform, 3) data verkregen uit een draagbare accelerometer die patiënten
20-24u/dag dragen 4) patienten rapportage over klachten, gewicht en slaapgedrag
en 5) vragenlijsten met betrekking tot de kwaliteit van leven en gevoelens
gerelateerd aan de ICD. Uiteindelijk zal dit predictie model worden gevalideerd
in een vergelijkbare populatie zonder dat een interventie wordt gepleegd.
Inschatting van belasting en risico
De inschatting van de belasting voor de patiënt schatten wij laag in. Zij
dragen een wearable gedurende hooguit 365dagen, wat vergelijkbaar is met een
horloge. Deze mogen zij op momenten dat zij deze niet kunnen dragen afdoen,
bijvoorbeeld tijdens een contactsport waarbij de wearable een risco oplevert.
Daarnaast mag er een periode zijn van non-wear (niet dragen van de wearable),
bijvoorbeeld tijdens een vakantie. Verder zullen patienten vragenlijsten
invullen op 3 momenten tijdens de studie. Dit zijn standaard vragenlijsten, de
onderwerpen die aan bod komen zullen niet confronterend zijn voor de
deelnemers. Het risico van de studie is verwaarloosbaar. De patiënten worden
niet blootgesteld aan risico's tijdens de studie. Er vindt geen interventie
plaats.
Publiek
Meibergdreef 9
Amsterdam 1105AZ
NL
Wetenschappelijk
Meibergdreef 9
Amsterdam 1105AZ
NL
Landen waar het onderzoek wordt uitgevoerd
Leeftijd
Belangrijkste voorwaarden om deel te mogen nemen (Inclusiecriteria)
- >=18 jaar oud en een ICD of CRT-D implantatie ondergaan voor primaire of
secundaire preventie in de afgelopen 5 jaar;
- Patiënten nemen deel aan het remote-monitoring programma;
- Patiënten die een terechte of onterechte ICD therapy of kamerritmestoornissen
hebben gehad de afgelopen 8 jaar.
Belangrijkste redenen om niet deel te kunnen nemen (Exclusiecriteria)
- Weigeren tot deelname aan de studie;
- Een levensverwachting van minder dan een jaar
- Omstandigheden die follow-up zullen verhinderen (emigratie, verandering van
ziekenhuis, staken van remote-monitoring);
- Onvermogen om de accelerometer armband te dragen (bijvoorbeeld bekende
allergieën voor kunstof);
- Klinisch instabiele situatie;
- Eindstadium hartfalen (NYHA-classificatie IV);
- Onvermogen om vragenlijsten in te vullen;
- Een serieuze lichamelijke handicap (bijvoorbeeld rolstoel-gebonden of
bedlegerige patiënt);
- Een geplande ablatie voor ventriculaire tachycardieën;
- Significante bewegingsbeperking (bijv. hemiparese, Morbus Parkinson or
vergelijkbare aandoeningen)
Opzet
Deelname
Opgevolgd door onderstaande (mogelijk meer actuele) registratie
Geen registraties gevonden.
Andere (mogelijk minder actuele) registraties in dit register
Geen registraties gevonden.
In overige registers
Register | ID |
---|---|
CCMO | NL75308.018.20 |