Klinisk og radiomisk model for COVID-19
En klinisk og radiologisk model til at forudsige prognosen for COVID-19-patienter
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
I december 2019 dukkede en ny coronavirus, alvorligt akut respiratorisk syndrom coronavirus 2 (SARS-CoV-2; tidligere navngivet som 2019-nCoV), op i Wuhan, Kina. Sygdommene forårsaget af SARS-CoV-2 er COVID-19. Pr. 8. marts 2020 er mere end 100.000 COVID-19-patienter blevet rapporteret globalt (mere end 80.000 tilfælde i Kina, mere end 20.000 i andre lande) og 3.600 patienter (3.100 i Kina, 500 uden for Kina) er døde. Udbruddet af COVID-19 udgør en folkesundhedsnødsituation af international bekymring.
Blandt COVID-19-patienter er omkring 80 % milde (ikke-alvorlige) syge patienter, som normalt heler inden for to uger. Imidlertid kan yderligere 20 % af patienterne forværres til en alvorlig eller kritisk sygdom, som resulterer i et længere hospitalsophold, og dødeligheden for sådanne patienter er 13,4 %. Derfor er inchoate-identifikation af de alvorlige højrisikopatienter ekstremt vigtig for patienthåndtering og medicinsk ressourceallokering. Generel karantæne og symptomatisk behandling kan bruges til de fleste ikke-svære patienter, mens et højere niveau af pleje og grøn kanal til intensivafdelingen (ICU) er nyttige for svære patienter. Tidligere undersøgelser har opsummeret de kliniske og radiologiske karakteristika for svære COVID-19-patienter, mens det stadig er uklart, hvilke faktorer der er vigtige prædiktorer.
Machine learning er en gren af kunstig intelligens, der gør os i stand til at lære viden og potentielle love ud fra de givne data og til at bygge en model til at løse problemer som menneskelige behov. I de senere år er maskinlæring blevet udviklet som et nyt værktøj til at analysere store mængder data fra lægejournaler eller billeder. Tidligere modelleringsstudier fokuserede på at forudsige den potentielle internationale spredning af COVID-19.
Derfor er vores formål at udvikle og validere en maskinlæringsmodel baseret på kliniske, laboratorie- og radiologiske karakteristika alene eller kombination af COVID-19-patienter i det tidlige stadie uden alvorlig sygdom fra flere centre til forudsigelse af alvorlige (eller kritiske) sygdom ved den efterfølgende indlæggelse for at lette risikovurdering før og efter symptomer og triage (hjemme, indlæggelse eller intensivafdeling).
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Hubei
-
Wuhan, Hubei, Kina
- The Central Hospital of Wuhan
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- bekræftede COVID-19-patienter ved high-throughput-sekventering eller real-time revers-transcriptase polymerase-chain-reaction (RT-PCR) assay for nasale og svælg podningsprøver.
Ekskluderingskriterier:
- patienter med alvorlig sygdom ved indlæggelse;
- tidsinterval > 2 dage mellem optagelse og eksamen;
- manglende data eller forsinkede resultater
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
svær gruppe
Den alvorlige gruppe blev udpeget, da patienterne havde et af følgende kriterier under indlæggelse udstedt af den kinesiske nationale sundhedskomité (version 3-5). 1) Åndedrætsbesvær med åndedrætsfrekvens ≥ 30/min; 2) Pulsoximeter iltmætning ≤ 93 % i hvile; 3) Iltningsindeks (arteriepartialtryk af oxygen/indåndet oxygenfraktion, PaO2/FiO2) ≤ 300 mmHg; 4) En af tilstandene som følger: a) respirationssvigt opstår og kræver mekanisk ventilation; b) Der opstår stød; c) ICU-indlæggelse er nødvendig ved kombineret organsvigt.
|
Maskinlæring, såsom logistisk regression, tilfældig skov og dyb læring
|
|
ikke-svær gruppe
Den ikke-svære gruppe blev udpeget, når patienterne ikke forekom i de nævnte alvorlige kriterier, før de blev udskrevet fra hospitalet.
|
Maskinlæring, såsom logistisk regression, tilfældig skov og dyb læring
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Forudsigende præstation
Tidsramme: 1. januar 2020 til 13. februar 2020
|
AUC, nøjagtighed, sensitivitet og specificitet
|
1. januar 2020 til 13. februar 2020
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Samarbejdspartnere
Samarbejdspartnere
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- UM_2020_GY_COVID-19
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .