Konvolutionel neural netværksmodel til at opdage Coronavirus Disease 2019 (COVID-19) lungebetændelse i røntgenbilleder af thorax (RedNeumon)
Forudsigelseskapaciteten af en Convolutional Neural Network (CNN)-model til at opdage viral lungebetændelse hos voksne patienter med Coronavirus-sygdom 2019 (COVID-19) i Cali, Colombia
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
For at differentiere coronavirus disease 2019 (COVID-19) lungebetændelse fra andre typer lungebetændelse, skal ekspertradiologer analysere thorax røntgen (CXR) for at identificere visuelle, radiografiske mønstre forbundet med alvorligt akut respiratorisk syndrom coronavirus 2 (SARS-CoV-2) infektion. Det er udfordrende, fordi resultaterne er ens for forskellige typer lungebetændelse.
Da den manuelle diagnose af COVID-19 fra CXR er en vanskelig og tidskrævende proces, er anvendelsen af deep learning (DL)-modeller til medicinsk billedanalyse et aktuelt forskningsemne. Dette arbejde vil udvikle et nyt Convolutional Neural Network (CNN) til at opdage COVID-19 røntgenbilleder. Det vil bruge et stort datasæt af røntgenbilleder af thorax klassificeret i tre klasser: viral/bakteriel lungebetændelse, COVID-19 lungebetændelse og normale billeder. Undersøgelsen har til formål at inkorporere et nyt opmærksomhedsmodul, der anvender CNN'er til den lineære projektionsoperation for at hjælpe med at differentiere COVID-19 lungebetændelse fra anden lungebetændelse og normale røntgenbilleder af thorax i klinisk praksis.
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Valle Del Cauca
-
Cali, Valle Del Cauca, Colombia, 760001
- Fundacion Valle del Lili
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Røntgenbilleder af thorax fra patienter uden COVID-19 eller anden lungebetændelse taget før pandemiens startdato (januar 2020)
- Røntgenbilleder af thorax fra patienter med COVID-19 bekræftet af positiv revers transkriptase polymerase kædereaktion (RT-PCR) og/eller tilstedeværelse af antistoffer mod COVID-19 og/eller positivt COVID-19 viralt antigen.
- Røntgenbilleder af thorax fra patienter uden COVID-19 bekræftet af en negativ revers transkriptase polymerase kædereaktion (RT-PCR) og andre lungebetændelsesdiagnoser taget før pandemiens startdato (januar 2020)
Ekskluderingskriterier:
- N/A
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
COVID-19 røntgenbilleder af thorax
Røntgenstråler tilhørende patienter med en diagnose af COVID-19 bekræftet af positiv revers transkriptase polymerase kædereaktion (RT-PCR) og/eller tilstedeværelse af antistoffer mod COVID-19 og/eller positivt COVID-19 viralt antigen.
|
Brug af Convolutional Neural Network Model til at kategorisere røntgenbilleder af thorax i hver gruppe.
|
|
Andre røntgenbilleder af lungebetændelse thorax
Røntgenbilleder tilhørende patienter med en anden diagnose af lungebetændelse end COVID-19
|
Brug af Convolutional Neural Network Model til at kategorisere røntgenbilleder af thorax i hver gruppe.
|
|
Normale røntgenbilleder af thorax
Røntgenbilleder uden ændringer i lungeparenkymet
|
Brug af Convolutional Neural Network Model til at kategorisere røntgenbilleder af thorax i hver gruppe.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
COVID-19 (coronavirus sygdom 2019) røntgenbillede af lungebetændelse thorax identificeret
Tidsramme: måned 8
|
Udvikling og bestemmelse af den forudsigelige kapacitet af en Convolutional Neural Network-model til at detektere viral lungebetændelse i røntgenbilleder af thorax af voksne patienter med akut luftvejssygdom sekundært til SARS-COV-2-infektion.
|
måned 8
|
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 (Skøn)
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
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- 1805
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 .