AI-drevet præcis diagnostik af patogener ved svær lungebetændelse (AI-PneumoDx)
Undersøgelse af præcis diagnostik af patogener ved svær lungebetændelse baseret på kunstig intelligens-drevet teknologi
Studieoversigt
Status
Status
Betingelser
Betingelser
Undersøgelsestype
Undersøgelsestype
Tilmelding (Anslået)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Guangzhou First People's Hospital
-
Guangzhou, Guangdong, Kina, 510000
- The second Affiliated Hospital of Guangzhou Medical University
-
Guangzhou, Guangdong, Kina, 510000
- The Third Affiliated Hospital of Guangzhou Medical University
-
Guangzhou, Guangdong, Kina, 510000
- The Affiliated Panyu Central Hospital of Guangzhou Medical University
-
Guangzhou, Guangdong, Kina, 510000
- The Fourth Affiliated Hospital of Guangzhou Medical University
-
Guangzhou, Guangdong, Kina, 510000
- the Guangzhou Red Cross Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Alder ≥ 18 år; Indlagt på intensivafdeling, opfyldende diagnostiske kriterier for svær lungebetændelse; Ophold på intensivafdeling > 72 timer; Patient eller juridisk repræsentant giver informeret samtykke.
Eksklusionskriterier:
- Alder < 18 år; Forventet overlevelsetid < 1 dag; Allerede indlagt på en almindelig afdeling i ≥4 uger eller allerede behandlet på intensivafdeling i ≥2 uger; Gravide eller ammende kvinder; Tilstedeværelse af kontraindikationer for bronkoalveolær lavage; Deltagelse i et andet klinisk studie eller vurderet uegnet af undersøgeren.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
|---|
|
Svær lungebetændelse kohorte
Planer om at indskrive cirka 1000 voksne patienter, der opfylder de diagnostiske kriterier for svær lungebetændelse.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
AI-modellens nøjagtighed for den etiologiske diagnose af svær lungebetændelse
Tidsramme: Fra baseline (dag 0) til dag 7 efter indskrivning.
|
Det primære udfald er nøjagtigheden af den konstruerede kunstige intelligensmodel i at diagnosticere årsagen til svær lungebetændelse.
Nøjagtighed er defineret som andelen af korrekte forudsigelser lavet af modellen ud af det samlede antal prøver.
Den beregnes ved hjælp af formlen: Nøjagtighed = (Antal korrekte forudsigelser) / (Samlet antal prøver).
AI-modellen vil integrere multimodale data inklusive kliniske, billeddiagnostiske og mikrobiologiske egenskaber.
Modellens diagnostiske præstation vil blive sammenlignet med en gylden standard.
|
Fra baseline (dag 0) til dag 7 efter indskrivning.
|
|
Identifikation og karakterisering af immunundertyper ved svær lungebetændelse
Tidsramme: Fra baseline (dag 0) til dag 28 efter tilmelding.
|
Det primære resultat er identifikationen af distinkte immun-subtyper hos patienter med svær pneumoni ved hjælp af en kunstig intelligens-model, der integrerer multimodal data, herunder kliniske parametre, billeddannelse og immunomik.
Studiet har til formål at afsløre den dynamiske udvikling af værtsimmunresponser.
Modellen vil identificere mindst 3 potentielle immun-subtyper (såsom immunhyperaktivering, immunsuppression og blandede typer) med signifikante forskelle i kliniske resultater som mortalitet.
|
Fra baseline (dag 0) til dag 28 efter tilmelding.
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Kliniske og ætiologiske forskelle mellem samfundserhvervet lungebetændelse (CAP) og hospitalserhvervet lungebetændelse (HAP)
Tidsramme: Fra baseline (dag 0) til og med dag 7 efter inklusion
|
Gennem multicenter-kohorten sigter studiet mod systematisk at sammenligne forskellene i kliniske resultater, patogenspektrum og immunresponskarakteristika mellem CAP- og HAP-patienter.
Denne sammenligning vil bidrage til at afklare de forskellige kliniske træk og etiologiske baggrunde for disse to typer lungebetændelse.
|
Fra baseline (dag 0) til og med dag 7 efter inklusion
|
|
Undersøgelse af udløsende forhold for HAP og udvikling af en prædiktiv model
Tidsramme: Fra baseline (dag 0) til dag 28 efter tilmelding.
|
Studiet har til formål at undersøge udløsende faktorer for hospitalserhvervet lungebetændelse (HAP), specifikt at identificere nøgleprædiktive indikatorer for nosokomiale og sekundære infektioner, samt at etablere en prædiktiv model for HAP.
Dette vil omfatte analyse af kliniske, mikrobiologiske og værtsimmunologiske data fra det multicentriske kohort for at identificere risikofaktorer og tidlige advarselstegn.
|
Fra baseline (dag 0) til dag 28 efter tilmelding.
|
|
Sammenhæng mellem patogenspektrets karakteristika og værtens immunmikromiljø ved svær lungebetændelse.
Tidsramme: Fra baseline (dag 0) til dag 28 efter tilmelding.
|
Studiet vil systematisk indsamle serologiske prøver, mikrobiologiske dyrkningsresultater, PCR og metagenomisk sekventeringsdata for omfattende at karakterisere patogenspektret for svær lungebetændelse.
Ved at integrere dette med værtsimmunindikatorer (såsom lymfocytundersæt, cytokiner) og kliniske resultater, sigter studiet mod at undersøge, hvordan forskellige patogener (f.eks. bakterier, vira, svampe og blandede infektioner) specifikt driver værtsimmunresponser.
Dette resultat søger at afsløre den dynamiske sammenhæng mellem "patogen-værtsimmunitet-klinisk udfald", hvilket giver et grundlag for målrettet terapi.
|
Fra baseline (dag 0) til dag 28 efter tilmelding.
|
|
Sammenhængen mellem den dynamiske udvikling af immunsystemets undertyper og prognosen
Tidsramme: Fra baseline (dag 0) til og med dag 28 efter indskrivning.
|
Dette resultat undersøger sammenhængen mellem den dynamiske udviklingstrajektorie af immundelsystemets undertyper og patientens prognose.
Cox proportional hazards-modeller vil blive brugt til at analysere den uafhængige sammenhæng mellem undertyper og prognose.
|
Fra baseline (dag 0) til og med dag 28 efter indskrivning.
|
|
Udvikling af en 28-dages dødelighedsforudsigelsesmodel baseret på multimodal AI-fusion.
Tidsramme: 28 dage efter tilmelding.
|
Studiet har til formål at opbygge en intelligent prognostisk forudsigelsesmodel for svær lungebetændelse ved at integrere multimodal data, herunder kliniske baselineoplysninger, scoringssystemer (APACHE II, SOFA), billeddannelsestræk (CT/X-ray), laboratorieindikatorer og dynamiske immunologiske data.
Dette er et eksplorativt forskningsendepunkt for at afgøre, om AI-modellen kan forudsige 28-dages al-årsag dødelighed hos patienter med svær lungebetændelse.
|
28 dage efter tilmelding.
|
Andre resultatmål
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Undersøgelse af immunsundertype-specifikke biomarkører og deres diagnostiske effektivitet
Tidsramme: Fra baseline (dag 0) til og med dag 7 efter indskrivning.
|
Undersøgelsen har til formål at udforske og identificere specifikke biomarkører for forskellige immundtyper af svær lungebetændelse, især viral svær lungebetændelse (VSP), og evaluere deres diagnostiske effektivitet.
Dette involverer brugen af SHAP og andre fortolkningsteknikker til at screene for nøglekombinationer af biomarkører fra komplekse multi-omics-funktioner.
Den diagnostiske ydeevne af disse subtypspecifikke biomarkører vil blive valideret med det mål at opnå et Area Under the Curve (AUC) større end 0,75.
Denne udforskning er en del af udviklingen af et forenklet klinisk diagnostikpanel baseret på nøgleimmunmarkører og kliniske data.
|
Fra baseline (dag 0) til og med dag 7 efter indskrivning.
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Efterforskere
Efterforskere
- Ledende efterforsker: Zhen-hui Zhang, PhD, Second Affiliated Hospital of Guangzhou Medical University
- Studiestol: Zi-feng Yang, State Key Laboratory of Respiratory Disease
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Anslået)
Primær færdiggørelse
Studieafslutning (Anslået)
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
- ICU-2025-001
- GZNL2024B01008 (Andet bevillings-/finansieringsnummer: Guangzhou Laboratory and State Key Laboratory of Respiratory Disease)
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 .