Kunstig intelligens til diagnosticering af lægemiddelresistent tuberkulose
26. oktober 2020 opdateret af: Bumi Herman, Hasanuddin University
Kunstigt neuralt netværk som diagnostiske værktøjer til rifampicin-resistent tuberkulose i Indonesien: en forudsigelig modelundersøgelse og økonomisk evaluering
Titel: Kunstigt neuralt netværk som diagnostiske værktøjer til rifampicin-resistent tuberkulose i Indonesien. En prædiktiv modelundersøgelse og økonomisk evaluering.
Baggrund: Medicinresistent tuberkulose er blevet en global trussel, især i Indonesien. Behovet for at øge detektionen efterfulgt af passende behandling er et problem i håndteringen af disse sager. Den hurtige molekylære test (specifikt til påvisning af rifampicin-resistent) bliver nu brugt i sundhedsvæsenet, især på primærplejeniveau med nogle udfordringer, herunder manglen på kvalitetskontrol (herunder hvordan man opnår og behandler prøven korrekt før undersøgelsen) hvilket så påvirker resultaternes pålidelighed. Drug-Susceptibility Test (DST) er stadig guldstandarden for diagnosticering af lægemiddelresistent tuberkulose, men denne procedure er tidskrævende og dyr. Den kunstige intelligente inklusive dataudforskning og modellering er en lovende metode til at klassificere potentielle lægemiddelresistente tilfælde baseret på sammenhængen mellem flere faktorer.
Mål:
- At udvikle en model ved hjælp af en kunstig intelligens tilgang, der er i stand til at klassificere muligheden for rifampicin-resistent tuberkulose.
- At vurdere den diagnostiske evne og nøjagtigheden af modellen i forhold til eksisterende hurtigtest og guldstandarden
- At evaluere omkostningseffektivitetsevalueringen af en kunstig neural netværksmodel i webbaseret applikation sammenlignet med standard diagnostiske værktøjer
Metodik
- En tværsnitsundersøgelse, der involverer alle formodede lægemiddelresistente tuberkulosetilfælde, som er blevet henvist til studiecentret for at gennemgå en hurtig molekylær test og DST-test i løbet af de sidste 5 år.
- En omfattende, retrospektiv lægejournalvurdering og individuel tuberkuloserapport vil blive udført for at opnå en variabel af interesse.
- Spørgeskemavurdering til bekræftelse af utilstrækkelige oplysninger.
- Modelbygning gennem maskinlæring og deep learning-procedure
- Modelvalidering og test ved hjælp af træningsdatasæt og data fra de forskellige studiecentre
Hypotese:
Kunstig intelligent model vil give et lignende eller bedre resultat af diagnostisk evne sammenligne den hurtige molekylære test i henhold til lægemiddelfølsomhedstesten. (Superiority Trial)
Studieoversigt
Status
Afsluttet
Betingelser
Detaljeret beskrivelse
PROCEDURE
- Under tilladelsen givet af studiecentrene vil holdet indhente lægejournalerne for alle støtteberettigede tilfælde inden for de seneste 5 år
Efterforskerne indsamler derefter informationen af interessevariabel/parameter, som opnås ved historietagning og yderligere undersøgelser og også medicinsk fakturering og hospitalsbetaling pr. For deltagere med sygesikring vil de direkte udgifter til behandling være baseret på INA-CBGs (sagsbaseret gruppe) betaling. Disse data vil derefter blive registreret i en elektronisk database.
Parameter for modeludvikling:
Værtsbaseret:
- Tilstedeværelse af diabetes mellitus (inklusive år med at være blevet diagnosticeret, HbA1c Før sommertid undersøgelse og behandling, medicin enten insulin eller oral anti-diabetikum)
- Tilstedeværelse af HIV ((inklusive år med at blive diagnosticeret, CD4-niveau før sommertid undersøgelse og behandling, og antiretroviral medicin)
- Tobaksstop (Brinkman Index)
- Alkoholforbrug
- Anamnese med immunsuppressiv brug (steroid)
- Tilstedeværelse af andre sygdomme (kræft, slagtilfælde, hjerte-kar-sygdomme)
- Historie om stofmisbrug
- Anamnese med bivirkninger under tuberkulosebehandling
- Overholdelse af tidligere tuberkulosebehandling
- Tilstedeværelse af KOL
- BMI
Miljø
- Historie om kontakt med tuberkulosepatienter
- Sundt indeks for levemiljø (husholdningsmængder)
Agent
- Niveau af bakterieudstrygning før sommertid
- Forlængelse af læsion i røntgen af thorax
- Tilstedeværelse af kavitation
Sociodemografiske faktorer
- Alder
- Køn
- Uddannelse
- Indkomstniveau
- Sygesikring
- Civilstand
- Beskæftigelsesstatus
- For ufuldstændige oplysninger vil en bekræftelse til det sundhedscenter, der henviste sagerne, blive foretaget ved hjælp af Tuberkuloseregistreringen eller spørgeskemaet.
Modelbygningen vil blive udført ved hjælp af en kunstig intelligent model i R. En udvalgt model er et kunstigt neuralt netværk enten ved hjælp af radial basefunktion eller flerlagsperceptron. Flere vigtige procedurer, herunder:
- Bestem signifikant parameter
- Håndtering af utilstrækkelig og ubalanceret dataklasse (over- eller undersampling)
- Normalisering (Batch, Min-Max)
- Lag og design
- Træning og testfordeling (70:30)
- Modelvalg
- Ekstern validering vil blive foretaget til det udpegede studiecenter. Præcision: (sand positiv + sand negativ)/alle tilfælde
- Den inkrementelle omkostningseffektivitets-simulation vil blive udført, hvor den bedste model sammenlignes med guldstandarden og GeneXpert, hvilket giver en besparelse pr. effektivitetsenhed
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
524
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
East Kalimantan
-
Balikpapan, East Kalimantan, Indonesien, 76115
- Kanudjoso Djatiwibowo General Hospital
-
-
North Kalimantan
-
Tarakan, North Kalimantan, Indonesien, 77113
- Tarakan General Hospital
-
-
South Sulawesi
-
Makasar, South Sulawesi, Indonesien, 90132
- Labuang Baji General Hospital
-
Makasar, South Sulawesi, Indonesien
- Balai Besar Kesehatan Paru Masyarakat
-
Makassar, South Sulawesi, Indonesien, 76124
- Wahidin Sudirohusodo General Hospital
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Alle mistænkte/formodede lægemiddelresistente tuberkulosetilfælde, der er sendt til det udpegede studiecenter inden for de sidste 3 år
Beskrivelse
Inklusionskriterier:
- Standardsager under WHO-kriterier
- Fejlsager under WHOs kriterier
- Lægehenviste sager for formodet lægemiddelresistent TB som følger:
Med eller uden immunkompromitteret tilstand, med eller uden nogen bivirkning af anti-TB-lægemiddel, med eller uden nogen form for komorbiditet (såsom diabetes mellitus, hjertesygdom)
Ekskluderingskriterier:
- Ufuldstændig information om hurtige molekylære testresultater og kulturresultater
- Deltagere eller familie er ude af stand til/ikke villige til at give yderligere oplysninger indhentet gennem spørgeskema
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Case-Control
- Tidsperspektiver: Tilbagevirkende kraft
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Positiv rifampicin-resistent tuberkulose
Alle formodede tilfælde, der gav positiv rifampicin-resistent tuberkulose under guldstandardtesten (kultur på Lowenstein-Jensen medium)
|
GeneXpert MTB/RIF-assay er en nukleinsyreamplifikationstest (NAA), som samtidig påviser DNA fra Mycobacterium tuberculosis complex (MTBC) og resistens over for rifampin (RIF) (dvs. mutation af rpoB-genet) på mindre end to timer.
Dette system integrerer og automatiserer prøvebehandling, nukleinsyreamplifikation og påvisning af målsekvenserne.
Primerne i XpertMTB/RIF-assayet amplificerer en del af rpoB-genet, der indeholder "kerne"-regionen på 81 basepar.
Proberne er i stand til at skelne mellem den konserverede vildtypesekvens og mutationer i kerneregionen, der er forbundet med rifampicinresistens.
Outputtet af denne procedure er detekteret, uopdaget eller ubestemt.
Andre navne:
Den kunstige intelligente model er en model, der er udviklet ud fra flere associerede faktorer med maskinlæring og deep learning metode for at klassificere muligheden for lægemiddelresistent tuberkulose.
Det kunstige neurale netværk vil blive bygget ved hjælp af deep learning-software.
Andre navne:
Denne procedure bruger Löwenstein-Jensen (LJ) medium til at bestemme, om isolaterne af M. tuberculosis er modtagelige for anti-TB-midler.
Medier, der indeholder den kritiske koncentration af anti-TB-midlet, inokuleres med en fortynding af en kultursuspension (normalt en 10-2 fortynding af en MacFarland 1-suspension), og kontrolmedier uden anti-TB-midlet inokuleres med sædvanligvis en 10-4 fortynding af en MacFarland 1 suspension.
Vækst (dvs. et antal kolonier) på de middelholdige medier sammenlignes med væksten på de middelfrie kontrolmedier.
Forholdet mellem antallet af kolonier på mediet indeholdende anti-TB-midlet og antallet af kolonier (korrigeret for fortyndingsfaktoren) på mediet uden anti-TB-midlet beregnes, og andelen udtrykkes i procent.
Foreløbige resultater for modtagelige isolater kan aflæses efter 3-4 ugers inkubation; De endelige resultater kan aflæses efter 6 ugers inkubation.
Resistens kan rapporteres inden for 3-4 uger.
Andre navne:
|
|
Negativ rifampicin-resistent tuberkulose
Alle formodede tilfælde, der gav negativ rifampicin-resistent tuberkulose under guldstandardtesten (kultur på Lowenstein-Jensen medium)
|
GeneXpert MTB/RIF-assay er en nukleinsyreamplifikationstest (NAA), som samtidig påviser DNA fra Mycobacterium tuberculosis complex (MTBC) og resistens over for rifampin (RIF) (dvs. mutation af rpoB-genet) på mindre end to timer.
Dette system integrerer og automatiserer prøvebehandling, nukleinsyreamplifikation og påvisning af målsekvenserne.
Primerne i XpertMTB/RIF-assayet amplificerer en del af rpoB-genet, der indeholder "kerne"-regionen på 81 basepar.
Proberne er i stand til at skelne mellem den konserverede vildtypesekvens og mutationer i kerneregionen, der er forbundet med rifampicinresistens.
Outputtet af denne procedure er detekteret, uopdaget eller ubestemt.
Andre navne:
Den kunstige intelligente model er en model, der er udviklet ud fra flere associerede faktorer med maskinlæring og deep learning metode for at klassificere muligheden for lægemiddelresistent tuberkulose.
Det kunstige neurale netværk vil blive bygget ved hjælp af deep learning-software.
Andre navne:
Denne procedure bruger Löwenstein-Jensen (LJ) medium til at bestemme, om isolaterne af M. tuberculosis er modtagelige for anti-TB-midler.
Medier, der indeholder den kritiske koncentration af anti-TB-midlet, inokuleres med en fortynding af en kultursuspension (normalt en 10-2 fortynding af en MacFarland 1-suspension), og kontrolmedier uden anti-TB-midlet inokuleres med sædvanligvis en 10-4 fortynding af en MacFarland 1 suspension.
Vækst (dvs. et antal kolonier) på de middelholdige medier sammenlignes med væksten på de middelfrie kontrolmedier.
Forholdet mellem antallet af kolonier på mediet indeholdende anti-TB-midlet og antallet af kolonier (korrigeret for fortyndingsfaktoren) på mediet uden anti-TB-midlet beregnes, og andelen udtrykkes i procent.
Foreløbige resultater for modtagelige isolater kan aflæses efter 3-4 ugers inkubation; De endelige resultater kan aflæses efter 6 ugers inkubation.
Resistens kan rapporteres inden for 3-4 uger.
Andre navne:
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed af kunstig intelligent model i forhold til resultaterne af lægemiddelmodtagelighedstest
Tidsramme: gennem studieafslutning, i gennemsnit 1 år
|
Nøjagtigheden er antallet af korrekte tilfælde (resultaterne opnået af modellen er de samme som opnået ved dyrkning) forudsagt af modellen pr. samlede tilfælde.
|
gennem studieafslutning, i gennemsnit 1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed af hurtig molekylær lægemiddelresistent tuberkulose-test til resultater af lægemiddelmodtagelighedstest
Tidsramme: gennem studieafslutning, i gennemsnit 1 år
|
Nøjagtigheden er antallet af korrekte tilfælde (resultaterne opnået af GeneXpert MTB/RIF er de samme som opnået ved dyrkning) forudsagt af modellen pr. samlede tilfælde.
|
gennem studieafslutning, i gennemsnit 1 år
|
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk evne af kunstig intelligent model til resultater af lægemiddelfølsomhedstest
Tidsramme: gennem studieafslutning, i gennemsnit 1 år
|
Sensitivitet, specificitet, negativ forudsigelsesværdi og positiv forudsigelsesværdi af kunstig intelligent model til resultater af lægemiddelmodtagelighedstest
|
gennem studieafslutning, i gennemsnit 1 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Samarbejdspartnere
Efterforskere
- Studieleder: Sathirakorn Pongpanich, Prof, Chulalongkorn University
- Ledende efterforsker: Wandee Sirichokchatchawan, Ph.D, Chulalongkorn University
- Ledende efterforsker: Bumi Herman, MD, Hasanuddin University
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- Alipanah N, Jarlsberg L, Miller C, Linh NN, Falzon D, Jaramillo E, Nahid P. Adherence interventions and outcomes of tuberculosis treatment: A systematic review and meta-analysis of trials and observational studies. PLoS Med. 2018 Jul 3;15(7):e1002595. doi: 10.1371/journal.pmed.1002595. eCollection 2018 Jul.
- GBD Tuberculosis Collaborators. The global burden of tuberculosis: results from the Global Burden of Disease Study 2015. Lancet Infect Dis. 2018 Mar;18(3):261-284. doi: 10.1016/S1473-3099(17)30703-X. Epub 2017 Dec 7.
- Dean AS, Cox H, Zignol M. Epidemiology of Drug-Resistant Tuberculosis. Adv Exp Med Biol. 2017;1019:209-220. doi: 10.1007/978-3-319-64371-7_11.
- Kendall EA, Azman AS, Cobelens FG, Dowdy DW. MDR-TB treatment as prevention: The projected population-level impact of expanded treatment for multidrug-resistant tuberculosis. PLoS One. 2017 Mar 8;12(3):e0172748. doi: 10.1371/journal.pone.0172748. eCollection 2017.
- Dheda K, Gumbo T, Maartens G, Dooley KE, McNerney R, Murray M, Furin J, Nardell EA, London L, Lessem E, Theron G, van Helden P, Niemann S, Merker M, Dowdy D, Van Rie A, Siu GK, Pasipanodya JG, Rodrigues C, Clark TG, Sirgel FA, Esmail A, Lin HH, Atre SR, Schaaf HS, Chang KC, Lange C, Nahid P, Udwadia ZF, Horsburgh CR Jr, Churchyard GJ, Menzies D, Hesseling AC, Nuermberger E, McIlleron H, Fennelly KP, Goemaere E, Jaramillo E, Low M, Jara CM, Padayatchi N, Warren RM. The epidemiology, pathogenesis, transmission, diagnosis, and management of multidrug-resistant, extensively drug-resistant, and incurable tuberculosis. Lancet Respir Med. 2017 Mar 15:S2213-2600(17)30079-6. doi: 10.1016/S2213-2600(17)30079-6. Online ahead of print.
- Collins D, Hafidz F, Mustikawati D. The economic burden of tuberculosis in Indonesia. Int J Tuberc Lung Dis. 2017 Sep 1;21(9):1041-1048. doi: 10.5588/ijtld.16.0898.
- Falzon D, Mirzayev F, Wares F, Baena IG, Zignol M, Linh N, Weyer K, Jaramillo E, Floyd K, Raviglione M. Multidrug-resistant tuberculosis around the world: what progress has been made? Eur Respir J. 2015 Jan;45(1):150-60. doi: 10.1183/09031936.00101814. Epub 2014 Sep 26.
- Falzon D, Jaramillo E, Wares F, Zignol M, Floyd K, Raviglione MC. Universal access to care for multidrug-resistant tuberculosis: an analysis of surveillance data. Lancet Infect Dis. 2013 Aug;13(8):690-7. doi: 10.1016/S1473-3099(13)70130-0. Epub 2013 Jun 4.
- van Kampen SC, Susanto NH, Simon S, Astiti SD, Chandra R, Burhan E, Farid MN, Chittenden K, Mustikawati DE, Alisjahbana B. Effects of Introducing Xpert MTB/RIF on Diagnosis and Treatment of Drug-Resistant Tuberculosis Patients in Indonesia: A Pre-Post Intervention Study. PLoS One. 2015 Jun 15;10(6):e0123536. doi: 10.1371/journal.pone.0123536. eCollection 2015.
- Soeroto AY, Lestari BW, Santoso P, Chaidir L, Andriyoko B, Alisjahbana B, van Crevel R, Hill PC. Evaluation of Xpert MTB-RIF guided diagnosis and treatment of rifampicin-resistant tuberculosis in Indonesia: A retrospective cohort study. PLoS One. 2019 Feb 28;14(2):e0213017. doi: 10.1371/journal.pone.0213017. eCollection 2019.
- Prada-Medina CA, Fukutani KF, Pavan Kumar N, Gil-Santana L, Babu S, Lichtenstein F, West K, Sivakumar S, Menon PA, Viswanathan V, Andrade BB, Nakaya HI, Kornfeld H. Systems Immunology of Diabetes-Tuberculosis Comorbidity Reveals Signatures of Disease Complications. Sci Rep. 2017 May 17;7(1):1999. doi: 10.1038/s41598-017-01767-4.
- Pradipta IS, Forsman LD, Bruchfeld J, Hak E, Alffenaar JW. Risk factors of multidrug-resistant tuberculosis: A global systematic review and meta-analysis. J Infect. 2018 Dec;77(6):469-478. doi: 10.1016/j.jinf.2018.10.004. Epub 2018 Oct 16.
- Wang MG, Huang WW, Wang Y, Zhang YX, Zhang MM, Wu SQ, Sandford AJ, He JQ. Association between tobacco smoking and drug-resistant tuberculosis. Infect Drug Resist. 2018 Jun 12;11:873-887. doi: 10.2147/IDR.S164596. eCollection 2018.
- Tegegne BS, Mengesha MM, Teferra AA, Awoke MA, Habtewold TD. Association between diabetes mellitus and multi-drug-resistant tuberculosis: evidence from a systematic review and meta-analysis. Syst Rev. 2018 Oct 15;7(1):161. doi: 10.1186/s13643-018-0828-0.
- Darsey JA, Griffin WO, Joginipelli S, Melapu VK. Architecture and biological applications of artificial neural networks: a tuberculosis perspective. Methods Mol Biol. 2015;1260:269-83. doi: 10.1007/978-1-4939-2239-0_17.
- Souza Filho JBOE, Sanchez M, Seixas JM, Maidantchik C, Galliez R, Moreira ADSR, da Costa PA, Oliveira MM, Harries AD, Kritski AL. Screening for active pulmonary tuberculosis: Development and applicability of artificial neural network models. Tuberculosis (Edinb). 2018 Jul;111:94-101. doi: 10.1016/j.tube.2018.05.012. Epub 2018 May 19.
- Dande P, Samant P. Acquaintance to Artificial Neural Networks and use of artificial intelligence as a diagnostic tool for tuberculosis: A review. Tuberculosis (Edinb). 2018 Jan;108:1-9. doi: 10.1016/j.tube.2017.09.006. Epub 2017 Sep 20.
- de O Souza Filho JB, de Seixas JM, Galliez R, de Braganca Pereira B, de Q Mello FC, Dos Santos AM, Kritski AL. A screening system for smear-negative pulmonary tuberculosis using artificial neural networks. Int J Infect Dis. 2016 Aug;49:33-9. doi: 10.1016/j.ijid.2016.05.019. Epub 2016 May 24.
- Herman B, Sirichokchatchawan W, Pongpanich S, Nantasenamat C. Development and performance of CUHAS-ROBUST application for pulmonary rifampicin-resistance tuberculosis screening in Indonesia. PLoS One. 2021 Mar 25;16(3):e0249243. doi: 10.1371/journal.pone.0249243. eCollection 2021.
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
15. juni 2020
Primær færdiggørelse (Faktiske)
30. september 2020
Studieafslutning (Faktiske)
2. oktober 2020
Datoer for studieregistrering
Først indsendt
6. december 2019
Først indsendt, der opfyldte QC-kriterier
19. december 2019
Først opslået (Faktiske)
23. december 2019
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
27. oktober 2020
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
26. oktober 2020
Sidst verificeret
1. oktober 2020
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 0111190912
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Uafklaret
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
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 .