Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Kunstig intelligens algoritmer til at skelne mellem COVID-19 og influenza lungebetændelse ved hjælp af røntgenbilleder (AI-COVID-Xr)

23. april 2020 opdateret af: Professor Adrian Covic

Fordelene ved kunstig intelligens algoritmer (CNN'er) til at skelne mellem COVID-19 og influenza lungebetændelse i en akutafdeling ved hjælp af røntgenundersøgelser

Dette projekt har til formål at bruge kunstig intelligens (billeddiskriminering) algoritmer, specifikt konvolutionelle neurale netværk (CNN'er) til scanning af røntgenbilleder af thorax i akutmodtagelsen (triage) hos patienter med formodede luftvejssymptomer (feber, hoste, myalgi) på coronavirusinfektion COVID 19. Målet er at skabe og validere en softwareløsning, der på baggrund af røntgenbilledet af thorax skelner mellem Covid-19 pneumonitis og influenza

Studieoversigt

Status

Ukendt

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Dette projekt har til formål at bruge kunstig intelligens (billeddiskrimination) algoritmer;

  • specifikt konvolutionelle neurale netværk (CNN'er) til scanning af røntgenbilleder af thorax i akutmodtagelsen (triage) hos patienter med formodede luftvejssymptomer (feber, hoste, myalgi) på coronavirusinfektion COVID 19;
  • målet er at skabe og validere en softwareløsning, der på baggrund af røntgenbilledet af thorax skelner mellem Covid-19 pneumonitis og influenza;
  • denne software vil blive trænet ved at introducere røntgenstråler fra patienter med/uden COVID-19 pneumonitis og/eller influenza pneumonitis;
  • den samme AI-algoritme vil køre på fremtidige røntgenscanninger for at forudsige mulig COVID-19 lungebetændelse

Undersøgelsestype

Observationel

Tilmelding (Forventet)

200

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

  • Det Forenede Kongerige
      • London, Det Forenede Kongerige
        • Rekruttering
        • Department of Cardiology at Chelsea and Westminster NHS hospital
        • Kontakt:
          • Emmanuel Ako, MD, PhD
          • Telefonnummer: +447932970131
          • E-mail: e.ako@ucl.ac.uk
        • Ledende efterforsker:
          • Emmanuel Ako, MD, PhD
  • Italien
      • Cremona, Italien, 26100
        • Rekruttering
        • U.O. Multidisciplinare di Patologia Mammaria e Ricerca Traslazionale; Dipartimento Universitario Clinico di Scienze Mediche, Chirurgiche e della Salute Università degli Studi di Trieste
        • Kontakt:
        • Ledende efterforsker:
          • Daniele Generali, MD, PhD
  • Rumænien
      • Iaşi, Rumænien, 700503
        • Rekruttering
        • University of Medicine and Pharmacy Gr T Popa
        • Kontakt:
        • Ledende efterforsker:
          • Alexandru Burlacu, MD, PhD

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

Sandsynlighedsprøve

Studiebefolkning

Alle patienter med influenzasymptomer, der ankommer til skadestuen med hoste, feber, myalgi - som er mistænkt for COVID-19 infektion

Beskrivelse

Inklusionskriterier:

  • influenzalignende symptomer: myalgi, hoste, feber, opspyt
  • Røntgen af ​​thorax
  • COVID-19 biologiske test

Ekskluderingskriterier:

  • patientens afslag
  • usikre røntgenbilleder
  • usikre testresultater

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Symptomatiske patienter
Vores mål er at identificere en kunstig intelligens algoritme, der kan køres på lungerøntgenbilleder hos patienter med influenza/luftvejsvirussymptomer, der kommer til skadestuen/triage. Denne algoritme har til formål at identificere røntgenbilleder af patienter med COVID-19 og patienter med influenza pneumonitis, med nøjagtighed verificeret af COVID-19 test.
Diagnostisk test: Scanning af røntgenbilleder af thorax og udførelse af AI-algoritmer på billeder
Røntgenbilleder af brystet; AI CNN'er; Resultater

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
COVID-19 positive røntgenbilleder
Tidsramme: 6 måneder
Antal deltagere med lungebetændelse på røntgen af ​​thorax og COVID 19 positive
6 måneder
COVID-19 negative røntgenstråler
Tidsramme: 6 måneder
Antal deltagere med lungebetændelse på røntgen af ​​thorax og COVID 19 negativ
6 måneder

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Professor Adrian Covic

Samarbejdspartnere

Falcon Trading Iasi
Romanian Academy of Medical Sciences

Efterforskere

  • Ledende efterforsker: Alexandru Burlacu, Lecturer, University of Medicine and Pharmacy Gr T Popa - Iasi
  • Ledende efterforsker: Radu Dabija, Lecturer, University of Medicine and Pharmacy Gr T Popa - Iasi

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)

18. marts 2020

Primær færdiggørelse (Forventet)

16. august 2020

Studieafslutning (Forventet)

18. august 2020

Datoer for studieregistrering

Først indsendt

17. marts 2020

Først indsendt, der opfyldte QC-kriterier

17. marts 2020

Først opslået (Faktiske)

18. marts 2020

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

27. april 2020

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

23. april 2020

Sidst verificeret

1. april 2020

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 0110

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

JA

IPD-planbeskrivelse

Ja, vi deler gerne algoritmekoden og resultaterne med enhver interesseret videnskabsmand (uden økonomiske interesser)

IPD-deling Understøttende informationstype

  • STUDY_PROTOCOL
  • ICF
  • ANALYTIC_CODE

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 .

Kliniske forsøg med COVID-19

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in South Africa

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner