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

Klinisk og radiomisk model for COVID-19

6. april 2020 opdateret af: Maastricht University

En klinisk og radiologisk model til at forudsige prognosen for COVID-19-patienter

At udvikle og validere en maskinlæringsmodel baseret på kliniske, laboratorie- og radiologiske karakteristika alene eller kombination af COVID-19-patienter for at lette risikovurdering før og efter symptomer og triage (hjem, hospitalsindlæggelse eller intensivafdeling).

Studieoversigt

Status

Afsluttet

Betingelser

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

Observationel

Tilmelding (Faktiske)

300

Kontakter og lokationer

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

Studiesteder

  • Kina
    • Hubei
      • Wuhan, Hubei, Kina
        • The Central Hospital of Wuhan

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

COVID-19 patienter

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:

  1. patienter med alvorlig sygdom ved indlæggelse;
  2. tidsinterval > 2 dage mellem optagelse og eksamen;
  3. manglende data eller forsinkede resultater

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
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.
Diagnostisk test: Machine learning model
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.
Diagnostisk test: Machine learning model
Maskinlæring, såsom logistisk regression, tilfældig skov og dyb læring

Hvad måler undersøgelsen?

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

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

Sponsor

Maastricht University

Samarbejdspartnere

Wuhan Central Hospital

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)

23. december 2019

Primær færdiggørelse (Faktiske)

20. januar 2020

Studieafslutning (Faktiske)

3. marts 2020

Datoer for studieregistrering

Først indsendt

6. april 2020

Først indsendt, der opfyldte QC-kriterier

6. april 2020

Først opslået (Faktiske)

7. april 2020

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

7. april 2020

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

6. april 2020

Sidst verificeret

1. marts 2020

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • UM_2020_GY_COVID-19

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

Ingen aktieplan

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 Coronavirus

Kliniske forsøg med Machine learning model

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Spain

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner