Computertomografi til COVID-19-diagnose (STOIC)

Udbredelsen af den nye coronavirus SARS-CoV-2, som oprindeligt havde sit epicenter i Kina og er ansvarlig for COVID-19-lungebetændelse, har nu spredt sig til Frankrig med 7730 bekræftede tilfælde og 175 dødsfald pr. 17. marts. Diagnosen baserer sig på påvisning af viral RNA ved omvendt transskription polymerasekædereaktion (RT-PCR), men dens positivitet kan være forsinket. En serie baseret på 1014 kinesiske patienter rapporterede højere følsomhed for CT-scanning med et gennemsnitligt tidsinterval mellem de indledende negative og positive RT-PCR-resultater på 5,1 ± 1,5 dage (PMID: 32101510). Desuden kræver det flere timer at opnå RT-PCR-resultater, hvilket er problematisk for patienttriage.

Bryst-CT-scanning kan muliggøre tidlig afbildning af COVID-19, især når den udføres mere end 3 dage efter symptomdebut. Det er vigtigt at skelne mellem COVID-19 og bakterielle årsager til lungeinfektion, hvilket kræver ekspertise i thorakal billeddiagnostik. Derfor er det vigtigt at identificere pålidelige CT-diagnostiske kriterier baseret på visuel vurdering samt at udvikle deep learning-baserede løsninger til tidlig positiv diagnose, som kan bruges af mindre erfarne læsere i en kontekst med stor epidemi.

Flere risikofaktorer for dårligt udfald er allerede identificeret, såsom høj alder, komorbiditeter eller et forhøjet d-dimer-niveau ved indlæggelse (PMID: 32171076). Omfattende CT-abnormaliteter er forbundet med dårligt udfald, men nogle patienter forværres sekundært trods ikke-omfattende abnormaliteter ved første vurdering, hvilket understreger behovet for forværringsprædiktion baseret på indledende billeddiagnostiske fund. Endelig er der i øjeblikket ingen medicin med dokumenteret effektivitet for patienter med akut respiratorisk distress-syndrom, hvis behandling afhænger af mekanisk ventilation og støttende behandling. Nogle har formodet, at Remdesivir, en antiviral terapi, kunne være effektiv (PMID: 32147516), med igangværende randomiserede forsøg udført i Kina og USA. Automatiserede værktøjer, der muliggør kvantificering af sygdomsomfanget på CT, ville være ønskværdige for at evaluere effektiviteten af nye behandlinger.

Oprettelse af et stort datasæt af CT-billeder er nødvendigt for at identificere præcise CT-kriterier og udvikle deep learning-baserede løsninger til diagnose, kvantificering og prognostisk estimering.

Formålet med dette projekt er tredelt: (i) at skabe et multicentrisk åbent databasearkiv for CT-scanninger relateret til COVID-19, (ii) at skabe en multiekspertannotationsprotokol med forskellige annotationsniveauer, der beskriver sygdommens sværhedsgrad, (iii) at muliggøre udvikling af ikke-patentbeskyttede computerassisterede løsninger (akademi og industri) til automatisk kvantificering af sygdommene og prognose gennem brug af de seneste fremskridt inden for kunstig intelligens.

For patienter vil valideringen af pålidelige diagnostiske kriterier muliggøre tidlig opdagelse af sygdommen og bedre adskillelse fra andre potentielle årsager til akutte respiratoriske symptomer, der kræver specifik behandling, såsom bakteriell bronkopneumoni. Det vil bidrage til en standardisering af behandlingen samt lige adgang til diagnose og behandling for hele befolkningen.

Fordelen for folkesundheden vil være adgang til CT-diagnose af COVID-19 uafhængigt af tilgængeligheden af lokal ekspertise i thorakal billeddiagnostik. Muligheden for at forudse behovet for ventilation baseret på de udviklede CT-sværhedsgradsscoringssystemer vil også positivt påvirke patienthåndteringen, især i en situation med et massivt patienttilstrømning som forventet ved epidemiens højdepunkt. Dette projekt vil muliggøre evaluering af andelen af patienter, der sandsynligvis vil opleve respiratoriske følgetilstande, baseret på sværhedsgraden og omfanget af lungeabnormaliteter i sygdommens akutte fase.

Tilgængeligheden af automatiske kvantificeringsværktøjer vil hjælpe med at evaluere behandlingseffektiviteten, hvis nye terapeutiske tilgange udvikles.

Endelig kan de udviklede værktøjer til tidlig diagnose, sværhedsgradsvurdering og udfaldsprædiktion vise sig nyttige, hvis andre virale pandemier opstår i fremtiden. Faktisk er SARS-Cov2-udbruddet blevet forudgået af SARS- og MERS-udbrud forårsaget af andre coronavirus.