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

Identifikation af CT-biomarkører ved kunstig intelligens til COVID-19-prognose (COVID 19-IA)

6. august 2021 opdateret af: Centre Hospitalier Universitaire de Nīmes

Identifikation af thorax CT-scanningsbiomarkører ved Deep Learning til evaluering af prognosen for patienter med COVID-19 sygdom

Studiens hypotese er, at lavdosis computertomografi (LDCT) kombineret med kunstig intelligens ved dyb læring ville generere billeddannende biomarkører knyttet til patientens kort- og mellemsigtede prognose.

Formålet med denne undersøgelse er hurtigt at gøre et tidligt beslutningstagningsværktøj tilgængeligt (fra den første hospitalskonsultation af patienten med symptomer relateret til SARS-CoV-2) baseret på integrationen af ​​flere biomarkører (klinisk, biologisk, billeddiagnostik ved thorax). scanner), hvilket giver mulighed for både personlig medicin og bedre foregribelse af patientens udvikling med hensyn til plejeorganisering.

Studieoversigt

Status

Aktiv, ikke rekrutterende

Betingelser

Intervention / Behandling

Undersøgelsestype

Observationel

Tilmelding (Forventet)

1000

Kontakter og lokationer

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

Studiesteder

  • Frankrig
      • Marseille, Frankrig
        • CHU La Timone
      • Montpellier, Frankrig
        • CHU Montpellier
      • Nîmes, Frankrig
        • CHU de Nimes
      • Poitiers, Frankrig
        • CHU Poitiers
      • Strasbourg, Frankrig
        • CHU Strasbourg
  • Martinique
      • Fort-de-France, Martinique
        • CHU Martinique

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

Patienter indlagt for Covid-19 bekræftet ved RT-PCR og gennemgår CT-scanning

Beskrivelse

Inklusionskriterier:

  • Patienter positive for SARS-CoV-2 ifølge RT-PCR-test mellem 1. marts og 31. maj 2020
  • Patienter, der gennemgår lavdosis-CT-scanning for at fastslå Covid-19-lungeskade
  • Tilgængelig i mindst 8 dages opfølgning

Ekskluderingskriterier:

• Patienter, der modsætter sig retrospektiv brug af deres data

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
Patienter positive for SARS-CoV-2
Diagnostisk test: Billedbehandling med thoraxscanner
Lavdosis computertomografi

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Vital status
Tidsramme: Dag 8
Død/levende
Dag 8
Patient, der kræver mere end 3 liter ilt for at opretholde en mætning >95 % (intensiv afdeling eller genoplivningsafdeling)
Tidsramme: Dag 8
Ja Nej
Dag 8
Procentdel af lunge påvirket på CT
Tidsramme: Dag 0
% malet glas og kondens beregnet ved deep learning
Dag 0
Procentdel af lunge, der er påvirket af uigennemsigtighed i slebet glas ved scanning
Tidsramme: Dag 0
% beregnet ved dyb læring
Dag 0
Procentdel af lunge påvirket af kondens ved scanning
Tidsramme: Dag 0
% beregnet ved dyb læring
Dag 0

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Vital status
Tidsramme: Dag 16
Død/levende
Dag 16
Vital status
Tidsramme: Dag 30
Død/levende
Dag 30
Indlæggelsens længde
Tidsramme: Højst 30 dage
Dage
Højst 30 dage
genindlæggelse
Tidsramme: Dag 30
Ja Nej
Dag 30
Varighed af intubation
Tidsramme: Dag 30
Dage
Dag 30
Procentdel af lunge påvirket på CT
Tidsramme: Dag 16
% malet glas og kondens beregnet ved deep learning
Dag 16
Procentdel af lunge, der er påvirket af uigennemsigtighed i slebet glas ved scanning
Tidsramme: Dag 16
% beregnet ved dyb læring
Dag 16
Procentdel af lunge påvirket af kondens ved scanning
Tidsramme: Dag 16
% beregnet ved dyb læring
Dag 16
Software driftstid
Tidsramme: Slut på studiet (august 2020)
Hastighed for billedindlæsning og billedbehandling afhængig af scannermærke
Slut på studiet (august 2020)
C-reaktive proteinniveauer
Tidsramme: Adgangsdag 0
mg/L
Adgangsdag 0
lactat dehydrogenase
Tidsramme: Adgangsdag 0
U/L
Adgangsdag 0
lymfocytæmi
Tidsramme: Adgangsdag 0
g/L
Adgangsdag 0
D Dimers niveau
Tidsramme: Adgangsdag 0
µg/L
Adgangsdag 0
Tid indtil symptomerne begynder
Tidsramme: Adgangsdag 0
Dage
Adgangsdag 0
Tid mellem RT-PCR positive resultater og første scanning
Tidsramme: Adgangsdag 0
Timer
Adgangsdag 0
Alder
Tidsramme: Adgangsdag 0
Flere år
Adgangsdag 0
BMI > 30
Tidsramme: Adgangsdag 0
Ja Nej:
Adgangsdag 0
Sygehistorie med hjerte-kar-sygdomme
Tidsramme: Adgangsdag 0
Ja/nej: hypertension, koronararteriesygdom, kongestiv hjertesvigt, hjertearytmi
Adgangsdag 0
Diabetes
Tidsramme: Adgangsdag 0
Ja Nej
Adgangsdag 0
Sygehistorie med luftvejssygdomme
Tidsramme: Adgangsdag 0
Ja/nej: Kronisk obstruktiv lungesygdom, kronisk respirationssvigt
Adgangsdag 0
Sygehistorie med immunsupprimeret tilstand
Tidsramme: Adgangsdag 0
Ja/nej: steroidbrug, allerede eksisterende immunologisk tilstand, aktuel kemoterapi mod cancer
Adgangsdag 0
Nuværende eller tidligere rygehistorie
Tidsramme: Adgangsdag 0
Ja Nej:
Adgangsdag 0
Beregn en prognostisk score ud fra kliniske, biologiske og CT-parametre
Tidsramme: Dag 8
Dyb læringsalgoritme
Dag 8
Beregn kun en prognostisk score ud fra kliniske og biologiske parametre
Tidsramme: Dag 8
Dyb læringsalgoritme
Dag 8
Sammenlign modtagerdriftskurver for prognostiske scores med og uden CT-parametre
Tidsramme: Dag 8
Dag 8

Samarbejdspartnere og efterforskere

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

Sponsor

Centre Hospitalier Universitaire de Nīmes

Efterforskere

  • Ledende efterforsker: Julien Frandon, Chu Nimes

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)

1. marts 2020

Primær færdiggørelse (Forventet)

1. september 2021

Studieafslutning (Forventet)

1. september 2021

Datoer for studieregistrering

Først indsendt

4. juni 2020

Først indsendt, der opfyldte QC-kriterier

4. juni 2020

Først opslået (Faktiske)

5. juni 2020

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

9. august 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

6. august 2021

Sidst verificeret

1. august 2021

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • NIMAO/2020/COVID 19-IA/JF-01

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

Kliniske forsøg med Billedbehandling med thoraxscanner

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Belarus

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

3
Abonner