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

Kunstig intelligens-assisteret diagnose og prognose i COVID-19 ved hjælp af elektrokardiogrammer (AI-COV-19)

24. august 2021 opdateret af: Imperial College London

Kunstig intelligens-assisteret diagnose og prognose i COVID-19 ved hjælp af elektrokardiogrammer og billeddannelse

Coronavirus Disease 2019 (COVID-19) har været udbredt over hele verden siden december 2019. Det er meget smitsomt, og alvorlige tilfælde kan føre til akut åndedrætsbesvær eller multipel organsvigt. Den 11. marts 2020 vurderede WHO, at COVID-19 kan karakteriseres som en pandemi. Med udviklingen af ​​maskinlæring har deep learning-baseret kunstig intelligens (AI) teknologi vist enorm succes inden for medicinsk dataanalyse på grund af dens kapacitet til at udtrække rige funktioner fra billeddannelse og komplekse kliniske datasæt. I denne undersøgelse sigter vi mod at bruge kliniske data indsamlet som en del af rutinemæssig klinisk pleje (hjertesporinger, røntgenbilleder og CT-scanninger) til at træne kunstig intelligens og maskinlæringsalgoritmer for præcist at forudsige sygdomsforløbet hos patienter med Covid-19 infektion ved hjælp af disse datasæt.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Coronavirus Disease 2019 (COVID-19) har været udbredt over hele verden siden december 2019. Det er meget smitsomt, og alvorlige tilfælde kan føre til akut åndedrætsbesvær eller multipel organsvigt og i sidste ende død. Sygdommen kan bekræftes ved at bruge revers-transkription polymerase kædereaktion (RT-PCR) test. EKG'er, røntgenbilleder af thorax og CT-scanninger er rige kilder til data, der giver indsigt i sygdom, som ellers ikke ville være tilgængelig.

At vide, hvem der skal indlægges på hospitalet eller intensivafdelingen, redder liv, da det hjælper med at afbøde ressourcemangel. Nye værktøjer til kunstig intelligens såsom Deep learning vil muliggøre en kompleks vurdering af billeddannelsen og kliniske data, der potentielt kan hjælpe klinikere med at stille en hurtigere og mere præcis diagnose, bedre triage patienter og vurdere behandlingsrespons og i sidste ende bedre forudsigelse af resultatet. Vores gruppe har betydelig erfaring med at implementere maskinlæringsalgoritmer på enorme mængder af EKG'er, såsom fra den britiske biobank, og foreslår at udvide vores teknikker til data fra patienter med Covid-19.

Dette er et retrospektivt datastudie om patienter med mistænkelig og bekræftet COVID-19.

Undersøgelsen sigter mod at rekruttere op til 2000 patienter, som vil blive henvist til at få EKG, røntgen af ​​thorax eller CT-scanninger hos Chelsea og Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust og London North West London University Healthcare NHS Trust.

For at blive inkluderet i denne undersøgelse skal patienten:

  • har EKG'er, røntgen af ​​thorax og/eller CT-scanning af thorax (med eller uden kontrast)
  • laboratorie-Covid-19-virusnukleinsyretest (RTPCR-assay med svælgprøver) eller klinisk mistanke om Covid19-infektion
  • være i alderen >18 år Patienter med suboptimale EKG'er, røntgenbilleder af thorax og CT-undersøgelser på grund af artefakter vil blive udelukket. Patienter vil også blive udelukket, hvis tidsintervallet mellem EKG'er, CT-thorax og RT-PCR-analysen var længere end 7 dage.

Denne undersøgelse modtog HRA og Health and Care Research Wales (HCRW) godkendelse den 18. maj 2020 efter gennemgang af forskningsetisk komité på et møde afholdt den 13. maj 2020 (protokolnummer: 20HH5967; REC-reference: 20/HRA/2467).

Undersøgelsestype

Observationel

Tilmelding (Forventet)

2000

Kontakter og lokationer

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

Studiesteder

      • London, Det Forenede Kongerige, HA1 3UJ
        • Rekruttering
        • London North West University Healthcare NHS Trust
        • Kontakt:
      • London, Det Forenede Kongerige, TW7 6AF
      • London, Det Forenede Kongerige, W12 0NN
        • Aktiv, ikke rekrutterende
        • Imperial College London (Hammersmith campus)
      • London, Det Forenede Kongerige, W2 1NY

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

16 år og ældre (Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Dette er et retrospektivt datastudie om patienter med mistænkelig og bekræftet COVID-19.

Undersøgelsen sigter mod at rekruttere op til 2000 patienter, som vil blive henvist til at få EKG, røntgen af ​​thorax eller CT-scanninger hos Chelsea og Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust og London North West London University Healthcare NHS Trust.

Beskrivelse

Inklusionskriterier:

  • har EKG'er, røntgen af ​​thorax og/eller CT-scanning af thorax (med eller uden kontrast)
  • positiv laboratorie-Covid-19-virusnukleinsyretest (RTPCR-assay med svælgprøver) eller klinisk mistanke om Covid-19-infektion
  • være i alderen >18 år

Ekskluderingskriterier:

  • Suboptimale EKG'er, røntgenbilleder af thorax eller CT-undersøgelser til dyb indlæringsmetoder på grund af artefakter, herunder alvorlige
  • bevægelsesartefakter, der forårsager sløring af konturerne af eller væsentlige artefakter på grund af metallisk protese, som forårsager billedforringelse
  • Tidsintervallet mellem EKG'er, CT-thorax og RT-PCR-analysen var længere end 7 dage

Studieplan

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

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Observationsmodeller: Kohorte
  • Tidsperspektiver: Tilbagevirkende kraft

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Nøjagtighed af maskinlæring for at kunne forudsige resultatet af coronavirus (COVID-19) infektion
Tidsramme: Ved afslutningen af ​​dataanalyser, cirka 1 år
Nøjagtighed, med hvilken computerbaseret analyse (machine learning) kan diagnosticere og/eller prognosticere Covid-19 Antal deltagere med COVID19, der døde eller overlevede efter hospitalsindlæggelse
Ved afslutningen af ​​dataanalyser, cirka 1 år
Nøjagtighed af maskinlæring for at kunne forudsige prognose for coronavirus (COVID-19) infektion
Tidsramme: Ved afslutningen af ​​dataanalyser, cirka 1 år
Antal deltagere, der krævede invasiv vs ikke-invasiv ventilation vs afdelingsbaseret pleje vs døde
Ved afslutningen af ​​dataanalyser, cirka 1 år

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Nøjagtighed af maskinlæring for at kunne forudsige hjerteinvolvering af coronavirus (COVID-19) infektion
Tidsramme: Ved afslutningen af ​​dataanalyser, cirka 1 år
Antal deltagere, der havde COVID19-relaterede hjerteproblemer.
Ved afslutningen af ​​dataanalyser, cirka 1 år
Nøjagtighed af maskinlæring vs menneskelig vurdering for at diagnosticere infektion med coronavirus (COVID-19).
Tidsramme: Ved afslutningen af ​​dataanalyser, cirka 1 år
Antal deltagere, der kan identificeres som havende COVID19 ved hjælp af maskinlæring vs. menneskelig eller anden klinisk test eller vurdering
Ved afslutningen af ​​dataanalyser, cirka 1 år

Samarbejdspartnere og efterforskere

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

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)

26. maj 2020

Primær færdiggørelse (Forventet)

1. maj 2022

Studieafslutning (Forventet)

1. maj 2022

Datoer for studieregistrering

Først indsendt

7. august 2020

Først indsendt, der opfyldte QC-kriterier

11. august 2020

Først opslået (Faktiske)

12. august 2020

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

30. august 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

24. august 2021

Sidst verificeret

1. august 2021

Mere information

Begreber relateret til denne undersøgelse

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

Ja

IPD-planbeskrivelse

Dette er en undersøgelse, der anvender retrospektive, pseudo-anonymiserede data, der blev erhvervet som en del af rutinemæssig klinisk behandling af patienterne. Der er ingen direkte risici for patienternes helbred. De vigtigste spørgsmål drejer sig om datasikkerhed og opbevaring. For at løse dette vil medlemmer af det direkte plejeteam, som ikke er medlemmer af forskerteamet, udføre pseudo-anonymiseringen af ​​dataene og videregive et sæt pseudo-anonymiserede data til forskerholdet uden adgang til pseudo-anonymiseringen kode. Forskerholdet vil derfor ikke være i stand til at identificere patienterne ud fra disse data. De pseudo-anonymiserede data vil også blive opbevaret sikkert for yderligere at minimere risici.

IPD-delingstidsramme

inden for studietiden

IPD-delingsadgangskriterier

Forskere af undersøgelsen

IPD-deling Understøttende informationstype

  • Studieprotokol
  • Statistisk analyseplan (SAP)

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 Ingen indgriben

3
Abonner