Forudsigelsesmodeller for diagnose og prognose af svær COVID-19

1. Forskningsformål

   Forskerholdet indsamlede den kliniske og bryst-CT af 1.000 COVID-19 patienter fra flere hospitaler. Vi planlægger at bruge disse data til at udforske billeddannelsesfunktionerne ved COVID-19 og udvikle en praktisk, brugervenlig, yderst pålidelig billeddannende AI-model til at detektere og forudsige den alvorlige COVID-19. Modellen bruges til billeddiagnostisk evaluering af COVID-19-patienter for at opnå formålet med tidlig diagnose, rimelig behandling af patienter og forudsigelse af svær COVID-19.

2. Forskningsdesign og metoder:

Denne undersøgelse er en retrospektiv undersøgelse. Projektets forskningsperiode har 6 måneder. Starttidspunkt: datoen for etisk godkendelse.

Sluttidspunkt: 20. august 2020.

2.1 Etabler en AI-model til påvisning af COVID-19 bryst-CT-læsioner Baseret på eksisterende modeller og data, hurtig påvisning af læsioner på bryst-højopløselige CT-billeder (HRCT) af COVID-19, identifikation af læsionernes karakter inkl. læsionernes volumen.

2.1.1 Forskningsdata COVID-19-gruppe: 1.000 tilfælde af COVID-19-patienter, der blev testet positive for nukleinsyre af SARS-CoV-2 på mere end ti udpegede hospitaler i og uden for Zhejiang-provinsen. alle gennemgik bryst-HRCT-undersøgelse og relativt fuldstændige kliniske og laboratoriedata.

Kontrolgruppe: patienter med anden viral og bakteriel lungebetændelse. En samling af 1000 patienter med andre typer lungebetændelse i flere centre, alle gennemgik bryst HRCT undersøgelse og relativt komplette kliniske data.

2.1.2 Forskningsmetoder

1. Læsionsdetektion, segmentering og kvantificering. Baseret på den kunstige intelligens-analysefunktion udviklet af Yitu Technology, analyseres patientens bryst-CT-billeddata, herunder: a. Påvisning af lungelæsioner; b. Kvantitativ og radiomisk analyse af centrale billeddannende funktioner såsom formen, omfanget og tætheden af ​​læsionerne, og nøjagtig beregning af sygdommens kumulative lungebetændelsesbyrde; c. For fokale læsioner, diffuse læsioner, kvantitativ analyse af sværhedsgraden af ​​forskellige lungebetændelsessygdomme, der involverer hele lungen.
2. Baseret på de ovennævnte læsionssegmenteringsdetektionsresultater, analyser de karakteristiske manifestationer af COVID-19. Observer forskellene i antallet, formen, rækkevidden, tætheden og radiomikrokarakteristika for lungelæsioner hos patienter med COVID-19 og anden lungebetændelse, og kvantificer deres unikke lungekarakteristika. Sammenligne og analysere sammenhængen mellem lungekarakteristika og kliniske symptomer og vejledende klassifikationskarakteristika, og klarlægge værdien af ​​kvantitative matematiske karakteristika i hjælpediagnoseklassifikation.

2.2 Etabler en AI-model til forudsigelse af alvorlig COVID-19 Etabler en pålidelig AI-model til forudsigelse af svær COVID-19 gennem CT-scanningsdata for patienten, grundlæggende patientinformation, epidemiologisk historie, kliniske symptomer og underliggende sygdomme. Det er planen at etablere et alvorligt COVID-19 risikovurderingssystem, der ikke kun kan hjælpe læger med den kritiske vurdering af patienter på hospitalet, men også advare om den alvorlige risiko for patienter i hjemmeisolation. Systemet vil omfatte enkle og præcise modeller. Førstnævnte bruger kun patientbilleder, grundlæggende demografiske karakteristika, symptomer og anden let at indsamle information. Denne model kan bruges i Wuhan City, der har grundlæggende data for milde tilfælde, men har ingen behandlingsbetingelser. Tillad dem at blive isoleret i hjemmet eller andre patienter uden medicinske ressourcer, og tidlig advarsel om risikoen for alvorlig transformation i hospitalssystemet til foreløbig testning, for at lette efterfølgende patientbehandling og behandling. Den komplekse model vil inkorporere mere kompleks og detaljeret information, såsom flere billeder af patienter og blodprøvedata, for at etablere en mere præcis prædiktiv model, som kan bruges til at give reference til diagnose og behandlingsstrategier for patienter på hospitalet, og kan forårsage flere COVID-19-faktorer relateret til lungebetændelse.

2.2.1 Forskningsobjekt 1.000 patienter med milde tilfælde af ny coronavirus-lungebetændelse blev diagnosticeret og blev opdelt i alvorlig gruppe og ikke-alvorlig gruppe baseret på efterfølgende kliniske resultater.

Definition af mild sygdom: Patienten udviste kun symptomer som feber og luftveje generelt, og der opstod ingen alvorlige symptomer under besøget og opfølgningen.

Definition af alvorlig sygdom: Patienter, der har en af ​​følgende tilstande under behandlingen: 1. Åndedrætsbesvær, RR≥30 slag/min; 2. I hviletilstand, middel iltmætning≤93%; 3. Arterielt oxygenpartialtryk (PaO2)/Inhalationsiltkoncentration (FiO2) ≤300mmHg (1mmHg=0,133kPa); 4. Der opstår respirationssvigt, og mekanisk ventilation er påkrævet; 5. Der opstår stød; 6. ICU overvågning og behandling er påkrævet for kombineret andet organsvigt.

2.2.2 Forskningsmetoder Denne undersøgelse anvender kunstig intelligens-teknologi til at forudsige sværhedsgraden af ​​patienter med mild sygdom. De data, der kræves til dets modellering, kommer fra flere kilder: (1) Brug radiomiksanalyseteknologi til at udtrække CT-billedet af patienten, inklusive bryst-CT-værdien, formen og størrelsen af ​​læsionen højdimensionelle billeddannende radiomikromatiske funktioner såsom tekstur og wavelet-funktioner for at få mere nøjagtige og omfattende billeddataoplysninger. Yitus eksisterende billedbehandlings-raidomics-funktionsekstraktionsværktøj kan udtrække op til 5.900 CT-billedfunktioner for at gøre lungetilstand mere nøjagtig vurdering og forudsigelse. Det bliver muligt; (2) Indsamling af information om den subjektive vurdering af CT-billedtegn foretaget af billeddiagnostiske læger, såvel som multidimensionel information såsom grundlæggende patientinformation, sygdomshistorie, laboratorietestresultater og kliniske symptomer; (3) Baseret på den udviklede bryst CT billedanalyse Funktion til at udtrække kvantitative parametre såsom lungebetændelse belastningsindeks, patch semi-kvantitativ information og så videre ved hjælp af deep learning teknologi.

Det samlede indsamlede datasæt er opdelt i træningssæt og internt verifikationssæt. For det første analyseres informationen ved hjælp af traditionel medicin og multi-dimensionel AI-algoritme, analyserer omfattende og kvantitativt, om datakolonnen er inkluderet i forudsigelsesmodellen og vægten i modellen, og se efter stærkt relaterede faktorer. Prøv at bruge maskinlæring, deep learning og andre AI-algoritmer til at etablere en risikoforudsigelsesmodel for svær COVID-19. Og resultaterne viser sandsynligheden for patientens sværhedsgrad og klassificerer risikoen for patientens sværhedsgrad. Evaluer modellens evne til at identificere højrisiko- og lavrisikopatienter med indikatorer som sensitivitet, specificitet og foreløbig verificere modellens stabilitet.

2.2.3 Klinisk applikationsverifikation Efter at forudsigelsesmodellen er etableret, vil forudsigelsesmodellen fortsat blive brugt i den efterfølgende multicenterindsamling af supplerende kliniske patientdata, bruge patientopfølgningsdata til at verificere dens følsomhed og specificitet og løbende inkorporere de nyligt indsamlede data i modeltræningssættet for løbende at forbedre forudsigelsesmodellen. Forbedre anvendelseseffektiviteten af ​​risikovurderingsmodeller. I sidste ende vil det reducere konverteringsraten for svære patienter, reducere ledelsespresset for milde patienter og bedre hjælpe læger med klinisk diagnose og behandlingsbeslutninger og patienthåndtering.