- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04395482
Lungen-CT-Scan-Analyse der SARS-CoV2-induzierten Lungenverletzung (TAC-COVID19)
Lungen-CT-Scan-Analyse der SARS-CoV2-induzierten Lungenverletzung durch maschinelles Lernen: eine multizentrische retrospektive Kohortenstudie.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
HINTERGRUND:
Im Februar wurde der erste Fall eines SARS-CoV2-positiven Patienten in der Lombardei (Italien) registriert, einem Virus, das eine schwere Form von akutem Atemversagen namens Coronavirus Disease 2019 (COVID-19) verursachen kann.
Qualitative Bewertungen der Lungenmorphologie wurden identifiziert, um makroskopische Merkmale dieser Infektion bei der Aufnahme und während des Krankenhausaufenthalts von Patienten zu beschreiben.
Derzeit gibt es keine Studien, die die durch SARS-CoV2 induzierte parenchymale Lungenschädigung durch quantitative Analyse erschöpfend beschrieben haben.
Die Hypothese dieser Studie ist, dass spezifische morphologische und quantitative Veränderungen des Lungenparenchyms, die mittels CT-Scan bei Patienten mit schwerer respiratorischer Insuffizienz, die durch SARS-CoV2 verursacht wurden, bewertet wurden, einen Einfluss auf die Schwere des Veränderungsgrades des Atemaustauschs haben können (Oxygenierung und Clearance des CO2) und wirken sich auf das Behandlungsergebnis aus.
Das Vorhandensein charakteristischer lungenmorphologischer Muster, die durch CT-Scans bewertet werden, könnte die Erkennung spezifischer Patientencluster ermöglichen, die unterschiedlich von einer intensiven Behandlung profitieren können, und einen wesentlichen Beitrag zur Stratifizierung des Schweregrads der Patienten und ihres Mortalitätsrisikos leisten.
Dies ist eine explorative klinisch-deskriptive Studie von Lungen-CT-Bildern in einer völlig neuen Patientenpopulation, die durch einen Nukleinsäure-Amplifikationstest SARS-CoV2-positiv bestätigt wurde.
PROBENUMFANG (n. Patienten):
Die Studie wird alle Patienten mit den Einschlusskriterien sammeln; Es wird erwartet, dass insgesamt 500 Patienten gesammelt werden.
Etwa 80 Patienten werden für jedes lokale Versuchszentrum eingeschrieben.
Folgende Patientendaten werden analysiert:
- dem CT zugeordnete Blutgasanalysedaten, Kontrollen bei Eintritt ins Krankenhaus, zum Zeitpunkt der Durchführung des CT-Scans, Aufnahme auf der Intensivstation und 7 Tage nach Aufnahme
- Patientenmerkmale wie Alter, Geschlecht und Body-Mass-Index (BMI)
- Komorbidität
- Vorliegen einer Organfunktionsstörung mit dem Sequential Organ Failure Assessment (SOFA)
- Labordaten zu Krankenhauseinweisungen und Symptomen vor dem Krankenhausaufenthalt.
- Beatmungs- und hämodynamische Parameter bei Aufnahme ins Krankenhaus, zum Zeitpunkt der Durchführung des CT-Scans, bei Aufnahme auf die Intensivstation und 7 Tage nach Aufnahme.
Der maschinelle Lernansatz der Lungen-CT-Scan-Analyse zielt darauf ab, Folgendes zu bewerten:
- Quantitative und qualitative Lungenveränderungen;
- Die Schichtung solcher morphologischer Merkmale in spezifische morphologische Lungencluster, die mit Hilfe künstlicher Intelligenz unter Verwendung von Deep-Learning-Algorithmen identifiziert wurden.
ETHISCHE ASPEKTE:
Die Bilder des Lungen-CT-Scans werden gesammelt und anonymisiert. Die Bilder werden anschließend vom institutionellen Google-Drive-Konto der Universität Mailand-Bicocca an die Universität von Pennsylvania, die Abteilung für Anästhesiologie und Intensivpflege und die Abteilung für Radiologie in einem deidentifizierten Format für erweiterte quantitative Analysen gesendet, wobei künstliche Intelligenz unter Verwendung von Deep-Learning-Algorithmen genutzt wird.
Die Daten werden auf pseudo-anonyme Weise über ein Fallberichtsformular (CRF) in Papierform gesammelt und vom wissenschaftlichen Koordinator des Projekts analysiert.
Angesichts des retrospektiven Charakters der Studie und angesichts technischer Schwierigkeiten bei der Einholung einer informierten Einwilligung der Patienten in dieser Zeit des pandemischen Notfalls wird auf die informierte Einwilligung verzichtet.
STATISTISCHE ANALYSE:
Kontinuierliche Daten werden als Mittelwert ± Standardabweichung oder Median und Interquartilbereich ausgedrückt, entsprechend der Datenverteilung, die durch den Shapiro-Wilk-Test bewertet wird. Kategoriale Variablen werden als Anteile (Häufigkeit) ausgedrückt.
Der Deep-Learning-Segmentierungsalgorithmus segmentiert das Lungenparenchym aus der gesamten CT-Lunge. Lungenvolumen-, Lungengewichts- und Trübungsintensitätsverteilungsanalyse werden angewendet. Zweitens wird eine Clustering-Analyse zur Stratifizierung der Patienten durchgeführt. Sowohl ein Intensitäts- als auch ein räumlicher Clustering-Algorithmus werden getestet. Drittens wird ein Modell trainiert, um anhand der Bilder und aller anderen Patientendaten den Verletzungsverlauf vorherzusagen. Statistische Signifikanz wird bei Vorliegen eines p < 0,05 (zweiseitig) berücksichtigt.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
-
Bergamo, Italien
- Ospedale Papa Giovanni XXIII
-
Bergamo, Italien
- Policlinico San Marco-San Donato group
-
Ferrara, Italien
- Azienda Ospedaliero-Universitaria di Ferrara
-
Lecco, Italien
- ASST di Lecco Ospedale Alessandro Manzoni
-
Melzo, Italien
- ASST Melegnano-Martesana, Ospedale Santa Maria delle Stelle
-
Monza, Italien
- ASST Monza
-
Rimini, Italien
- AUSL Romagna-Ospedale Infermi di Rimini
-
-
-
-
-
San Marino, San Marino
- Istituto per la Sicurezza Sociale-Ospedale della Repubblica di San Marino
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien (COVID-19-Kohorte):
- Patienten ab 18 Jahren;
- Positive Bestätigung mit Nukleinsäure-Amplifikationstest oder Serologie von SARS-CoV2 durch Nasen-Rachen-Abstrich, Bronchoaspirat-Probe oder bronchoalveoläre Lavage;
- Lungen-CT-Scan innerhalb von 7 Tagen nach Krankenhausaufnahme durchgeführt;
Einschlusskriterien (ARDS-Kohorte):
- Patienten über 18 Jahre oder älter;
- Krankenhauseingewiesene Patienten mit ARDS-Diagnose nach den Berliner Kriterien;
- Lungen-CT innerhalb von 7 Tagen nach ARDS-Diagnose;
Ausschlusskriterien (ARDS-Kohorte):
● Positive Bestätigung mit Nukleinsäure-Amplifikationstest oder Serologie von SARS-CoV2 durch Nasen-Rachen-Abstrich, Bronchoaspirat-Probe oder bronchoalveoläre Lavage
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Kohorte
- Zeitperspektiven: Retrospektive
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
---|---|
Patienten mit Covid-19-Pneumonie
Die Studie zielt darauf ab, die größtmögliche Anzahl von Lungen-CT-Bildern zu sammeln, die bei Patienten mit COVID-19 durchgeführt wurden, um eine große Stichprobengröße zu erhalten, die es uns ermöglicht, das Ausmaß der Lungenschädigung und das Vorhandensein spezifischer Muster der Lungenveränderung zu charakterisieren und ihre potenzielle Assoziation mit dem Outcome der Patienten – im Hinblick darauf, das medizinische Personal dabei zu unterstützen, den Schweregrad der Beeinträchtigung bei diesen Patienten besser zu verstehen, die potenzielle Kandidaten für intensivere therapeutische Strategien sein könnten.
|
Dieses Forschungsprojekt wird die morphologischen Merkmale der Lunge durch CT-Scan-Analyse bei COVID-19-Patienten bewerten, die mithilfe von Technologien der künstlichen Intelligenz als spezifische Muster identifiziert werden, und deren Auswirkungen auf das Ergebnis.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Eine qualitative Analyse der durch COVID-19 induzierten parenchymalen Lungenschädigung
Zeitfenster: Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Beschreiben Sie den durch COVID-19 verursachten parenchymalen Lungenschaden durch eine qualitative Analyse mit Brust-CT durch Techniken der künstlichen Intelligenz.
|
Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Eine quantitative Analyse der durch COVID-19 induzierten parenchymalen Lungenschäden
Zeitfenster: Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Beschreiben Sie den durch COVID-19 verursachten parenchymalen Lungenschaden durch eine quantitative Analyse mit Thorax-CT durch Techniken der künstlichen Intelligenz.
|
Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Die möglichen Auswirkungen parenchymaler morphologischer CT-Scans bei Patienten mit schwerer mittelschwerer Ateminsuffizienz.
Zeitfenster: Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Die potenziellen Auswirkungen parenchymaler morphologischer CT-Scans bei Patienten mit schwerer mittelschwerer respiratorischer Insuffizienz wurden als intensivmedizinische Sterblichkeit bewertet.
|
Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Die möglichen Auswirkungen parenchymaler morphologischer CT-Scans bei Patienten mit schwerer mittelschwerer Ateminsuffizienz.
Zeitfenster: Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Die potenziellen Auswirkungen parenchymaler morphologischer CT-Scans bei Patienten mit schwerer mittelschwerer respiratorischer Insuffizienz wurden als Krankenhaussterblichkeit bewertet.
|
Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Die möglichen Auswirkungen parenchymaler morphologischer CT-Scans bei Patienten mit schwerer mittelschwerer Ateminsuffizienz.
Zeitfenster: Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Die potenziellen Auswirkungen parenchymaler morphologischer CT-Scans bei Patienten mit schwerer mittelschwerer respiratorischer Insuffizienz, bewertet als Tage ohne mechanische Beatmung.
|
Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Automatisierte Segmentierung von Lungenscans von Patienten mit COVID-19 und ARDS.
Zeitfenster: Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Die Hypothese ist, dass die Verwendung von tiefen neuronalen Netzwerkmodellen für die Lungensegmentierung beim akuten Atemnotsyndrom (ARDS) in Tiermodellen und bei chronisch obstruktiver Lungenerkrankung (COPD) bei Patienten angewendet werden könnte, die zur Selbstsegmentierung der Lunge von COVID-19-Patienten angewendet werden könnten durch einen Lerntransfermechanismus mit künstlicher Intelligenz.
|
Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Kenntnis der Thorax-CT-Merkmale bei COVID-19-Patienten und ihrer Einzelheiten durch den Einsatz von maschinellem Lernen und anderen quantitativen Techniken.
Zeitfenster: Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Erweitern Sie das Wissen über Brust-CT-Funktionen bei COVID-19-Patienten und deren Details durch den Einsatz von maschinellem Lernen und anderen quantitativen Techniken, die CT-Muster von COVID-19-Patienten mit denen von Patienten mit ARDS vergleichen.
|
Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Die Fähigkeit, innerhalb derer die Analyse künstlicher Intelligenz, die Deep-Learning-Modelle verwendet, verwendet werden kann, um klinische Ergebnisse vorherzusagen
Zeitfenster: Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Bestimmen Sie die Kapazität, innerhalb derer die Analyse der künstlichen Intelligenz, die Deep-Learning-Modelle verwendet, verwendet werden kann, um klinische Ergebnisse aus der Analyse der Merkmale des Brust-CT vorherzusagen, die innerhalb von 7 Tagen nach Krankenhausaufnahme erhalten wurden; Kombination quantitativer CT-Daten mit klinischen Daten.
|
Bis zur Entlassung des Patienten aus dem Krankenhaus (ca. 6 Monate)
|
Mitarbeiter und Ermittler
Sponsor
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Huang C, Wang Y, Li X, Ren L, Zhao J, Hu Y, Zhang L, Fan G, Xu J, Gu X, Cheng Z, Yu T, Xia J, Wei Y, Wu W, Xie X, Yin W, Li H, Liu M, Xiao Y, Gao H, Guo L, Xie J, Wang G, Jiang R, Gao Z, Jin Q, Wang J, Cao B. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020 Feb 15;395(10223):497-506. doi: 10.1016/S0140-6736(20)30183-5. Epub 2020 Jan 24. Erratum In: Lancet. 2020 Jan 30;:
- Chen N, Zhou M, Dong X, Qu J, Gong F, Han Y, Qiu Y, Wang J, Liu Y, Wei Y, Xia J, Yu T, Zhang X, Zhang L. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. Lancet. 2020 Feb 15;395(10223):507-513. doi: 10.1016/S0140-6736(20)30211-7. Epub 2020 Jan 30.
- Wang D, Hu B, Hu C, Zhu F, Liu X, Zhang J, Wang B, Xiang H, Cheng Z, Xiong Y, Zhao Y, Li Y, Wang X, Peng Z. Clinical Characteristics of 138 Hospitalized Patients With 2019 Novel Coronavirus-Infected Pneumonia in Wuhan, China. JAMA. 2020 Mar 17;323(11):1061-1069. doi: 10.1001/jama.2020.1585. Erratum In: JAMA. 2021 Mar 16;325(11):1113.
- Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, Xiang J, Wang Y, Song B, Gu X, Guan L, Wei Y, Li H, Wu X, Xu J, Tu S, Zhang Y, Chen H, Cao B. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020 Mar 28;395(10229):1054-1062. doi: 10.1016/S0140-6736(20)30566-3. Epub 2020 Mar 11. Erratum In: Lancet. 2020 Mar 28;395(10229):1038. Lancet. 2020 Mar 28;395(10229):1038.
- Yang X, Yu Y, Xu J, Shu H, Xia J, Liu H, Wu Y, Zhang L, Yu Z, Fang M, Yu T, Wang Y, Pan S, Zou X, Yuan S, Shang Y. Clinical course and outcomes of critically ill patients with SARS-CoV-2 pneumonia in Wuhan, China: a single-centered, retrospective, observational study. Lancet Respir Med. 2020 May;8(5):475-481. doi: 10.1016/S2213-2600(20)30079-5. Epub 2020 Feb 24. Erratum In: Lancet Respir Med. 2020 Apr;8(4):e26.
- Shi H, Han X, Jiang N, Cao Y, Alwalid O, Gu J, Fan Y, Zheng C. Radiological findings from 81 patients with COVID-19 pneumonia in Wuhan, China: a descriptive study. Lancet Infect Dis. 2020 Apr;20(4):425-434. doi: 10.1016/S1473-3099(20)30086-4. Epub 2020 Feb 24.
- Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, Tao Q, Sun Z, Xia L. Correlation of Chest CT and RT-PCR Testing for Coronavirus Disease 2019 (COVID-19) in China: A Report of 1014 Cases. Radiology. 2020 Aug;296(2):E32-E40. doi: 10.1148/radiol.2020200642. Epub 2020 Feb 26.
- Pan F, Ye T, Sun P, Gui S, Liang B, Li L, Zheng D, Wang J, Hesketh RL, Yang L, Zheng C. Time Course of Lung Changes at Chest CT during Recovery from Coronavirus Disease 2019 (COVID-19). Radiology. 2020 Jun;295(3):715-721. doi: 10.1148/radiol.2020200370. Epub 2020 Feb 13.
- Chung M, Bernheim A, Mei X, Zhang N, Huang M, Zeng X, Cui J, Xu W, Yang Y, Fayad ZA, Jacobi A, Li K, Li S, Shan H. CT Imaging Features of 2019 Novel Coronavirus (2019-nCoV). Radiology. 2020 Apr;295(1):202-207. doi: 10.1148/radiol.2020200230. Epub 2020 Feb 4.
- Remuzzi A, Remuzzi G. COVID-19 and Italy: what next? Lancet. 2020 Apr 11;395(10231):1225-1228. doi: 10.1016/S0140-6736(20)30627-9. Epub 2020 Mar 13.
- Grasselli G, Pesenti A, Cecconi M. Critical Care Utilization for the COVID-19 Outbreak in Lombardy, Italy: Early Experience and Forecast During an Emergency Response. JAMA. 2020 Apr 28;323(16):1545-1546. doi: 10.1001/jama.2020.4031. No abstract available.
- Dong E, Du H, Gardner L. An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis. 2020 May;20(5):533-534. doi: 10.1016/S1473-3099(20)30120-1. Epub 2020 Feb 19. No abstract available. Erratum In: Lancet Infect Dis. 2020 Sep;20(9):e215.
- Zhou S, Wang Y, Zhu T, Xia L. CT Features of Coronavirus Disease 2019 (COVID-19) Pneumonia in 62 Patients in Wuhan, China. AJR Am J Roentgenol. 2020 Jun;214(6):1287-1294. doi: 10.2214/AJR.20.22975. Epub 2020 Mar 5.
- Xiong Y, Sun D, Liu Y, Fan Y, Zhao L, Li X, Zhu W. Clinical and High-Resolution CT Features of the COVID-19 Infection: Comparison of the Initial and Follow-up Changes. Invest Radiol. 2020 Jun;55(6):332-339. doi: 10.1097/RLI.0000000000000674.
- Salehi S, Abedi A, Balakrishnan S, Gholamrezanezhad A. Coronavirus Disease 2019 (COVID-19): A Systematic Review of Imaging Findings in 919 Patients. AJR Am J Roentgenol. 2020 Jul;215(1):87-93. doi: 10.2214/AJR.20.23034. Epub 2020 Mar 14.
- Dai WC, Zhang HW, Yu J, Xu HJ, Chen H, Luo SP, Zhang H, Liang LH, Wu XL, Lei Y, Lin F. CT Imaging and Differential Diagnosis of COVID-19. Can Assoc Radiol J. 2020 May;71(2):195-200. doi: 10.1177/0846537120913033. Epub 2020 Mar 4.
- Li Y, Xia L. Coronavirus Disease 2019 (COVID-19): Role of Chest CT in Diagnosis and Management. AJR Am J Roentgenol. 2020 Jun;214(6):1280-1286. doi: 10.2214/AJR.20.22954. Epub 2020 Mar 4.
- Xie X, Zhong Z, Zhao W, Zheng C, Wang F, Liu J. Chest CT for Typical Coronavirus Disease 2019 (COVID-19) Pneumonia: Relationship to Negative RT-PCR Testing. Radiology. 2020 Aug;296(2):E41-E45. doi: 10.1148/radiol.2020200343. Epub 2020 Feb 12.
- Fang Y, Zhang H, Xie J, Lin M, Ying L, Pang P, Ji W. Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR. Radiology. 2020 Aug;296(2):E115-E117. doi: 10.1148/radiol.2020200432. Epub 2020 Feb 19. No abstract available.
- Bai HX, Hsieh B, Xiong Z, Halsey K, Choi JW, Tran TML, Pan I, Shi LB, Wang DC, Mei J, Jiang XL, Zeng QH, Egglin TK, Hu PF, Agarwal S, Xie FF, Li S, Healey T, Atalay MK, Liao WH. Performance of Radiologists in Differentiating COVID-19 from Non-COVID-19 Viral Pneumonia at Chest CT. Radiology. 2020 Aug;296(2):E46-E54. doi: 10.1148/radiol.2020200823. Epub 2020 Mar 10.
- Bernheim A, Mei X, Huang M, Yang Y, Fayad ZA, Zhang N, Diao K, Lin B, Zhu X, Li K, Li S, Shan H, Jacobi A, Chung M. Chest CT Findings in Coronavirus Disease-19 (COVID-19): Relationship to Duration of Infection. Radiology. 2020 Jun;295(3):200463. doi: 10.1148/radiol.2020200463. Epub 2020 Feb 20.
- Guo L, Wei D, Zhang X, Wu Y, Li Q, Zhou M, Qu J. Clinical Features Predicting Mortality Risk in Patients With Viral Pneumonia: The MuLBSTA Score. Front Microbiol. 2019 Dec 3;10:2752. doi: 10.3389/fmicb.2019.02752. eCollection 2019. Erratum In: Front Microbiol. 2020 Jun 09;11:1304.
- Ki M; Task Force for 2019-nCoV. Epidemiologic characteristics of early cases with 2019 novel coronavirus (2019-nCoV) disease in Korea. Epidemiol Health. 2020;42:e2020007. doi: 10.4178/epih.e2020007. Epub 2020 Feb 9.
Nützliche Links
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- TAC-COVID19
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .
Klinische Studien zur Covid19
-
Anavasi DiagnosticsNoch keine Rekrutierung
-
Ain Shams UniversityRekrutierung
-
Israel Institute for Biological Research (IIBR)Abgeschlossen
-
Hospital do CoracaoAbgeschlossen
-
Colgate PalmoliveAbgeschlossenCovid19Vereinigte Staaten
-
Christian von BuchwaldAbgeschlossen
-
Luye Pharma Group Ltd.Shandong Boan Biotechnology Co., LtdAktiv, nicht rekrutierend
-
University of ZurichLabor Speiz; Swiss Armed Forces; Universitätsspital ZürichAnmeldung auf Einladung
-
Alexandria UniversityAbgeschlossen
-
Henry Ford Health SystemAbgeschlossen
Klinische Studien zur Lungen-CT-Scan-Analyse bei COVID-19-Patienten
-
The First Affiliated Hospital of Soochow UniversityZurückgezogenHämatologische ErkrankungenChina
-
Columbia UniversityBeendetCovid19Vereinigte Staaten
-
Hospital General de México Dr. Eduardo LiceagaInstituto Nacional de Ciencias Medicas y Nutricion Salvador Zubiran; CCINSHAE... und andere MitarbeiterBeendet
-
Weill Medical College of Cornell UniversityBoehringer IngelheimAbgeschlossen
-
Roswell Park Cancer InstituteNoch keine RekrutierungRezidivierendes Mantelzell-Lymphom | Wiederkehrendes diffuses großzelliges B-Zell-Lymphom | Refraktäres diffuses großzelliges B-Zell-Lymphom | Refraktäre chronische lymphatische Leukämie | Refraktäres Mantelzell-Lymphom | Wiederkehrendes hochgradiges B-Zell-Lymphom | Rezidivierendes transformiertes... und andere BedingungenVereinigte Staaten
-
National Cancer Institute, NaplesAbgeschlossen
-
PD Dr. med. Volker HeinemannMerck KGaA, Darmstadt, GermanyUnbekanntNeoplasma Metastasierung | DarmkrebsDeutschland
-
Cornerstone PharmaceuticalsAbgeschlossenBauchspeicheldrüsenkrebs metastasiertVereinigte Staaten, Korea, Republik von, Frankreich, Israel, Deutschland, Belgien
-
AstraZenecaSyneos HealthAbgeschlossenFortgeschrittene solide TumorenVereinigte Staaten, Spanien, Korea, Republik von, Vereinigtes Königreich
-
University of WashingtonBlue Earth DiagnosticsRekrutierungProstata-AdenokarzinomVereinigte Staaten