Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Künstliche Intelligenz unterstützte Diagnose und Prognose bei COVID-19 mithilfe von Elektrokardiogrammen (AI-COV-19)

24. August 2021 aktualisiert von: Imperial College London

Künstliche Intelligenz unterstützte Diagnose und Prognose bei COVID-19 mithilfe von Elektrokardiogrammen und Bildgebung

Die Coronavirus-Krankheit 2019 (COVID-19) ist seit Dezember 2019 weltweit weit verbreitet. Es ist hoch ansteckend und kann in schweren Fällen zu akuter Atemnot oder multiplem Organversagen führen. Am 11. März 2020 hat die WHO die Einschätzung abgegeben, dass COVID-19 als Pandemie zu charakterisieren ist. Mit der Entwicklung des maschinellen Lernens hat die auf Deep Learning basierende Technologie der künstlichen Intelligenz (KI) aufgrund ihrer Fähigkeit, reichhaltige Merkmale aus der Bildgebung und komplexen klinischen Datensätzen zu extrahieren, einen enormen Erfolg im Bereich der medizinischen Datenanalyse gezeigt. In dieser Studie wollen wir klinische Daten verwenden, die im Rahmen der klinischen Routineversorgung (Herzaufzeichnungen, Röntgenaufnahmen und CT-Scans) gesammelt wurden, um künstliche Intelligenz und maschinelle Lernalgorithmen zu trainieren, um den Krankheitsverlauf bei Patienten mit Covid-19 genau vorherzusagen Infektion anhand dieser Datensätze.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Die Coronavirus-Krankheit 2019 (COVID-19) ist seit Dezember 2019 weltweit weit verbreitet. Es ist hoch ansteckend und kann in schweren Fällen zu akuter Atemnot oder multiplem Organversagen und schließlich zum Tod führen. Die Krankheit kann mit dem Reverse-Transcription-Polymerase-Kettenreaktionstest (RT-PCR) bestätigt werden. EKGs, Röntgenaufnahmen des Brustkorbs und CT-Scans sind reichhaltige Datenquellen, die Einblicke in Krankheiten geben, die sonst nicht verfügbar wären.

Zu wissen, wer ins Krankenhaus oder auf die Intensivstation eingeliefert werden muss, rettet Leben, da es hilft, Ressourcenknappheit zu mildern. Neuartige Tools der künstlichen Intelligenz wie Deep Learning werden eine komplexe Bewertung der Bildgebung und klinischer Daten ermöglichen, die Klinikern möglicherweise helfen könnten, eine schnellere und genauere Diagnose zu stellen, Patienten besser zu untersuchen und das Ansprechen auf die Behandlung zu beurteilen und letztendlich das Ergebnis besser vorherzusagen. Unsere Gruppe verfügt über umfangreiche Erfahrung in der Implementierung von maschinellen Lernalgorithmen für große Mengen von EKGs, beispielsweise von der UK Biobank, und schlägt vor, unsere Techniken auf Daten von Patienten mit Covid-19 auszudehnen.

Dies ist eine retrospektive Datenstudie zu Patienten mit verdächtigem und bestätigtem COVID-19.

Die Studie zielt darauf ab, bis zu 2000 Patienten zu rekrutieren, die für EKGs, Röntgenaufnahmen des Brustkorbs oder CT-Scans an den Chelsea and Westminster Hospital NHS Foundation Trust, den Imperial College Healthcare NHS Trust und den London North West London University Healthcare NHS Trust überwiesen werden.

Um in diese Studie aufgenommen zu werden, muss der Patient:

  • haben EKGs, Thoraxröntgen und/oder Thorax-CT-Bildgebung (mit oder ohne Kontrastmittel)
  • Labor-Covid-19-Virus-Nukleinsäuretest (RTPCR-Assay mit Rachenabstrichproben) oder klinischer Verdacht auf eine Covid19-Infektion
  • älter als 18 Jahre sein. Patienten mit suboptimalen EKGs, Thorax-Röntgenaufnahmen und CT-Untersuchungen aufgrund von Artefakten werden ausgeschlossen. Patienten werden auch ausgeschlossen, wenn das Zeitintervall zwischen EKGs, Thorax-CT und dem RT-PCR-Test länger als 7 Tage war.

Diese Studie erhielt am 18. Mai 2020 die Genehmigung von HRA und Health and Care Research Wales (HCRW) nach Überprüfung durch die Forschungsethikkommission auf einer Sitzung vom 13. Mai 2020 (Protokollnummer: 20HH5967; REC-Referenz: 20/HRA/2467).

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

2000

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

  • Vereinigtes Königreich
      • London, Vereinigtes Königreich, HA1 3UJ
        • Rekrutierung
        • London North West University Healthcare NHS Trust
        • Kontakt:
      • London, Vereinigtes Königreich, TW7 6AF
      • London, Vereinigtes Königreich, W12 0NN
        • Aktiv, nicht rekrutierend
        • Imperial College London (Hammersmith campus)
      • London, Vereinigtes Königreich, W2 1NY

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

14 Jahre und älter (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Dies ist eine retrospektive Datenstudie zu Patienten mit verdächtigem und bestätigtem COVID-19.

Die Studie zielt darauf ab, bis zu 2000 Patienten zu rekrutieren, die für EKGs, Röntgenaufnahmen des Brustkorbs oder CT-Scans an den Chelsea and Westminster Hospital NHS Foundation Trust, den Imperial College Healthcare NHS Trust und den London North West London University Healthcare NHS Trust überwiesen werden.

Beschreibung

Einschlusskriterien:

  • haben EKGs, Thoraxröntgen und/oder Thorax-CT-Bildgebung (mit oder ohne Kontrastmittel)
  • positiver Covid-19-Virus-Nukleinsäuretest im Labor (RTPCR-Assay mit Rachenabstrichproben) oder klinischer Verdacht auf eine Covid-19-Infektion
  • älter als 18 Jahre sein

Ausschlusskriterien:

  • Suboptimale EKGs, Thorax-Röntgenaufnahmen oder CT-Untersuchungen für Deep-Learning-Methoden aufgrund von Artefakten einschließlich schwerer
  • Bewegungsartefakte, die eine Unschärfe der Konturen verursachen, oder erhebliche Artefakte aufgrund einer metallischen Prothese, die eine Bildverschlechterung verursachen
  • Das Zeitintervall zwischen EKGs, Thorax-CT und dem RT-PCR-Assay war länger als 7 Tage

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

  • Beobachtungsmodelle: Kohorte
  • Zeitperspektiven: Retrospektive

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit des maschinellen Lernens, um den Ausgang einer Infektion mit dem Coronavirus (COVID-19) vorhersagen zu können
Zeitfenster: Am Ende der Datenanalysen ca. 1 Jahr
Genauigkeit, mit der computergestützte Analysen (maschinelles Lernen) Covid-19 diagnostizieren und/oder prognostizieren können. Anzahl der Teilnehmer mit COVID19, die nach Krankenhauseinweisung starben oder überlebten
Am Ende der Datenanalysen ca. 1 Jahr
Genauigkeit des maschinellen Lernens, um die Prognose einer Infektion mit dem Coronavirus (COVID-19) vorhersagen zu können
Zeitfenster: Am Ende der Datenanalysen ca. 1 Jahr
Anzahl der Teilnehmer, die eine invasive vs. nicht-invasive Beatmung benötigten vs. stationäre Versorgung vs. Verstorbene
Am Ende der Datenanalysen ca. 1 Jahr

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit des maschinellen Lernens, um die kardiale Beteiligung einer Coronavirus (COVID-19)-Infektion vorhersagen zu können
Zeitfenster: Am Ende der Datenanalysen ca. 1 Jahr
Anzahl der Teilnehmer, die COVID19-bedingte Herzprobleme hatten.
Am Ende der Datenanalysen ca. 1 Jahr
Genauigkeit des maschinellen Lernens im Vergleich zur menschlichen Bewertung zur Diagnose einer Coronavirus (COVID-19)-Infektion
Zeitfenster: Am Ende der Datenanalysen ca. 1 Jahr
Anzahl der Teilnehmer, die mithilfe von maschinellem Lernen im Vergleich zu menschlichen oder anderen klinischen Tests oder Bewertungen als an COVID19 erkrankt identifiziert werden können
Am Ende der Datenanalysen ca. 1 Jahr

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Imperial College London

Mitarbeiter

Imperial College Healthcare NHS Trust
London North West Healthcare NHS Trust
Chelsea and Westminster Hospital NHS Foundation Trust

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

26. Mai 2020

Primärer Abschluss (Voraussichtlich)

1. Mai 2022

Studienabschluss (Voraussichtlich)

1. Mai 2022

Studienanmeldedaten

Zuerst eingereicht

7. August 2020

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

11. August 2020

Zuerst gepostet (Tatsächlich)

12. August 2020

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

30. August 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

24. August 2021

Zuletzt verifiziert

1. August 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 20HH5967

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

Ja

Beschreibung des IPD-Plans

Hierbei handelt es sich um eine Studie mit retrospektiven, pseudo-anonymisierten Daten, die im Rahmen der klinischen Routineversorgung der Patienten erhoben wurden. Es bestehen keine direkten Risiken für die Gesundheit der Patienten. Die Hauptprobleme drehen sich um Datensicherheit und -speicherung. Um dies anzugehen, werden Mitglieder des direkten Betreuungsteams, die keine Mitglieder des Forschungsteams sind, die Pseudo-Anonymisierung der Daten vornehmen und einen Satz pseudo-anonymisierter Daten ohne Zugriff auf die Pseudo-Anonymisierung an das Forschungsteam weitergeben Code. Das Forschungsteam ist daher nicht in der Lage, die Patienten anhand dieser Daten zu identifizieren. Die pseudo-anonymisierten Daten werden zudem sicher gespeichert, um Risiken weiter zu minimieren.

IPD-Sharing-Zeitrahmen

innerhalb der Studiendauer

IPD-Sharing-Zugriffskriterien

Forscher der Studie

Art der unterstützenden IPD-Freigabeinformationen

  • Studienprotokoll
  • Statistischer Analyseplan (SAP)

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

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 Coronavirus

Klinische Studien zur Null Eingriff

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Ethiopia

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren