Inteligencia Artificial para el Diagnóstico de Tuberculosis Resistente a Medicamentos
26 de octubre de 2020 actualizado por: Bumi Herman, Hasanuddin University
Red neuronal artificial como herramientas de diagnóstico para la tuberculosis resistente a la rifampicina en Indonesia: un estudio de modelo predictivo y una evaluación económica
Título: Red neuronal artificial como herramientas de diagnóstico para la tuberculosis resistente a la rifampicina en Indonesia. Un Estudio de Modelo Predictivo y Evaluación Económica.
Antecedentes: la tuberculosis resistente a los medicamentos se ha convertido en una amenaza global, particularmente en Indonesia. La necesidad de aumentar la detección, seguida de un tratamiento adecuado, es una preocupación en el tratamiento de estos casos. La prueba molecular rápida (específicamente para detectar la resistencia a la rifampicina) ahora se utiliza en los servicios de atención médica, particularmente en el nivel de atención primaria con algunos desafíos, incluida la falta de control de calidad (incluido cómo obtener y tratar la muestra adecuadamente antes del examen) que luego, afectan la confiabilidad de los resultados. La prueba de susceptibilidad a los medicamentos (DST) sigue siendo el estándar de oro en el diagnóstico de la tuberculosis resistente a los medicamentos, pero este procedimiento requiere mucho tiempo y es costoso. La inteligencia artificial, incluida la exploración y el modelado de datos, es un método prometedor para clasificar los casos potenciales de resistencia a los medicamentos en función de la asociación de varios factores.
Objetivo :
- Desarrollar un modelo utilizando un enfoque de inteligencia artificial que sea capaz de clasificar la posibilidad de tuberculosis resistente a la rifampicina.
- Evaluar la capacidad de diagnóstico y la precisión del modelo en comparación con la prueba rápida existente y el patrón oro
- Evaluar la evaluación de la rentabilidad del modelo de red neuronal artificial en una aplicación basada en la web en comparación con las herramientas de diagnóstico estándar
Metodología
- Estudio transversal que involucró a todos los casos sospechosos de tuberculosis drogorresistente que fueron remitidos al centro de estudio para someterse a prueba molecular rápida y prueba DST en los últimos 5 años.
- Se realizará una evaluación retrospectiva integral de historias clínicas e informe individual de tuberculosis para obtener una variable de interés.
- Cuestionario de evaluación para confirmación de información insuficiente.
- Construcción de modelos a través del aprendizaje automático y el procedimiento de aprendizaje profundo
- Validación y prueba del modelo utilizando un conjunto de datos de entrenamiento y datos de los diferentes centros de estudio
Hipótesis :
El modelo de inteligencia artificial arrojará un resultado similar o superior de la capacidad de diagnóstico en comparación con la prueba molecular rápida de acuerdo con la prueba de susceptibilidad a las drogas. (Juicio de Superioridad)
Descripción general del estudio
Estado
Terminado
Descripción detallada
PROCEDIMIENTO
- Bajo el permiso otorgado por los centros de estudio, el equipo obtendrá los registros médicos de todos los casos elegibles dentro de los últimos 5 años.
Luego, los investigadores recopilan la información de la variable/parámetro de interés que se obtuvo mediante la toma de antecedentes y exámenes adicionales, y también la facturación médica y el pago del hospital por servicio. Para los participantes con Seguro de Salud, el gasto directo para el tratamiento se basará en el pago de INA-CBG (grupo basado en casos). Estos datos luego serán registrados en una base de datos electrónica.
Parámetro para el desarrollo del modelo:
Basado en host:
- Presencia de Diabetes Mellitus (Incluyendo años de diagnóstico, HbA1c Antes del examen y tratamiento de DST, medicación ya sea insulina o antidiabéticos orales)
- Presencia de VIH ((incluidos los años de diagnóstico, el nivel de CD4 antes del examen y tratamiento DST y la medicación antirretroviral)
- Dejar de fumar (Índice de Brinkman)
- Consumo de alcohol
- Historial de uso de inmunosupresores (esteroides)
- Presencia de otras enfermedades (cáncer, ictus, enfermedad cardiovascular)
- Historial de abuso de drogas
- Antecedentes de reacciones adversas a medicamentos durante el tratamiento de la tuberculosis.
- Adherencia al tratamiento antituberculoso previo
- Presencia de EPOC
- Índice de masa corporal
Medioambiente
- Antecedentes de Contacto con Pacientes de Tuberculosis
- Índice saludable de entorno de vida (multitudes en el hogar)
Agente
- Nivel de frotis bacteriano antes del horario de verano
- Extensión de lesión en radiografía de tórax
- Presencia de cavitación
Factores sociodemográficos
- Años
- Género
- Educación
- Nivel de ingresos
- Seguro de salud
- Estado civil
- Estado de Empleo
- En caso de información incompleta, se hará una confirmación al centro de salud que estaba derivando los casos mediante el Registro de Tuberculosis o cuestionario.
La construcción del modelo se realizará utilizando un modelo inteligente artificial en R. Un modelo seleccionado es una red neuronal artificial que utiliza la función de base radial o un perceptrón multicapa. Varios procedimientos importantes que incluyen:
- Determinar el parámetro significativo
- Manejo de clases de datos insuficientes y desequilibradas (sobremuestreo o submuestreo)
- Normalización (Batch, Min-Max)
- Capa y diseño
- Distribución de entrenamientos y pruebas (70:30)
- Selección de modelo
- La Validación Externa se hará al centro de estudios designado. Precisión: (verdadero positivo + verdadero negativo)/Todos los casos
- Se realizará la Simulación Incremental de la Relación Costo-Efectividad, comparando el mejor modelo versus el patrón oro y GeneXpert arrojando un ahorro por unidad de efectividad
Tipo de estudio
De observación
Inscripción (Actual)
524
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
East Kalimantan
-
Balikpapan, East Kalimantan, Indonesia, 76115
- Kanudjoso Djatiwibowo General Hospital
-
-
North Kalimantan
-
Tarakan, North Kalimantan, Indonesia, 77113
- Tarakan General Hospital
-
-
South Sulawesi
-
Makasar, South Sulawesi, Indonesia, 90132
- Labuang Baji General Hospital
-
Makasar, South Sulawesi, Indonesia
- Balai Besar Kesehatan Paru Masyarakat
-
Makassar, South Sulawesi, Indonesia, 76124
- Wahidin Sudirohusodo General Hospital
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
No
Géneros elegibles para el estudio
Todos
Método de muestreo
Muestra no probabilística
Población de estudio
Todos los casos sospechosos/presuntos de tuberculosis resistente a los medicamentos que se enviaron al centro de estudios designado en los últimos 3 años
Descripción
Criterios de inclusión:
- Casos predeterminados según los criterios de la OMS
- Casos de fracaso bajo criterios de la OMS
- Casos referidos por un médico para presunción de TB resistente a los medicamentos de la siguiente manera:
Con o sin inmunodepresión, Con o sin reacción adversa del fármaco antituberculoso, Con o sin comorbilidades (como diabetes mellitus, cardiopatía)
Criterio de exclusión:
- Información incompleta sobre resultados de pruebas moleculares rápidas y resultados de cultivos
- Los participantes o la familia no pueden o no quieren proporcionar información adicional obtenida a través del cuestionario
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Control de caso
- Perspectivas temporales: Retrospectivo
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Tuberculosis resistente a rifampicina positiva
Todos los casos sospechosos que arrojaron tuberculosis resistente a la rifampicina positiva según la prueba Gold-Standard (cultivo en medio Lowenstein-Jensen)
|
El ensayo GeneXpert MTB/RIF es una prueba de amplificación de ácido nucleico (NAA) que detecta simultáneamente el ADN del complejo Mycobacterium tuberculosis (MTBC) y la resistencia a la rifampicina (RIF) (es decir, la mutación del gen rpoB) en menos de dos horas.
Este sistema integra y automatiza el procesamiento de muestras, la amplificación de ácidos nucleicos y la detección de las secuencias objetivo.
Los cebadores del ensayo XpertMTB/RIF amplifican una parte del gen rpoB que contiene la región "núcleo" de 81 pares de bases.
Las sondas pueden diferenciar entre la secuencia de tipo salvaje conservada y las mutaciones en la región central que está asociada con la resistencia a la rifampicina.
La salida de este procedimiento es detectada, no detectada o indeterminada.
Otros nombres:
El modelo de inteligencia artificial es un modelo que se desarrolló a partir de varios factores asociados con el aprendizaje automático y el método de aprendizaje profundo para clasificar la posibilidad de tuberculosis resistente a los medicamentos.
La red neuronal artificial se construirá utilizando un software de aprendizaje profundo.
Otros nombres:
Este procedimiento utiliza el medio Löwenstein-Jensen (LJ) para determinar si los aislados de M. tuberculosis son susceptibles a los agentes antituberculosos.
Los medios que contienen la concentración crítica del agente antituberculoso se inoculan con una dilución de una suspensión de cultivo (normalmente una dilución 10-2 de una suspensión MacFarland 1) y los medios de control sin el agente antituberculoso se inoculan normalmente con una dilución 10-4 dilución de una suspensión MacFarland 1.
El crecimiento (es decir, un número de colonias) en los medios que contienen agente se compara con el crecimiento en los medios de control sin agente.
Se calcula la relación entre el número de colonias en el medio que contiene el agente antituberculoso y el número de colonias (corregido por el factor de dilución) en el medio sin el agente antituberculoso, y la proporción se expresa como un porcentaje.
Los resultados provisionales de los aislamientos susceptibles se pueden leer después de 3 a 4 semanas de incubación; los resultados definitivos se pueden leer después de 6 semanas de incubación.
La resistencia se puede informar dentro de 3-4 semanas.
Otros nombres:
|
|
Tuberculosis resistente a rifampicina negativa
Todos los casos sospechosos que arrojaron Tuberculosis resistente a la rifampicina negativa según la prueba Gold-Standard (cultivo en medio Lowenstein-Jensen)
|
El ensayo GeneXpert MTB/RIF es una prueba de amplificación de ácido nucleico (NAA) que detecta simultáneamente el ADN del complejo Mycobacterium tuberculosis (MTBC) y la resistencia a la rifampicina (RIF) (es decir, la mutación del gen rpoB) en menos de dos horas.
Este sistema integra y automatiza el procesamiento de muestras, la amplificación de ácidos nucleicos y la detección de las secuencias objetivo.
Los cebadores del ensayo XpertMTB/RIF amplifican una parte del gen rpoB que contiene la región "núcleo" de 81 pares de bases.
Las sondas pueden diferenciar entre la secuencia de tipo salvaje conservada y las mutaciones en la región central que está asociada con la resistencia a la rifampicina.
La salida de este procedimiento es detectada, no detectada o indeterminada.
Otros nombres:
El modelo de inteligencia artificial es un modelo que se desarrolló a partir de varios factores asociados con el aprendizaje automático y el método de aprendizaje profundo para clasificar la posibilidad de tuberculosis resistente a los medicamentos.
La red neuronal artificial se construirá utilizando un software de aprendizaje profundo.
Otros nombres:
Este procedimiento utiliza el medio Löwenstein-Jensen (LJ) para determinar si los aislados de M. tuberculosis son susceptibles a los agentes antituberculosos.
Los medios que contienen la concentración crítica del agente antituberculoso se inoculan con una dilución de una suspensión de cultivo (normalmente una dilución 10-2 de una suspensión MacFarland 1) y los medios de control sin el agente antituberculoso se inoculan normalmente con una dilución 10-4 dilución de una suspensión MacFarland 1.
El crecimiento (es decir, un número de colonias) en los medios que contienen agente se compara con el crecimiento en los medios de control sin agente.
Se calcula la relación entre el número de colonias en el medio que contiene el agente antituberculoso y el número de colonias (corregido por el factor de dilución) en el medio sin el agente antituberculoso, y la proporción se expresa como un porcentaje.
Los resultados provisionales de los aislamientos susceptibles se pueden leer después de 3 a 4 semanas de incubación; los resultados definitivos se pueden leer después de 6 semanas de incubación.
La resistencia se puede informar dentro de 3-4 semanas.
Otros nombres:
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión del modelo de inteligencia artificial para los resultados de la prueba de susceptibilidad a las drogas
Periodo de tiempo: hasta la finalización de los estudios, un promedio de 1 año
|
La precisión es el número de casos correctos (los resultados obtenidos por el modelo son los mismos que los obtenidos por cultivo) predicho por el modelo por casos totales.
|
hasta la finalización de los estudios, un promedio de 1 año
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión de la prueba molecular rápida de tuberculosis resistente a los medicamentos en los resultados de la prueba de susceptibilidad a los medicamentos
Periodo de tiempo: hasta la finalización de los estudios, un promedio de 1 año
|
La precisión es el número de casos correctos (los resultados obtenidos por GeneXpert MTB/RIF son los mismos que los obtenidos por cultivo) predicho por el modelo por casos totales.
|
hasta la finalización de los estudios, un promedio de 1 año
|
Otras medidas de resultado
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Capacidad de diagnóstico del modelo de inteligencia artificial para los resultados de la prueba de susceptibilidad a las drogas
Periodo de tiempo: hasta la finalización de los estudios, un promedio de 1 año
|
Sensibilidad, especificidad, valor predictivo negativo y valor predictivo positivo del modelo de inteligencia artificial para los resultados de la prueba de susceptibilidad a las drogas
|
hasta la finalización de los estudios, un promedio de 1 año
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Colaboradores
Investigadores
- Director de estudio: Sathirakorn Pongpanich, Prof, Chulalongkorn University
- Investigador principal: Wandee Sirichokchatchawan, Ph.D, Chulalongkorn University
- Investigador principal: Bumi Herman, MD, Hasanuddin University
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
Publicaciones Generales
- Alipanah N, Jarlsberg L, Miller C, Linh NN, Falzon D, Jaramillo E, Nahid P. Adherence interventions and outcomes of tuberculosis treatment: A systematic review and meta-analysis of trials and observational studies. PLoS Med. 2018 Jul 3;15(7):e1002595. doi: 10.1371/journal.pmed.1002595. eCollection 2018 Jul.
- GBD Tuberculosis Collaborators. The global burden of tuberculosis: results from the Global Burden of Disease Study 2015. Lancet Infect Dis. 2018 Mar;18(3):261-284. doi: 10.1016/S1473-3099(17)30703-X. Epub 2017 Dec 7.
- Dean AS, Cox H, Zignol M. Epidemiology of Drug-Resistant Tuberculosis. Adv Exp Med Biol. 2017;1019:209-220. doi: 10.1007/978-3-319-64371-7_11.
- Kendall EA, Azman AS, Cobelens FG, Dowdy DW. MDR-TB treatment as prevention: The projected population-level impact of expanded treatment for multidrug-resistant tuberculosis. PLoS One. 2017 Mar 8;12(3):e0172748. doi: 10.1371/journal.pone.0172748. eCollection 2017.
- Dheda K, Gumbo T, Maartens G, Dooley KE, McNerney R, Murray M, Furin J, Nardell EA, London L, Lessem E, Theron G, van Helden P, Niemann S, Merker M, Dowdy D, Van Rie A, Siu GK, Pasipanodya JG, Rodrigues C, Clark TG, Sirgel FA, Esmail A, Lin HH, Atre SR, Schaaf HS, Chang KC, Lange C, Nahid P, Udwadia ZF, Horsburgh CR Jr, Churchyard GJ, Menzies D, Hesseling AC, Nuermberger E, McIlleron H, Fennelly KP, Goemaere E, Jaramillo E, Low M, Jara CM, Padayatchi N, Warren RM. The epidemiology, pathogenesis, transmission, diagnosis, and management of multidrug-resistant, extensively drug-resistant, and incurable tuberculosis. Lancet Respir Med. 2017 Mar 15:S2213-2600(17)30079-6. doi: 10.1016/S2213-2600(17)30079-6. Online ahead of print.
- Collins D, Hafidz F, Mustikawati D. The economic burden of tuberculosis in Indonesia. Int J Tuberc Lung Dis. 2017 Sep 1;21(9):1041-1048. doi: 10.5588/ijtld.16.0898.
- Falzon D, Mirzayev F, Wares F, Baena IG, Zignol M, Linh N, Weyer K, Jaramillo E, Floyd K, Raviglione M. Multidrug-resistant tuberculosis around the world: what progress has been made? Eur Respir J. 2015 Jan;45(1):150-60. doi: 10.1183/09031936.00101814. Epub 2014 Sep 26.
- Falzon D, Jaramillo E, Wares F, Zignol M, Floyd K, Raviglione MC. Universal access to care for multidrug-resistant tuberculosis: an analysis of surveillance data. Lancet Infect Dis. 2013 Aug;13(8):690-7. doi: 10.1016/S1473-3099(13)70130-0. Epub 2013 Jun 4.
- van Kampen SC, Susanto NH, Simon S, Astiti SD, Chandra R, Burhan E, Farid MN, Chittenden K, Mustikawati DE, Alisjahbana B. Effects of Introducing Xpert MTB/RIF on Diagnosis and Treatment of Drug-Resistant Tuberculosis Patients in Indonesia: A Pre-Post Intervention Study. PLoS One. 2015 Jun 15;10(6):e0123536. doi: 10.1371/journal.pone.0123536. eCollection 2015.
- Soeroto AY, Lestari BW, Santoso P, Chaidir L, Andriyoko B, Alisjahbana B, van Crevel R, Hill PC. Evaluation of Xpert MTB-RIF guided diagnosis and treatment of rifampicin-resistant tuberculosis in Indonesia: A retrospective cohort study. PLoS One. 2019 Feb 28;14(2):e0213017. doi: 10.1371/journal.pone.0213017. eCollection 2019.
- Prada-Medina CA, Fukutani KF, Pavan Kumar N, Gil-Santana L, Babu S, Lichtenstein F, West K, Sivakumar S, Menon PA, Viswanathan V, Andrade BB, Nakaya HI, Kornfeld H. Systems Immunology of Diabetes-Tuberculosis Comorbidity Reveals Signatures of Disease Complications. Sci Rep. 2017 May 17;7(1):1999. doi: 10.1038/s41598-017-01767-4.
- Pradipta IS, Forsman LD, Bruchfeld J, Hak E, Alffenaar JW. Risk factors of multidrug-resistant tuberculosis: A global systematic review and meta-analysis. J Infect. 2018 Dec;77(6):469-478. doi: 10.1016/j.jinf.2018.10.004. Epub 2018 Oct 16.
- Wang MG, Huang WW, Wang Y, Zhang YX, Zhang MM, Wu SQ, Sandford AJ, He JQ. Association between tobacco smoking and drug-resistant tuberculosis. Infect Drug Resist. 2018 Jun 12;11:873-887. doi: 10.2147/IDR.S164596. eCollection 2018.
- Tegegne BS, Mengesha MM, Teferra AA, Awoke MA, Habtewold TD. Association between diabetes mellitus and multi-drug-resistant tuberculosis: evidence from a systematic review and meta-analysis. Syst Rev. 2018 Oct 15;7(1):161. doi: 10.1186/s13643-018-0828-0.
- Darsey JA, Griffin WO, Joginipelli S, Melapu VK. Architecture and biological applications of artificial neural networks: a tuberculosis perspective. Methods Mol Biol. 2015;1260:269-83. doi: 10.1007/978-1-4939-2239-0_17.
- Souza Filho JBOE, Sanchez M, Seixas JM, Maidantchik C, Galliez R, Moreira ADSR, da Costa PA, Oliveira MM, Harries AD, Kritski AL. Screening for active pulmonary tuberculosis: Development and applicability of artificial neural network models. Tuberculosis (Edinb). 2018 Jul;111:94-101. doi: 10.1016/j.tube.2018.05.012. Epub 2018 May 19.
- Dande P, Samant P. Acquaintance to Artificial Neural Networks and use of artificial intelligence as a diagnostic tool for tuberculosis: A review. Tuberculosis (Edinb). 2018 Jan;108:1-9. doi: 10.1016/j.tube.2017.09.006. Epub 2017 Sep 20.
- de O Souza Filho JB, de Seixas JM, Galliez R, de Braganca Pereira B, de Q Mello FC, Dos Santos AM, Kritski AL. A screening system for smear-negative pulmonary tuberculosis using artificial neural networks. Int J Infect Dis. 2016 Aug;49:33-9. doi: 10.1016/j.ijid.2016.05.019. Epub 2016 May 24.
- Herman B, Sirichokchatchawan W, Pongpanich S, Nantasenamat C. Development and performance of CUHAS-ROBUST application for pulmonary rifampicin-resistance tuberculosis screening in Indonesia. PLoS One. 2021 Mar 25;16(3):e0249243. doi: 10.1371/journal.pone.0249243. eCollection 2021.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
15 de junio de 2020
Finalización primaria (Actual)
30 de septiembre de 2020
Finalización del estudio (Actual)
2 de octubre de 2020
Fechas de registro del estudio
Enviado por primera vez
6 de diciembre de 2019
Primero enviado que cumplió con los criterios de control de calidad
19 de diciembre de 2019
Publicado por primera vez (Actual)
23 de diciembre de 2019
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
27 de octubre de 2020
Última actualización enviada que cumplió con los criterios de control de calidad
26 de octubre de 2020
Última verificación
1 de octubre de 2020
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 0111190912
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Indeciso
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .