Esta página se tradujo automáticamente y no se garantiza la precisión de la traducción. por favor refiérase a versión inglesa para un texto fuente.

Diagnóstico y Pronóstico Asistido por Inteligencia Artificial en COVID-19 Mediante Electrocardiogramas (AI-COV-19)

24 de agosto de 2021 actualizado por: Imperial College London

Diagnóstico y pronóstico asistido por inteligencia artificial en COVID-19 mediante electrocardiogramas e imágenes

La enfermedad por coronavirus 2019 (COVID-19) se ha generalizado en todo el mundo desde diciembre de 2019. Es altamente contagioso y los casos graves pueden provocar dificultad respiratoria aguda o insuficiencia multiorgánica. El 11 de marzo de 2020, la OMS hizo la evaluación de que COVID-19 puede caracterizarse como una pandemia. Con el desarrollo del aprendizaje automático, la tecnología de inteligencia artificial (IA) basada en el aprendizaje profundo ha demostrado un gran éxito en el campo del análisis de datos médicos debido a su capacidad de extraer características ricas de imágenes y conjuntos de datos clínicos complejos. En este estudio, nuestro objetivo es utilizar los datos clínicos recopilados como parte de la atención clínica de rutina (trazados cardíacos, radiografías y tomografías computarizadas) para entrenar algoritmos de inteligencia artificial y aprendizaje automático, para predecir con precisión el curso de la enfermedad en pacientes con Covid-19. infección, utilizando estos conjuntos de datos.

Descripción general del estudio

Estado

Reclutamiento

Condiciones

Intervención / Tratamiento

Descripción detallada

La enfermedad por coronavirus 2019 (COVID-19) se ha generalizado en todo el mundo desde diciembre de 2019. Es altamente contagioso y los casos graves pueden provocar dificultad respiratoria aguda o insuficiencia orgánica múltiple y, en última instancia, la muerte. La enfermedad se puede confirmar mediante el uso de la prueba de reacción en cadena de la polimerasa de transcripción inversa (RT-PCR). Los ECG, las radiografías de tórax y las tomografías computarizadas son ricas fuentes de datos que brindan información sobre enfermedades que de otro modo no estarían disponibles.

Saber a quién admitir en el hospital o en cuidados intensivos salva vidas, ya que ayuda a mitigar la escasez de recursos. Las nuevas herramientas de inteligencia artificial, como el aprendizaje profundo, permitirán una evaluación compleja de los datos clínicos y de imágenes que podrían ayudar a los médicos a realizar un diagnóstico más rápido y preciso, clasificar mejor a los pacientes y evaluar la respuesta al tratamiento y, en última instancia, una mejor predicción del resultado. Nuestro grupo tiene una experiencia significativa en la implementación de algoritmos de aprendizaje automático en grandes cantidades de ECG, como los del Biobanco del Reino Unido, y propone extender nuestras técnicas a datos de pacientes con Covid-19.

Este es un estudio retrospectivo de datos sobre pacientes con COVID-19 sospechoso y confirmado.

El estudio tiene como objetivo reclutar hasta 2000 pacientes que serán derivados para someterse a ECG, radiografías de tórax o tomografías computarizadas en Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust y London North West London University Healthcare NHS Trust.

Para ser incluido en este estudio, el paciente debe:

  • tener ECG, radiografía de tórax y/o tomografía computarizada de tórax (con o sin contraste)
  • prueba de laboratorio de ácido nucleico del virus Covid-19 (ensayo RTPCR con muestras de frotis de garganta) o sospecha clínica de infección por Covid19
  • Ser mayor de 18 años Se excluirán los pacientes con ECG, radiografía de tórax y estudios de TC subóptimos debido a artefactos. Los pacientes también serán excluidos si el intervalo de tiempo entre los ECG, la TC de tórax y el ensayo de RT-PCR fue superior a 7 días.

Este estudio recibió la aprobación de HRA y Health and Care Research Wales (HCRW) el 18 de mayo de 2020 luego de la revisión del Comité de Ética de Investigación en una reunión celebrada el 13 de mayo de 2020 (Número de protocolo: 20HH5967; referencia REC: 20/HRA/2467).

Tipo de estudio

De observación

Inscripción (Anticipado)

2000

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

  • Reino Unido
      • London, Reino Unido, HA1 3UJ
        • Reclutamiento
        • London North West University Healthcare NHS Trust
        • Contacto:
          • Jaymin Shah, MRCP PhD
          • Número de teléfono: 02075949832
          • Correo electrónico: jaymin.shah@nhs.net
      • London, Reino Unido, TW7 6AF
      • London, Reino Unido, W12 0NN
        • Activo, no reclutando
        • Imperial College London (Hammersmith campus)
      • London, Reino Unido, W2 1NY
        • Reclutamiento
        • St Mary's Hospital
        • Contacto:
        • Contacto:

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

14 años y mayores (Adulto, Adulto Mayor)

Acepta Voluntarios Saludables

No

Géneros elegibles para el estudio

Todos

Método de muestreo

Muestra no probabilística

Población de estudio

Este es un estudio retrospectivo de datos sobre pacientes con COVID-19 sospechoso y confirmado.

El estudio tiene como objetivo reclutar hasta 2000 pacientes que serán derivados para someterse a ECG, radiografías de tórax o tomografías computarizadas en Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust y London North West London University Healthcare NHS Trust.

Descripción

Criterios de inclusión:

  • tener ECG, radiografía de tórax y/o tomografía computarizada de tórax (con o sin contraste)
  • Prueba de ácido nucleico del virus Covid-19 de laboratorio positiva (ensayo RTPCR con muestras de hisopado de garganta) o sospecha clínica de infección por Covid-19
  • ser mayor de 18 años

Criterio de exclusión:

  • ECG subóptimos, radiografías de tórax o estudios de TC para métodos de aprendizaje profundo debido a artefactos que incluyen graves
  • artefactos de movimiento que causan desenfoque de los contornos o artefactos significativos debido a prótesis metálicas que causan degradación de la imagen
  • El intervalo de tiempo entre los ECG, la TC de tórax y el ensayo de RT-PCR fue superior a 7 días

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: Grupo
  • Perspectivas temporales: Retrospectivo

¿Qué mide el estudio?

Medidas de resultado primarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Precisión del aprendizaje automático para poder predecir el resultado de la infección por coronavirus (COVID-19)
Periodo de tiempo: Al final de los análisis de datos, aproximadamente 1 año
Precisión con la que el análisis basado en computadora (aprendizaje automático) puede diagnosticar y/o pronosticar Covid-19 Número de participantes con COVID19 que murieron o sobrevivieron después de la admisión en el hospital
Al final de los análisis de datos, aproximadamente 1 año
Precisión del aprendizaje automático para poder predecir el pronóstico de la infección por coronavirus (COVID-19)
Periodo de tiempo: Al final de los análisis de datos, aproximadamente 1 año
Número de participantes que requirieron ventilación invasiva frente a no invasiva frente a atención en planta frente a fallecidos
Al final de los análisis de datos, aproximadamente 1 año

Medidas de resultado secundarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Precisión del aprendizaje automático para poder predecir la afectación cardíaca de la infección por coronavirus (COVID-19)
Periodo de tiempo: Al final de los análisis de datos, aproximadamente 1 año
Número de participantes que tenían problemas cardíacos relacionados con COVID19.
Al final de los análisis de datos, aproximadamente 1 año
Precisión del aprendizaje automático frente a la evaluación humana para diagnosticar la infección por coronavirus (COVID-19)
Periodo de tiempo: Al final de los análisis de datos, aproximadamente 1 año
Número de participantes que pueden identificarse con COVID19 mediante el aprendizaje automático frente a humanos u otras pruebas o evaluaciones clínicas
Al final de los análisis de datos, aproximadamente 1 año

Colaboradores e Investigadores

Aquí es donde encontrará personas y organizaciones involucradas en este estudio.

Patrocinador

Imperial College London

Colaboradores

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

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)

26 de mayo de 2020

Finalización primaria (Anticipado)

1 de mayo de 2022

Finalización del estudio (Anticipado)

1 de mayo de 2022

Fechas de registro del estudio

Enviado por primera vez

7 de agosto de 2020

Primero enviado que cumplió con los criterios de control de calidad

11 de agosto de 2020

Publicado por primera vez (Actual)

12 de agosto de 2020

Actualizaciones de registros de estudio

Última actualización publicada (Actual)

30 de agosto de 2021

Última actualización enviada que cumplió con los criterios de control de calidad

24 de agosto de 2021

Última verificación

1 de agosto de 2021

Más información

Términos relacionados con este estudio

Palabras clave

Términos MeSH relevantes adicionales

Otros números de identificación del estudio

  • 20HH5967

Plan de datos de participantes individuales (IPD)

¿Planea compartir datos de participantes individuales (IPD)?

Sí

Descripción del plan IPD

Este es un estudio que utiliza datos retrospectivos pseudo anonimizados que se adquirieron como parte de la atención clínica habitual de los pacientes. No existen riesgos directos para la salud de los pacientes. Los principales problemas giran en torno a la seguridad y el almacenamiento de datos. Para abordar esto, los miembros del equipo de atención directa que no sean miembros del equipo de investigación realizarán la pseudoanonimización de los datos y pasarán un conjunto de datos pseudoanonimizados al equipo de investigación sin acceso a la pseudoanonimización. código. Por lo tanto, el equipo de investigación no podrá identificar a los pacientes a partir de esos datos. Los datos pseudoanonimizados también se almacenarán de forma segura para minimizar aún más los riesgos.

Marco de tiempo para compartir IPD

dentro de la duración del estudio

Criterios de acceso compartido de IPD

Investigadores del estudio

Tipo de información de apoyo para compartir IPD

  • Protocolo de estudio
  • Plan de Análisis Estadístico (SAP)

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. .

Ensayos clínicos sobre Coronavirus

Ensayos clínicos sobre Intervención nula

Buscar ensayos similares

Patrocinadores y Colaboradores

Condiciones médicas

Intervenciones de drogas

CROs by country

CROs in Armenia

Condiciones

Enfermedades Raras

Intervenciones de drogas

Suplementos dietéticos

Patrocinador / Colaboradores

Localizaciones

Suscribir