Keinotekoinen älykäs lääkeaineresistentin tuberkuloosin diagnosointi
maanantai 26. lokakuuta 2020 päivittänyt: Bumi Herman, Hasanuddin University
Keinotekoinen hermoverkko rifampisiiniresistentin tuberkuloosin diagnostisena työkaluna Indonesiassa: ennakoiva mallitutkimus ja taloudellinen arviointi
Otsikko: Keinotekoinen hermoverkko rifampisiiniresistentin tuberkuloosin diagnostisena työkaluna Indonesiassa. Ennustava mallitutkimus ja taloudellinen arviointi.
Taustaa: Lääkeresistentistä tuberkuloosista on tullut maailmanlaajuinen uhka erityisesti Indonesiassa. Tarve lisätä havaitsemista ja sen jälkeen asianmukaista hoitoa on huolenaihe näitä tapauksia käsiteltäessä. Pikamolekyylitestiä (erityisesti rifampisiiniresistenssin havaitsemiseen) hyödynnetään nyt terveydenhuollossa, erityisesti perusterveydenhuollon tasolla, ja haasteita ovat mm. laadunvalvonnan puute (mukaan lukien näytteen oikea hankkiminen ja käsittely ennen tutkimusta) jotka sitten vaikuttavat tulosten luotettavuuteen. Drug-Susceptibility Test (DST) on edelleen kultainen standardi lääkeresistentin tuberkuloosin diagnosoinnissa, mutta tämä toimenpide on aikaa vievä ja kallis. Keinotekoinen älykäs, mukaan lukien tietojen tutkiminen ja mallintaminen, on lupaava menetelmä mahdollisten lääkeresistenttien tapausten luokitteluun useiden tekijöiden yhdistämisen perusteella.
Tavoite:
- Kehittää tekoälyä käyttävä malli, joka pystyy luokittelemaan rifampisiiniresistentin tuberkuloosin mahdollisuuden.
- Arvioida mallin diagnostiikkakykyä ja tarkkuutta verrattuna olemassa olevaan pikatestiin ja kultastandardiin
- Arvioida keinotekoisen hermoverkkomallin kustannustehokkuuden arviointia verkkopohjaisessa sovelluksessa verrattuna standardidiagnostiikkatyökaluihin
Metodologia
- Poikkileikkaustutkimus, jossa on mukana kaikki epäillyt lääkeresistentit tuberkuloositapaukset, jotka on lähetetty tutkimuskeskukseen nopeaan molekyylitestiin ja DST-testiin viimeisen viiden vuoden aikana.
- Kiinnostavan muuttujan saamiseksi tehdään kattava, retrospektiivinen potilastietojen arviointi ja tuberkuloosikohtainen raportti.
- Kyselylomakkeen arviointi riittämättömien tietojen vahvistamiseksi.
- Mallinrakennus koneoppimisen ja syväoppimisen avulla
- Mallin validointi ja testaus harjoitustietojoukon ja eri opintokeskuksen datan avulla
Hypoteesi:
Keinotekoinen älykäs malli antaa samanlaisen tai paremman tuloksen diagnostisista kyvyistä vertaamalla nopeaa molekyylitestiä lääkeherkkyystestin mukaan. (Superiority Trial)
Tutkimuksen yleiskatsaus
Tila
Valmis
Yksityiskohtainen kuvaus
MENETTELY
- Tutkimuskeskusten myöntämän luvan mukaisesti tiimi saa lääketieteelliset tiedot kaikista kelvollisista tapauksista viimeisen 5 vuoden aikana
Tämän jälkeen tutkijat keräävät kiinnostavan muuttujan/parametrin tiedot, jotka on saatu anamneesin ottamisesta ja lisätutkimuksista sekä lääkelaskutusta ja sairaalamaksusta palvelukohtaisesti. Sairausvakuutuksen omaavien osallistujien suorat hoitomenot perustuvat INA-CBG-maksuun (tapauskohtainen ryhmä). Nämä tiedot tallennetaan sitten sähköiseen tietokantaan.
Mallin kehittämisen parametrit:
Isäntäpohjainen:
- Diabetes mellitus (mukaan lukien diagnoosin vuodet, HbA1c ennen DST-tutkimusta ja hoitoa, joko insuliini tai suun kautta otettava diabeteslääke)
- HIV:n esiintyminen (sisältäen diagnoosin vuodet, CD4-taso Ennen DST-tutkimusta ja -hoitoa sekä antiretroviraalinen lääkitys)
- Tupakoinnin lopettaminen (Brinkman-indeksi)
- Alkoholin kulutus
- Immunosuppressanttien (steroidien) käyttöhistoria
- Muiden sairauksien (syöpä, aivohalvaus, sydän- ja verisuonisairaudet) esiintyminen
- Huumeiden väärinkäytön historia
- Aiempi haittavaikutus tuberkuloosihoidon aikana
- Aiemman tuberkuloosihoidon noudattaminen
- COPD:n esiintyminen
- Painoindeksi
Ympäristö
- Historia kontakteista tuberkuloosipotilaiden kanssa
- Elinympäristön terveellinen indeksi (kotitalousjoukot)
Agentti
- Bakteerinäytteen taso ennen kesäaikaa
- Leesion laajeneminen rintakehän röntgenkuvauksessa
- Kavitaation esiintyminen
Sosiodemografiset tekijät
- Ikä
- Sukupuoli
- koulutus
- Tulotaso
- Terveysvakuutus
- Siviilisääty
- Työllisyystilanne
- Epätäydellisistä tiedoista vahvistetaan tapaukset lähettäneelle terveyskeskukselle tuberkuloosirekisteröinnin tai kyselylomakkeen avulla.
Mallin rakentaminen tehdään käyttämällä tekoälyä mallia R:ssä. Valittu malli on keinotekoinen hermoverkko, joka käyttää joko säteittäistä perusfunktiota tai monikerroksista perceptronia. Useita tärkeitä toimenpiteitä, mukaan lukien:
- Määritä merkitsevä parametri
- Riittämättömän ja epätasapainoisen tietoluokan käsittely (yli- tai aliotos)
- Normalisointi (erä, min-max)
- Kerros ja muotoilu
- Koulutus- ja testijakelu (70:30)
- Mallin valinta
- Ulkoinen validointi tehdään nimetylle opintokeskukselle. Tarkkuus: (tosi positiivinen + tosi negatiivinen)/kaikki tapaukset
- Inkrementaalisen kustannustehokkuussuhteen simulaatio tehdään vertaamalla parasta mallia kultastandardiin ja GeneXpertiin, mikä tuottaa säästöä tehokkuusyksikköä kohden.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
524
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
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
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Kaikki epäillyt/oletetut lääkeresistentit tuberkuloositapaukset, jotka on lähetetty nimettyyn tutkimuskeskukseen viimeisen 3 vuoden aikana
Kuvaus
Sisällyttämiskriteerit:
- Oletustapaukset WHO:n kriteerien mukaisesti
- WHO:n kriteerien mukaiset epäonnistumistapaukset
- Lääkärin lähettämät tapaukset oletetusta lääkeresistentistä tuberkuloosista seuraavasti:
Immuunivajautuneen tilan kanssa tai ilman, tuberkuloosilääkkeen haittavaikutuksen kanssa tai ilman, liitännäissairauksien (kuten diabetes mellitus, sydänsairaus) kanssa tai ilman
Poissulkemiskriteerit:
- Epätäydelliset tiedot nopeiden molekyylitestien tuloksista ja viljelytuloksista
- Osallistujat tai perheenjäsenet eivät pysty/halua antaa kyselylomakkeella saatuja lisätietoja
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Case-Control
- Aikanäkymät: Takautuva
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Positiivinen rifampisiiniresistentti tuberkuloosi
Kaikki epäillyt tapaukset, jotka tuottivat positiivisen rifampisiiniresistentin tuberkuloosin Gold-Standard-testissä (Culture on Lowenstein-Jensen Medium)
|
GeneXpert MTB/RIF -määritys on nukleiinihappoamplifikaatiotesti (NAA), joka havaitsee samanaikaisesti Mycobacterium tuberculosis -kompleksin (MTBC) DNA:n ja rifampiiniresistenssin (RIF) (eli rpoB-geenin mutaation) alle kahdessa tunnissa.
Tämä järjestelmä integroi ja automatisoi näytteen käsittelyn, nukleiinihappojen monistamisen ja kohdesekvenssien havaitsemisen.
XpertMTB/RIF-määrityksen alukkeet monistavat osan rpoB-geenistä, joka sisältää 81 emäsparin "ydinalueen".
Koettimet pystyvät erottamaan konservoituneen villityypin sekvenssin ja mutaatiot ydinalueella, joka liittyy rifampisiiniresistenssiin.
Tämän menettelyn tulos on havaittu, havaitsematon tai määrittelemätön.
Muut nimet:
Keinotekoinen älykäs malli on malli, joka on kehitetty useista koneoppimiseen ja syväoppimismenetelmään liittyvistä tekijöistä luokittelemaan lääkeresistentin tuberkuloosin mahdollisuus.
Keinotekoinen hermoverkko rakennetaan syväoppimisohjelmistolla.
Muut nimet:
Tämä menettely käyttää Löwenstein-Jensen (LJ) -elatusainetta sen määrittämiseksi, ovatko M. tuberculosis -isolaatit herkkiä anti-TB-aineille.
Elatusaine, joka sisältää kriittisen pitoisuuden anti-TB-ainetta, siirrostetaan viljelysuspension laimennuksella (yleensä 10-2 laimennos MacFarland 1 -suspensiosta) ja kontrollielatusaine, jossa ei ole anti-TB-ainetta, ympätään tavallisesti 10-4 liuoksella. MacFarland 1 -suspension laimennos.
Kasvua (eli useita pesäkkeitä) ainetta sisältävällä alustalla verrataan kasvuun ainevapaalla kontrollielatusaineella.
Anti-TB-ainetta sisältävällä alustalla olevien pesäkkeiden lukumäärän suhde pesäkkeiden lukumäärään (laimennuskertoimella korjattuna) alustalla, jossa ei ole anti-TB-ainetta, lasketaan, ja osuus ilmaistaan prosentteina.
Alustavat tulokset herkille isolaateille voidaan lukea 3-4 viikon inkubaation jälkeen; lopulliset tulokset voidaan lukea 6 viikon inkubaation jälkeen.
Resistenssi voidaan ilmoittaa 3-4 viikon kuluessa.
Muut nimet:
|
|
Negatiivinen rifampisiiniresistentti tuberkuloosi
Kaikki epäillyt tapaukset, jotka tuottivat negatiivisen rifampisiiniresistentin tuberkuloosin Gold-Standard-testissä (Culture on Lowenstein-Jensen Medium)
|
GeneXpert MTB/RIF -määritys on nukleiinihappoamplifikaatiotesti (NAA), joka havaitsee samanaikaisesti Mycobacterium tuberculosis -kompleksin (MTBC) DNA:n ja rifampiiniresistenssin (RIF) (eli rpoB-geenin mutaation) alle kahdessa tunnissa.
Tämä järjestelmä integroi ja automatisoi näytteen käsittelyn, nukleiinihappojen monistamisen ja kohdesekvenssien havaitsemisen.
XpertMTB/RIF-määrityksen alukkeet monistavat osan rpoB-geenistä, joka sisältää 81 emäsparin "ydinalueen".
Koettimet pystyvät erottamaan konservoituneen villityypin sekvenssin ja mutaatiot ydinalueella, joka liittyy rifampisiiniresistenssiin.
Tämän menettelyn tulos on havaittu, havaitsematon tai määrittelemätön.
Muut nimet:
Keinotekoinen älykäs malli on malli, joka on kehitetty useista koneoppimiseen ja syväoppimismenetelmään liittyvistä tekijöistä luokittelemaan lääkeresistentin tuberkuloosin mahdollisuus.
Keinotekoinen hermoverkko rakennetaan syväoppimisohjelmistolla.
Muut nimet:
Tämä menettely käyttää Löwenstein-Jensen (LJ) -elatusainetta sen määrittämiseksi, ovatko M. tuberculosis -isolaatit herkkiä anti-TB-aineille.
Elatusaine, joka sisältää kriittisen pitoisuuden anti-TB-ainetta, siirrostetaan viljelysuspension laimennuksella (yleensä 10-2 laimennos MacFarland 1 -suspensiosta) ja kontrollielatusaine, jossa ei ole anti-TB-ainetta, ympätään tavallisesti 10-4 liuoksella. MacFarland 1 -suspension laimennos.
Kasvua (eli useita pesäkkeitä) ainetta sisältävällä alustalla verrataan kasvuun ainevapaalla kontrollielatusaineella.
Anti-TB-ainetta sisältävällä alustalla olevien pesäkkeiden lukumäärän suhde pesäkkeiden lukumäärään (laimennuskertoimella korjattuna) alustalla, jossa ei ole anti-TB-ainetta, lasketaan, ja osuus ilmaistaan prosentteina.
Alustavat tulokset herkille isolaateille voidaan lukea 3-4 viikon inkubaation jälkeen; lopulliset tulokset voidaan lukea 6 viikon inkubaation jälkeen.
Resistenssi voidaan ilmoittaa 3-4 viikon kuluessa.
Muut nimet:
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Keinotekoisen älykkään mallin tarkkuus lääkeherkkyystestin tuloksiin
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Tarkkuus on mallin ennustama oikeiden tapausten lukumäärä (mallilla saadut tulokset ovat samat kuin viljelmällä) tapausten kokonaismäärää kohden.
|
opintojen päätyttyä keskimäärin 1 vuosi
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Nopean molekulaarisen lääkeresistentin tuberkuloositestin tarkkuus lääkeherkkyystestin tuloksiin
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Tarkkuus on mallin ennustama oikeiden tapausten lukumäärä (GeneXpert MTB/RIF:llä saadut tulokset ovat samat kuin viljelmällä saadut tulokset) tapausten kokonaismäärää kohti.
|
opintojen päätyttyä keskimäärin 1 vuosi
|
Muut tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Keinotekoisen älykkään mallin diagnostinen kyky lääkeherkkyystestien tuloksiin
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Keinotekoisen älykkään mallin herkkyys, spesifisyys, negatiivinen ennustearvo ja positiivinen ennustearvo huumeherkkyystestin tuloksiin
|
opintojen päätyttyä keskimäärin 1 vuosi
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Opintojohtaja: Sathirakorn Pongpanich, Prof, Chulalongkorn University
- Päätutkija: Wandee Sirichokchatchawan, Ph.D, Chulalongkorn University
- Päätutkija: Bumi Herman, MD, Hasanuddin University
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- 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.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Maanantai 15. kesäkuuta 2020
Ensisijainen valmistuminen (Todellinen)
Keskiviikko 30. syyskuuta 2020
Opintojen valmistuminen (Todellinen)
Perjantai 2. lokakuuta 2020
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Perjantai 6. joulukuuta 2019
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Torstai 19. joulukuuta 2019
Ensimmäinen Lähetetty (Todellinen)
Maanantai 23. joulukuuta 2019
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 27. lokakuuta 2020
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Maanantai 26. lokakuuta 2020
Viimeksi vahvistettu
Torstai 1. lokakuuta 2020
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 0111190912
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Päättämätön
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .