COVID-19:n kliininen ja radiominen malli
Kliininen ja radiologinen malli COVID-19-potilaiden ennusteen ennustamiseen
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Joulukuussa 2019 Kiinan Wuhanissa ilmaantui uusi koronavirus, vakava akuutti hengitystieoireyhtymä koronavirus 2 (SARS-CoV-2; aiemmin nimeltään 2019-nCoV). SARS-CoV-2:n aiheuttama sairaus on COVID-19. 8. maaliskuuta 2020 mennessä maailmanlaajuisesti on raportoitu yli 100 000 COVID-19-potilasta (yli 80 000 tapausta Kiinassa, yli 20 000 muissa maissa) ja 3 600 potilasta (3 100 Kiinassa, 500 ulkomailla). Kiina) ovat kuolleet. COVID-19-epidemia on kansainvälistä huolta aiheuttava kansanterveydellinen hätätilanne.
COVID-19-potilaista noin 80 % on lieviä (ei-vakavia) potilaita, jotka yleensä paranevat kahdessa viikossa. Toiset 20 % potilaista voi kuitenkin pahentua vakavaksi tai vakavaksi sairaudeksi, joka johtaa pidempään sairaalahoitoon, ja tällaisten potilaiden kuolleisuus on 13,4 %. Siksi korkean riskin vakavien potilaiden inchoate tunnistaminen on erittäin tärkeää potilaan hallinnan ja lääketieteellisten resurssien kohdentamisen kannalta. Yleiskaranteenia ja oireenmukaista hoitoa voidaan käyttää useimmille ei-vakaville potilaille, kun taas korkeampi hoitotaso ja vihreä kanava tehohoitoyksikköön (ICU) ovat hyödyllisiä vakaville potilaille. Aiemmissa tutkimuksissa on tehty yhteenveto vakavien COVID-19-potilaiden kliinisistä ja radiologisista ominaisuuksista, mutta mitkä tekijät ovat tärkeitä ennustajia, on edelleen epäselvää.
Koneoppiminen on tekoälyn haara, jonka avulla voimme oppia tietoa ja mahdollisia lakeja annetusta datasta sekä rakentaa mallin ongelmien ratkaisemiseksi ihmisen tarpeisiin. Viime vuosina koneoppimista on kehitetty uudeksi työkaluksi suurten tietomäärien analysointiin lääketieteellisistä tiedoista tai kuvista. Aiemmat mallinnustutkimukset keskittyivät COVID-19:n mahdollisen kansainvälisen leviämisen ennustamiseen.
Siksi tarkoituksemme on kehittää ja validoida koneoppimismalli, joka perustuu pelkästään kliinisiin, laboratorio- ja radiologisiin ominaisuuksiin tai COVID-19-potilaiden yhdistelmään varhaisessa vaiheessa ilman vakavaa sairautta useista keskuksista, jotta voidaan ennustaa vakavia (tai kriittisiä) sairaus seuraavassa sairaalahoidossa riskin helpottamiseksi. Arvio ennen ja jälkeen oireita ja lajittelua (koti, sairaalahoito sisäänpäin tai teho-osasto).
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Hubei
-
Wuhan, Hubei, Kiina
- The Central Hospital of Wuhan
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- vahvistetut COVID-19-potilaat korkean suorituskyvyn sekvensoinnilla tai reaaliaikaisella käänteistranskriptaasipolymeraasiketjureaktiolla (RT-PCR) nenän ja nielun vanupuikkonäytteillä.
Poissulkemiskriteerit:
- potilaat, joilla on vakava sairaus, kun heidät otetaan;
- aikaväli > 2 päivää pääsyn ja kokeiden välillä;
- puuttuvat tiedot tai viivästyneet tulokset
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
vakava ryhmä
Vaikea ryhmä määritettiin, kun potilailla oli yksi seuraavista kriteereistä sairaalahoidon aikana Kiinan kansallisen terveyskomitean (versio 3-5). 1) Hengitysvaikeudet, joiden hengitystaajuus on ≥ 30/min; 2) Pulssioksimetrin happisaturaatio ≤ 93 % levossa; 3) Happiindeksi (happi/hengitetyn happifraktion valtimon osapaine, PaO2/FiO2) ≤ 300 mmHg; 4) Jokin seuraavista ehdoista: a) hengitysvajaus ilmenee ja vaatii koneellista ventilaatiota; b) shokki tapahtuu; c) Yhdistelmäelinten vajaatoiminnan vuoksi tarvitaan teho-osastoon pääsy.
|
Koneoppiminen, kuten logistinen regressio, satunnainen metsä ja syväoppiminen
|
|
ei-vakava ryhmä
Ei-vakava ryhmä määriteltiin, kun potilaat eivät esiintyneet mainituissa vakavissa kriteereissä ennen sairaalasta kotiutumista.
|
Koneoppiminen, kuten logistinen regressio, satunnainen metsä ja syväoppiminen
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Ennakoiva suorituskyky
Aikaikkuna: 1.1.2020 - 13.2.2020
|
AUC, tarkkuus, herkkyys ja spesifisyys
|
1.1.2020 - 13.2.2020
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- UM_2020_GY_COVID-19
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .