SARS-CoV2:n aiheuttaman keuhkovaurion keuhkojen CT-skannausanalyysi (TAC-COVID19)
keskiviikko 20. heinäkuuta 2022 päivittänyt: University of Milano Bicocca
Keuhkojen CT-skannaus SARS-CoV2:n aiheuttaman keuhkovaurion koneoppimisen avulla: monikeskusretrospektiivinen kohorttitutkimus.
Tämä on monikeskushavainnollinen retrospektiivinen kohorttitutkimus, jonka tavoitteena on tutkia SARS-CoV2-positiivisten potilaiden keuhkoparenkyymin morfologisia ominaisuuksia, jotka voidaan tunnistaa tekoälytekniikoiden avulla ja niiden vaikutusta potilaan tuloksiin.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
TAUSTA:
Helmikuussa Lombardiassa (Italia) rekisteröitiin ensimmäinen SARS-CoV2-positiivinen potilastapaus, virus, joka pystyy aiheuttamaan vakavan akuutin hengitysvajauksen muodon, nimeltään Coronavirus Disease 2019 (COVID-19).
Keuhkojen morfologian kvalitatiiviset arvioinnit on tunnistettu kuvaamaan tämän infektion makroskooppisia ominaisuuksia potilaiden saapumisen ja sairaalahoidon aikana.
Tällä hetkellä ei ole tutkimuksia, jotka olisivat tyhjentävästi kuvanneet SARS-CoV2:n aiheuttamaa parenkymaalista keuhkovauriota kvantitatiivisella analyysillä.
Tämän tutkimuksen hypoteesi on, että TT-kuvauksella arvioidut keuhkojen parenkyymin spesifiset morfologiset ja kvantitatiiviset muutokset potilailla, jotka kärsivät SARS-CoV2:n aiheuttamasta vaikeasta hengitysvajauksesta, voivat vaikuttaa hengitysvaihdun muutosasteen vakavuuteen. (hapetus ja hiilidioksidin puhdistuma) ja niillä on vaikutusta potilaan lopputulokseen.
TT-skannauksella arvioitujen tunnusomaisten keuhkojen morfologisten kuvioiden läsnäolo voisi mahdollistaa tiettyjen potilasryhmien tunnistamisen, jotka voivat hyötyä intensiivisestä hoidosta eri tavalla, mikä edistää merkittävästi potilaiden vakavuuden ja heidän kuolleisuusriskiään.
Tämä on kartoittava kliininen kuvaava tutkimus keuhkojen CT-kuvista täysin uudella potilaspopulaatiolla, jonka nukleiinihappoamplifikaatiotesti vahvisti SARS-CoV2-positiivisen.
NÄYTTEKOKO (n. potilasta):
Tutkimukseen kerätään kaikki potilaat, joilla on sisällyttämiskriteerit; yhteensä 500 potilasta odotetaan kerättäväksi.
Kuhunkin paikalliseen koekeskukseen otetaan noin 80 potilasta.
Seuraavat potilastiedot analysoidaan:
- TT-kuvaukseen osoitetut verikaasuanalyysitiedot, sairaalaan saapumisen yhteydessä tehdyt tarkastukset, TT-kuvauksen tekemisen, tehohoitoon pääsyn yhteydessä ja 7 päivää saapumisen jälkeen
- potilaan ominaisuudet, kuten ikä, sukupuoli ja painoindeksi (BMI)
- komorbiditeetti
- elinten toimintahäiriön esiintyminen peräkkäisen elinten vajaatoiminnan arvioinnin (SOFA) avulla
- laboratoriotiedot, jotka liittyvät sairaalahoitoon ja oireisiin ennen sairaalahoitoa.
- hengityslaite ja hemodynaamiset parametrit sairaalaan tullessa, TT-skannauksen suorittamisen yhteydessä, tehohoitoon saapumisen yhteydessä ja 7 päivää saapumisen jälkeen.
Keuhkojen CT-skannausanalyysin koneoppimislähestymistapa pyrkii arvioimaan:
- Kvantitatiiviset ja laadulliset keuhkojen muutokset;
- Tällaisten morfologisten ominaisuuksien kerrostuminen erityisiin morfologisiin keuhkoklustereihin, jotka on tunnistettu tekoälyn avulla käyttämällä syväoppimisalgoritmeja.
EETTISET NÄKÖKOHDAT:
Keuhkojen CT-kuvat kerätään ja anonymisoidaan. Myöhemmin Milano-Bicoccan yliopiston Institutionaalinen google drive -tili lähettää kuvat Pennsylvanian yliopiston Anestesiologian ja tehohoidon laitokselle ja Radiologian laitokselle tunnistamattomassa muodossa kehittynyttä kvantitatiivista analyysiä varten, joka hyödyntää tekoälyä syväoppimisalgoritmeilla.
Tiedot kerätään pseudo-anonyymisti paperilla Case Report Form (CRF) -lomakkeella, ja hankkeen tieteellinen koordinaattori analysoi.
Koska tutkimus on retrospektiivinen ja koska potilaiden tietoisen suostumuksen saaminen tällä pandemian hätätilanteessa on teknisiä vaikeuksia, tietoon perustuvasta suostumuksesta luovutaan.
TILASTOLLINEN ANALYYSI:
Jatkuvat tiedot ilmaistaan keskiarvona ± keskihajonna tai mediaani ja kvartiiliväli Shapiro-Wilk-testillä arvioitavan tiedon jakautumisen mukaan. Kategoriset muuttujat ilmaistaan suhteina (frekvenssi).
Syväoppimisen segmentointialgoritmi segmentoi keuhkojen parenkyymin koko CT-keuhkosta. Keuhkojen tilavuuden, keuhkojen painon ja opasiteetin intensiteetin jakautumisen analyysiä sovelletaan. Toiseksi suoritetaan klusterointianalyysi potilaiden kerrostamiseksi. Testataan sekä intensiteetti- että spatiaalinen klusterointialgoritmi. Kolmanneksi malli opetetaan ennustamaan vamman etenemistä kuvien ja kaikkien muiden potilastietojen avulla. Tilastollinen merkitsevyys otetaan huomioon p < 0,05 (kaksisuuntainen) läsnä ollessa.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
44
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Bergamo, Italia
- Ospedale Papa Giovanni Xxiii
-
Bergamo, Italia
- Policlinico San Marco-San Donato group
-
Ferrara, Italia
- Azienda Ospedaliero-Universitaria di Ferrara
-
Lecco, Italia
- ASST di Lecco Ospedale Alessandro Manzoni
-
Melzo, Italia
- ASST Melegnano-Martesana, Ospedale Santa Maria delle Stelle
-
Monza, Italia
- ASST Monza
-
Rimini, Italia
- AUSL Romagna-Ospedale Infermi di Rimini
-
-
-
-
-
San Marino, San Marino
- Istituto per la Sicurezza Sociale-Ospedale della Repubblica di San Marino
-
-
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
18 vuotta ja vanhemmat (Aikuinen, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Tavoitteena on kerätä mahdollisimman monta keuhkojen CT-kuvaa potilaista, joilla on COVID-19; alustavan arviointiarvion mukaan potilasta odotetaan kerättäväksi yhteensä 500.
Kuvaus
Sisällyttämiskriteerit (COVID-19-kohortti):
- 18-vuotiaat tai vanhemmat potilaat;
- Positiivinen vahvistus SARS-CoV2:n nukleiinihappoamplifikaatiotestillä tai serologialla nenä-nielun vanupuikolla, bronkoaspiraattinäytteellä tai bronkoalveolaarisella huuhtelulla;
- Keuhkojen CT-skannaus tehty 7 päivän sisällä sairaalaan saapumisesta;
Osallistumiskriteerit (ARDS-kohortti):
- Yli 18-vuotiaat potilaat;
- Sairaalaan otetut potilaat, joilla on ARDS-diagnoosi Berliinin kriteerien mukaisesti;
- Keuhkojen CT-skannaus suoritettu 7 päivän sisällä ARDS-diagnoosista;
Poissulkemiskriteerit (ARDS-kohortti):
● Positiivinen vahvistus nukleiinihappoamplifikaatiotestillä tai SARS-CoV2-serologialla nenä-nielun vanupuikolla, bronkoaspiraattinäytteellä tai bronkoalveolaarisella huuhtelulla
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Takautuva
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
covid-19-keuhkokuumeeseen liittyviä potilaita
Tutkimuksen tavoitteena on kerätä mahdollisimman paljon COVID-19-potilailla tehtyjä keuhkojen CT-kuvia, jotta saadaan suuri otoskoko, jonka avulla voimme karakterisoida keuhkovaurion laajuuden ja tiettyjen keuhkojen muutosmallien esiintymisen. , ja niiden mahdollinen yhteys potilaiden tuloksiin – tarkoituksena auttaa lääkintähenkilöstöä ymmärtämään paremmin näiden potilaiden vaikeusaste, jotka saattavat olla potentiaalisesti ehdokkaita tehokkaampiin hoitostrategioihin.
|
Tässä tutkimusprojektissa arvioidaan keuhkojen morfologisia ominaisuuksia TT-skannausanalyysillä COVID-19-potilailla, jotka tunnistetaan erityisiksi kuvioiksi tekoälyteknologian avulla ja niiden vaikutusta lopputulokseen.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Laadullinen analyysi COVID-19:n aiheuttamasta parenkymaalisesta keuhkovauriosta
Aikaikkuna: Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Kuvaile COVID-19:n aiheuttamaa parenkymaalista keuhkovauriota kvalitatiivisen analyysin avulla rintakehän TT:llä tekoälytekniikoiden avulla.
|
Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
|
Kvantitatiivinen analyysi COVID-19:n aiheuttamasta parenkymaalisesta keuhkovauriosta
Aikaikkuna: Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Kuvaile COVID-19:n aiheuttamaa parenkymaalista keuhkovauriota kvantitatiivisella analyysillä rintakehän TT:llä tekoälytekniikoiden avulla.
|
Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Parenkymaalisten morfologisten CT-skannausten mahdollinen vaikutus potilailla, joilla on vaikea kohtalainen hengitysvajaus.
Aikaikkuna: Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Parenkymaalisten morfologisten TT-kuvausten mahdollinen vaikutus potilailla, joilla on vaikea kohtalainen hengitysvajaus, arvioituna tehohoitokuolleisuudeksi.
|
Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
|
Parenkymaalisten morfologisten CT-skannausten mahdollinen vaikutus potilailla, joilla on vaikea kohtalainen hengitysvajaus.
Aikaikkuna: Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Parenkymaalisten morfologisten TT-skannausten mahdollinen vaikutus potilailla, joilla on vaikea kohtalainen hengitysvajaus arvioituna sairaalakuolleisuudeksi.
|
Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
|
Parenkymaalisten morfologisten CT-skannausten mahdollinen vaikutus potilailla, joilla on vaikea kohtalainen hengitysvajaus.
Aikaikkuna: Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Parenkymaalisten morfologisten CT-skannausten mahdollinen vaikutus potilailla, joilla on vaikea keskivaikea hengitysvajaus, arvioituna päivinä, joissa ei käytetä mekaanista ventilaatiota.
|
Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
|
COVID-19- ja ARDS-potilaiden keuhkotutkimusten automaattinen segmentointi.
Aikaikkuna: Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Hypoteesi on, että syvän hermoverkkomallien käyttö keuhkojen segmentoimiseksi akuutissa hengitysvaikeusoireyhtymässä (ARDS) eläinmalleissa ja kroonisessa obstruktiivisessa keuhkosairaudessa (COPD) potilailla, joita voitaisiin soveltaa COVID-19-potilaiden keuhkojen segmentointiin. oppimisen siirtomekanismin kautta tekoälyllä.
|
Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
|
Tietoa COVID-19-potilaiden rintakehän TT-ominaisuuksista ja niiden yksityiskohdista koneoppimisen ja muiden kvantitatiivisten tekniikoiden avulla.
Aikaikkuna: Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Laajenna tietämystäsi COVID-19-potilaiden rintakehän TT-ominaisuuksista ja niiden yksityiskohdista käyttämällä koneoppimista ja muita kvantitatiivisia tekniikoita, joissa verrataan COVID-19-potilaiden TT-kuvioita ARDS-potilaiden TT-kuvioihin.
|
Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
|
Kyky, jonka puitteissa syväoppimismalleja käyttävän tekoälyn analyysiä voidaan käyttää kliinisten tulosten ennustamiseen
Aikaikkuna: Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Selvitä kapasiteetti, jossa syväoppimismalleja käyttävää tekoälyanalyysiä voidaan käyttää kliinisten tulosten ennustamiseen 7 päivän kuluessa sairaalaan saapumisesta saadun rintakehän TT:n ominaisuuksien analyysin perusteella; yhdistämällä kvantitatiiviset CT-tiedot kliinisiin tietoihin.
|
Kunnes potilas kotiutuu sairaalasta (noin 6 kuukautta)
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Huang C, Wang Y, Li X, Ren L, Zhao J, Hu Y, Zhang L, Fan G, Xu J, Gu X, Cheng Z, Yu T, Xia J, Wei Y, Wu W, Xie X, Yin W, Li H, Liu M, Xiao Y, Gao H, Guo L, Xie J, Wang G, Jiang R, Gao Z, Jin Q, Wang J, Cao B. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020 Feb 15;395(10223):497-506. doi: 10.1016/S0140-6736(20)30183-5. Epub 2020 Jan 24. Erratum In: Lancet. 2020 Jan 30;:
- Chen N, Zhou M, Dong X, Qu J, Gong F, Han Y, Qiu Y, Wang J, Liu Y, Wei Y, Xia J, Yu T, Zhang X, Zhang L. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. Lancet. 2020 Feb 15;395(10223):507-513. doi: 10.1016/S0140-6736(20)30211-7. Epub 2020 Jan 30.
- Wang D, Hu B, Hu C, Zhu F, Liu X, Zhang J, Wang B, Xiang H, Cheng Z, Xiong Y, Zhao Y, Li Y, Wang X, Peng Z. Clinical Characteristics of 138 Hospitalized Patients With 2019 Novel Coronavirus-Infected Pneumonia in Wuhan, China. JAMA. 2020 Mar 17;323(11):1061-1069. doi: 10.1001/jama.2020.1585. Erratum In: JAMA. 2021 Mar 16;325(11):1113.
- Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, Xiang J, Wang Y, Song B, Gu X, Guan L, Wei Y, Li H, Wu X, Xu J, Tu S, Zhang Y, Chen H, Cao B. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020 Mar 28;395(10229):1054-1062. doi: 10.1016/S0140-6736(20)30566-3. Epub 2020 Mar 11. Erratum In: Lancet. 2020 Mar 28;395(10229):1038. Lancet. 2020 Mar 28;395(10229):1038.
- Yang X, Yu Y, Xu J, Shu H, Xia J, Liu H, Wu Y, Zhang L, Yu Z, Fang M, Yu T, Wang Y, Pan S, Zou X, Yuan S, Shang Y. Clinical course and outcomes of critically ill patients with SARS-CoV-2 pneumonia in Wuhan, China: a single-centered, retrospective, observational study. Lancet Respir Med. 2020 May;8(5):475-481. doi: 10.1016/S2213-2600(20)30079-5. Epub 2020 Feb 24. Erratum In: Lancet Respir Med. 2020 Apr;8(4):e26.
- Shi H, Han X, Jiang N, Cao Y, Alwalid O, Gu J, Fan Y, Zheng C. Radiological findings from 81 patients with COVID-19 pneumonia in Wuhan, China: a descriptive study. Lancet Infect Dis. 2020 Apr;20(4):425-434. doi: 10.1016/S1473-3099(20)30086-4. Epub 2020 Feb 24.
- Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, Tao Q, Sun Z, Xia L. Correlation of Chest CT and RT-PCR Testing for Coronavirus Disease 2019 (COVID-19) in China: A Report of 1014 Cases. Radiology. 2020 Aug;296(2):E32-E40. doi: 10.1148/radiol.2020200642. Epub 2020 Feb 26.
- Pan F, Ye T, Sun P, Gui S, Liang B, Li L, Zheng D, Wang J, Hesketh RL, Yang L, Zheng C. Time Course of Lung Changes at Chest CT during Recovery from Coronavirus Disease 2019 (COVID-19). Radiology. 2020 Jun;295(3):715-721. doi: 10.1148/radiol.2020200370. Epub 2020 Feb 13.
- Chung M, Bernheim A, Mei X, Zhang N, Huang M, Zeng X, Cui J, Xu W, Yang Y, Fayad ZA, Jacobi A, Li K, Li S, Shan H. CT Imaging Features of 2019 Novel Coronavirus (2019-nCoV). Radiology. 2020 Apr;295(1):202-207. doi: 10.1148/radiol.2020200230. Epub 2020 Feb 4.
- Remuzzi A, Remuzzi G. COVID-19 and Italy: what next? Lancet. 2020 Apr 11;395(10231):1225-1228. doi: 10.1016/S0140-6736(20)30627-9. Epub 2020 Mar 13.
- Grasselli G, Pesenti A, Cecconi M. Critical Care Utilization for the COVID-19 Outbreak in Lombardy, Italy: Early Experience and Forecast During an Emergency Response. JAMA. 2020 Apr 28;323(16):1545-1546. doi: 10.1001/jama.2020.4031. No abstract available.
- Dong E, Du H, Gardner L. An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis. 2020 May;20(5):533-534. doi: 10.1016/S1473-3099(20)30120-1. Epub 2020 Feb 19. No abstract available. Erratum In: Lancet Infect Dis. 2020 Sep;20(9):e215.
- Zhou S, Wang Y, Zhu T, Xia L. CT Features of Coronavirus Disease 2019 (COVID-19) Pneumonia in 62 Patients in Wuhan, China. AJR Am J Roentgenol. 2020 Jun;214(6):1287-1294. doi: 10.2214/AJR.20.22975. Epub 2020 Mar 5.
- Xiong Y, Sun D, Liu Y, Fan Y, Zhao L, Li X, Zhu W. Clinical and High-Resolution CT Features of the COVID-19 Infection: Comparison of the Initial and Follow-up Changes. Invest Radiol. 2020 Jun;55(6):332-339. doi: 10.1097/RLI.0000000000000674.
- Salehi S, Abedi A, Balakrishnan S, Gholamrezanezhad A. Coronavirus Disease 2019 (COVID-19): A Systematic Review of Imaging Findings in 919 Patients. AJR Am J Roentgenol. 2020 Jul;215(1):87-93. doi: 10.2214/AJR.20.23034. Epub 2020 Mar 14.
- Dai WC, Zhang HW, Yu J, Xu HJ, Chen H, Luo SP, Zhang H, Liang LH, Wu XL, Lei Y, Lin F. CT Imaging and Differential Diagnosis of COVID-19. Can Assoc Radiol J. 2020 May;71(2):195-200. doi: 10.1177/0846537120913033. Epub 2020 Mar 4.
- Li Y, Xia L. Coronavirus Disease 2019 (COVID-19): Role of Chest CT in Diagnosis and Management. AJR Am J Roentgenol. 2020 Jun;214(6):1280-1286. doi: 10.2214/AJR.20.22954. Epub 2020 Mar 4.
- Xie X, Zhong Z, Zhao W, Zheng C, Wang F, Liu J. Chest CT for Typical Coronavirus Disease 2019 (COVID-19) Pneumonia: Relationship to Negative RT-PCR Testing. Radiology. 2020 Aug;296(2):E41-E45. doi: 10.1148/radiol.2020200343. Epub 2020 Feb 12.
- Fang Y, Zhang H, Xie J, Lin M, Ying L, Pang P, Ji W. Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR. Radiology. 2020 Aug;296(2):E115-E117. doi: 10.1148/radiol.2020200432. Epub 2020 Feb 19. No abstract available.
- Bai HX, Hsieh B, Xiong Z, Halsey K, Choi JW, Tran TML, Pan I, Shi LB, Wang DC, Mei J, Jiang XL, Zeng QH, Egglin TK, Hu PF, Agarwal S, Xie FF, Li S, Healey T, Atalay MK, Liao WH. Performance of Radiologists in Differentiating COVID-19 from Non-COVID-19 Viral Pneumonia at Chest CT. Radiology. 2020 Aug;296(2):E46-E54. doi: 10.1148/radiol.2020200823. Epub 2020 Mar 10.
- Bernheim A, Mei X, Huang M, Yang Y, Fayad ZA, Zhang N, Diao K, Lin B, Zhu X, Li K, Li S, Shan H, Jacobi A, Chung M. Chest CT Findings in Coronavirus Disease-19 (COVID-19): Relationship to Duration of Infection. Radiology. 2020 Jun;295(3):200463. doi: 10.1148/radiol.2020200463. Epub 2020 Feb 20.
- Guo L, Wei D, Zhang X, Wu Y, Li Q, Zhou M, Qu J. Clinical Features Predicting Mortality Risk in Patients With Viral Pneumonia: The MuLBSTA Score. Front Microbiol. 2019 Dec 3;10:2752. doi: 10.3389/fmicb.2019.02752. eCollection 2019. Erratum In: Front Microbiol. 2020 Jun 09;11:1304.
- Ki M; Task Force for 2019-nCoV. Epidemiologic characteristics of early cases with 2019 novel coronavirus (2019-nCoV) disease in Korea. Epidemiol Health. 2020;42:e2020007. doi: 10.4178/epih.e2020007. Epub 2020 Feb 9.
Hyödyllisiä linkkejä
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)
Torstai 7. toukokuuta 2020
Ensisijainen valmistuminen (Todellinen)
Tiistai 15. kesäkuuta 2021
Opintojen valmistuminen (Todellinen)
Torstai 31. maaliskuuta 2022
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Maanantai 18. toukokuuta 2020
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Tiistai 19. toukokuuta 2020
Ensimmäinen Lähetetty (Todellinen)
Keskiviikko 20. toukokuuta 2020
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Torstai 21. heinäkuuta 2022
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Keskiviikko 20. heinäkuuta 2022
Viimeksi vahvistettu
Perjantai 1. heinäkuuta 2022
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- TAC-COVID19
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Ei
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 .