Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Tekoälyavusteinen diagnoosi ja ennustaminen COVID-19:ssä elektrokardiogrammeilla (AI-COV-19)

tiistai 24. elokuuta 2021 päivittänyt: Imperial College London

Tekoälyavusteinen diagnoosi ja ennustaminen COVID-19:ssä elektrokardiogrammin ja kuvantamisen avulla

Koronavirustauti 2019 (COVID-19) on ollut laajalle levinnyt maailmanlaajuisesti joulukuusta 2019 lähtien. Se on erittäin tarttuvaa, ja vakavat tapaukset voivat johtaa akuuttiin hengitysvaikeuteen tai useiden elinten vajaatoimintaan. WHO teki 11.3.2020 arvion, jonka mukaan COVID-19 voidaan luonnehtia pandemiaksi. Koneoppimisen kehittyessä syväoppimiseen perustuva tekoäly (AI) -tekniikka on osoittanut valtavaa menestystä lääketieteellisen tiedon analysoinnin alalla, koska se pystyy poimimaan monipuolisia ominaisuuksia kuvantamisesta ja monimutkaisista kliinisistä tietojoukoista. Tässä tutkimuksessa pyrimme käyttämään osana rutiininomaista kliinistä hoitoa (sydämenjäljitykset, röntgenkuvat ja TT-skannaukset) kerättyä kliinistä tietoa tekoälyn ja koneoppimisalgoritmien kouluttamiseen, jotta voidaan ennustaa tarkasti Covid-19-potilaiden sairauden kulku. infektioita käyttämällä näitä tietokokonaisuuksia.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Koronavirustauti 2019 (COVID-19) on ollut laajalle levinnyt maailmanlaajuisesti joulukuusta 2019 lähtien. Se on erittäin tarttuvaa, ja vakavat tapaukset voivat johtaa akuuttiin hengitysvaikeuteen tai useiden elinten vajaatoimintaan ja lopulta kuolemaan. Sairaus voidaan varmistaa käyttämällä käänteistranskriptiopolymeraasiketjureaktio (RT-PCR) -testiä. EKG:t, rintakehän röntgenkuvat ja CT-skannaukset ovat runsaita tietolähteitä, jotka tarjoavat tietoa sairauksista, joita ei muuten olisi saatavilla.

Tietäminen, kenet mennä sairaalaan tai tehohoitoon, säästää ihmishenkiä, koska se auttaa lieventämään resurssipulaa. Uudet tekoälytyökalut, kuten syväoppiminen, mahdollistavat kuvantamisen ja kliinisen tiedon monimutkaisen arvioinnin, mikä saattaa auttaa kliinikoita tekemään nopeamman ja tarkemman diagnoosin, parantamaan potilaiden lajittelua ja arvioimaan hoitovastetta ja lopulta paremman tuloksen ennustamisen. Ryhmällämme on merkittävää kokemusta koneoppimisalgoritmien käyttöönotosta suurissa määrissä EKG:itä, kuten Iso-Britannian biopankista, ja se ehdottaa tekniikoidemme laajentamista Covid-19-potilaiden tietoihin.

Tämä on retrospektiivinen datatutkimus potilaista, joilla on epäilyttävä ja vahvistettu COVID-19.

Tutkimuksen tavoitteena on rekrytoida jopa 2000 potilasta, joille lähetetään EKG-, rintakehän röntgen- tai CT-skannaukset Chelsean ja Westminster Hospitalin NHS Foundation Trustissa, Imperial College Healthcare NHS Trustissa ja London North West London University Healthcare NHS Trustissa.

Osallistuakseen tähän tutkimukseen potilaan tulee:

  • sinulla on EKG, rintakehän röntgenkuvaus ja/tai CT-kuvaus (kontrastilla tai ilman)
  • laboratorio Covid-19-viruksen nukleiinihappotesti (RTPCR-määritys kurkun vanupuikkonäytteillä) tai kliininen epäily Covid19-infektiosta
  • olla yli 18-vuotiaita Potilaat, joiden EKG:t, rintakehän röntgenkuvat ja CT-tutkimukset artefaktien vuoksi eivät ole optimaalisia, eivät sisälly. Potilaat suljetaan pois myös, jos EKG:n, rintakehän TT:n ja RT-PCR-määrityksen välinen aikaväli on yli 7 päivää.

Tämä tutkimus sai HRA:n ja Health and Care Research Walesin (HCRW) hyväksynnän 18. toukokuuta 2020 tutkimuksen eettisen komitean arvion jälkeen 13. toukokuuta 2020 pidetyssä kokouksessa (pöytäkirjanumero: 20HH5967; REC-viite: 20/HRA/2467).

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Odotettu)

2000

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

  • Yhdistynyt kuningaskunta
      • London, Yhdistynyt kuningaskunta, HA1 3UJ
        • Rekrytointi
        • London North West University Healthcare NHS Trust
        • Ottaa yhteyttä:
      • London, Yhdistynyt kuningaskunta, TW7 6AF
      • London, Yhdistynyt kuningaskunta, W12 0NN
        • Aktiivinen, ei rekrytointi
        • Imperial College London (Hammersmith campus)
      • London, Yhdistynyt kuningaskunta, W2 1NY

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

14 vuotta ja vanhemmat (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Tämä on retrospektiivinen datatutkimus potilaista, joilla on epäilyttävä ja vahvistettu COVID-19.

Tutkimuksen tavoitteena on rekrytoida jopa 2000 potilasta, joille lähetetään EKG-, rintakehän röntgen- tai CT-skannaukset Chelsean ja Westminster Hospitalin NHS Foundation Trustissa, Imperial College Healthcare NHS Trustissa ja London North West London University Healthcare NHS Trustissa.

Kuvaus

Sisällyttämiskriteerit:

  • sinulla on EKG, rintakehän röntgenkuvaus ja/tai CT-kuvaus (kontrastilla tai ilman)
  • positiivinen laboratorioCovid-19-viruksen nukleiinihappotesti (RTPCR-testi kurkun vanupuikkonäytteillä) tai kliininen epäily Covid-19-infektiosta
  • olla yli 18-vuotias

Poissulkemiskriteerit:

  • Suboptimaaliset EKG:t, rintakehän röntgenkuvat tai CT-tutkimukset syväoppimismenetelmiä varten, jotka johtuvat artefakteista, mukaan lukien vakavat
  • liikeartefakteja, jotka aiheuttavat metalliproteesin ääriviivojen epäselvyyttä tai merkittäviä esineitä, jotka aiheuttavat kuvan huononemista
  • EKG:n, rintakehän CT:n ja RT-PCR-määrityksen välinen aikaväli oli yli 7 päivää

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

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Koneoppimisen tarkkuus, jotta voidaan ennustaa koronavirustartunnan (COVID-19) lopputulos
Aikaikkuna: Tietojen analyysien lopussa noin 1 vuosi
Tarkkuus, jolla tietokonepohjainen analyysi (koneoppiminen) voi diagnosoida ja/tai ennustaa COVID-19-potilaiden lukumäärän, jotka kuolivat tai selvisivät hengissä sairaalahoidon jälkeen
Tietojen analyysien lopussa noin 1 vuosi
Koneoppimisen tarkkuus, jotta voidaan ennustaa koronavirustartunnan (COVID-19) ennuste
Aikaikkuna: Tietojen analyysien lopussa noin 1 vuosi
Osallistujien määrä, jotka tarvitsivat invasiivista vs ei-invasiivista ventilaatiota vs. osastopohjainen hoito vs. kuolleet
Tietojen analyysien lopussa noin 1 vuosi

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Koneoppimisen tarkkuus koronavirusinfektion (COVID-19) aiheuttaman sydämen osallisuuden ennustamiseksi
Aikaikkuna: Tietojen analyysien lopussa noin 1 vuosi
Niiden osallistujien määrä, joilla oli COVID19-sydänongelmia.
Tietojen analyysien lopussa noin 1 vuosi
Koneoppimisen tarkkuus verrattuna ihmisen arviointiin koronavirusinfektion (COVID-19) diagnosoimiseksi
Aikaikkuna: Tietojen analyysien lopussa noin 1 vuosi
Niiden osallistujien määrä, joiden voidaan tunnistaa COVID19-potilaiksi koneoppimisen ja ihmisen tai muun kliinisen testin tai arvioinnin avulla
Tietojen analyysien lopussa noin 1 vuosi

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Imperial College London

Yhteistyökumppanit

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

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)

Tiistai 26. toukokuuta 2020

Ensisijainen valmistuminen (Odotettu)

Sunnuntai 1. toukokuuta 2022

Opintojen valmistuminen (Odotettu)

Sunnuntai 1. toukokuuta 2022

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Perjantai 7. elokuuta 2020

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Tiistai 11. elokuuta 2020

Ensimmäinen Lähetetty (Todellinen)

Keskiviikko 12. elokuuta 2020

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Maanantai 30. elokuuta 2021

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 24. elokuuta 2021

Viimeksi vahvistettu

Sunnuntai 1. elokuuta 2021

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • 20HH5967

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

Joo

IPD-suunnitelman kuvaus

Tämä on tutkimus, jossa käytetään retrospektiivisiä, pseudo-anonymisoituja tietoja, jotka on hankittu osana potilaiden rutiinihoitoa. Potilaiden terveydelle ei ole suoria riskejä. Tärkeimmät ongelmat liittyvät tietoturvaan ja -tallennustilaan. Tämän ratkaisemiseksi suoran hoitoryhmän jäsenet, jotka eivät ole tutkimusryhmän jäseniä, suorittavat tietojen pseudoanonymisoinnin ja välittävät joukon pseudoanonymisoituja tietoja tutkimusryhmälle, jolla ei ole pääsyä pseudoanonymisointiin. koodi. Tutkimusryhmä ei siksi pysty tunnistamaan potilaita näiden tietojen perusteella. Pseudoanonymisoidut tiedot myös tallennetaan turvallisesti riskien minimoimiseksi.

IPD-jaon aikakehys

opiskeluajan sisällä

IPD-jaon käyttöoikeuskriteerit

Tutkimuksen tutkijat

IPD-jakamista tukeva tietotyyppi

  • Tutkimuspöytäkirja
  • Tilastollinen analyysisuunnitelma (SAP)

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 .

Kliiniset tutkimukset Koronaviirus

Kliiniset tutkimukset Ei väliintuloa

Hae vastaavia kokeiluja

Sponsorit ja yhteistyökumppanit

Sairaudet

Huumeiden interventiot

CROs by country

CROs in Peru

Ehdot

Harvinaiset sairaudet

Huumeiden interventiot

Ravintolisät

Sponsori / yhteistyökumppanit

Sijainnit

Tilaa