Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Diagnostic et pronostic assistés par intelligence artificielle dans le COVID-19 à l'aide d'électrocardiogrammes (AI-COV-19)

24 août 2021 mis à jour par: Imperial College London

Diagnostic et pronostic assistés par intelligence artificielle dans le COVID-19 à l'aide d'électrocardiogrammes et d'imagerie

La maladie à coronavirus 2019 (COVID-19) est répandue dans le monde entier depuis décembre 2019. Il est très contagieux et les cas graves peuvent entraîner une détresse respiratoire aiguë ou une défaillance multiviscérale. Le 11 mars 2020, l'OMS a estimé que le COVID-19 pouvait être qualifié de pandémie. Avec le développement de l'apprentissage automatique, la technologie d'intelligence artificielle (IA) basée sur l'apprentissage profond a démontré un énorme succès dans le domaine de l'analyse des données médicales en raison de sa capacité à extraire des fonctionnalités riches de l'imagerie et des ensembles de données cliniques complexes. Dans cette étude, nous visons à utiliser les données cliniques collectées dans le cadre des soins cliniques de routine (tracés cardiaques, radiographies et tomodensitogrammes) pour former des algorithmes d'intelligence artificielle et d'apprentissage automatique, afin de prédire avec précision l'évolution de la maladie chez les patients atteints de Covid-19 infection, en utilisant ces ensembles de données.

Aperçu de l'étude

Statut

Recrutement

Les conditions

Intervention / Traitement

Description détaillée

La maladie à coronavirus 2019 (COVID-19) est répandue dans le monde entier depuis décembre 2019. Il est très contagieux et les cas graves peuvent entraîner une détresse respiratoire aiguë ou une défaillance multiviscérale et finalement la mort. La maladie peut être confirmée en utilisant le test de réaction en chaîne par polymérase à transcription inverse (RT-PCR). Les ECG, les radiographies pulmonaires et les tomodensitogrammes sont de riches sources de données qui fournissent un aperçu de la maladie qui autrement ne serait pas disponible.

Savoir qui admettre à l'hôpital ou aux soins intensifs sauve des vies car cela contribue à atténuer les pénuries de ressources. De nouveaux outils d'intelligence artificielle tels que l'apprentissage en profondeur permettront une évaluation complexe des données d'imagerie et cliniques qui pourraient potentiellement aider les cliniciens à établir un diagnostic plus rapide et plus précis, à mieux trier les patients et à évaluer la réponse au traitement et, finalement, à mieux prédire les résultats. Notre groupe a une expérience significative dans la mise en œuvre d'algorithmes d'apprentissage automatique sur de grandes quantités d'ECG, comme ceux de la UK Biobank, et propose d'étendre nos techniques aux données de patients atteints de Covid-19.

Il s'agit d'une étude de données rétrospective sur des patients atteints de COVID-19 suspects et confirmés.

L'étude vise à recruter jusqu'à 2000 patients qui seront référés pour subir des ECG, des radiographies pulmonaires ou des tomodensitogrammes au Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust et London North West London University Healthcare NHS Trust.

Pour être inclus dans cette étude, le patient doit :

  • avoir un ECG, une radiographie pulmonaire et/ou un scanner thoracique (avec ou sans produit de contraste)
  • test d'acide nucléique du virus Covid-19 en laboratoire (dosage RTPCR avec des prélèvements de gorge) ou suspicion clinique d'infection Covid19
  • être âgé de plus de 18 ans Les patients dont les ECG, les radiographies thoraciques et les examens tomodensitométriques sont sous-optimaux en raison d'artefacts seront exclus. Les patients seront également exclus si l'intervalle de temps entre les ECG, le scanner thoracique et le test RT-PCR était supérieur à 7 jours.

Cette étude a reçu l'approbation de HRA et Health and Care Research Wales (HCRW) le 18 mai 2020 après examen par le comité d'éthique de la recherche lors d'une réunion tenue le 13 mai 2020 (numéro de protocole : 20HH5967 ; référence REC : 20/HRA/2467).

Type d'étude

Observationnel

Inscription (Anticipé)

2000

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Lieux d'étude

  • Royaume-Uni
      • London, Royaume-Uni, HA1 3UJ
        • Recrutement
        • London North West University Healthcare NHS Trust
        • Contact:
      • London, Royaume-Uni, TW7 6AF
      • London, Royaume-Uni, W12 0NN
        • Actif, ne recrute pas
        • Imperial College London (Hammersmith campus)
      • London, Royaume-Uni, W2 1NY

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

14 ans et plus (Adulte, Adulte plus âgé)

Accepte les volontaires sains

Non

Sexes éligibles pour l'étude

Tout

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Il s'agit d'une étude de données rétrospective sur des patients atteints de COVID-19 suspects et confirmés.

L'étude vise à recruter jusqu'à 2000 patients qui seront référés pour subir des ECG, des radiographies pulmonaires ou des tomodensitogrammes au Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust et London North West London University Healthcare NHS Trust.

La description

Critère d'intégration:

  • avoir un ECG, une radiographie pulmonaire et/ou un scanner thoracique (avec ou sans produit de contraste)
  • test d'acide nucléique du virus Covid-19 de laboratoire positif (dosage RTPCR avec des échantillons de prélèvement de gorge) ou suspicion clinique d'infection Covid-19
  • être âgé de plus de 18 ans

Critère d'exclusion:

  • ECG, radiographies thoraciques ou études CT sous-optimales pour les méthodes d'apprentissage en profondeur en raison d'artefacts, y compris graves
  • artefacts de mouvement qui provoquent un flou des contours ou artefacts importants dus à une prothèse métallique qui provoque une dégradation de l'image
  • L'intervalle de temps entre les ECG, le scanner thoracique et le test RT-PCR était supérieur à 7 jours

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

  • Modèles d'observation: Cohorte
  • Perspectives temporelles: Rétrospective

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Précision de l'apprentissage automatique pour pouvoir prédire le résultat d'une infection à coronavirus (COVID-19)
Délai: A la fin des analyses de données, environ 1 an
Précision avec laquelle l'analyse informatisée (apprentissage automatique) peut diagnostiquer et/ou pronostiquer le Covid-19 Nombre de participants atteints de COVID19 qui sont décédés ou ont survécu après une admission à l'hôpital
A la fin des analyses de données, environ 1 an
Précision de l'apprentissage automatique pour pouvoir prédire le pronostic d'une infection à coronavirus (COVID-19)
Délai: A la fin des analyses de données, environ 1 an
Nombre de participants ayant eu besoin d'une ventilation invasive vs non invasive vs soins en salle vs décès
A la fin des analyses de données, environ 1 an

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Précision de l'apprentissage automatique pour pouvoir prédire l'implication cardiaque d'une infection à coronavirus (COVID-19)
Délai: A la fin des analyses de données, environ 1 an
Nombre de participants ayant eu des problèmes cardiaques liés au COVID19.
A la fin des analyses de données, environ 1 an
Précision de l'apprentissage automatique par rapport à l'évaluation humaine pour diagnostiquer une infection à coronavirus (COVID-19)
Délai: A la fin des analyses de données, environ 1 an
Nombre de participants qui peuvent être identifiés comme ayant le COVID19 en utilisant l'apprentissage automatique par rapport à un test ou une évaluation clinique humain ou autre
A la fin des analyses de données, environ 1 an

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Parrainer

Imperial College London

Collaborateurs

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

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

26 mai 2020

Achèvement primaire (Anticipé)

1 mai 2022

Achèvement de l'étude (Anticipé)

1 mai 2022

Dates d'inscription aux études

Première soumission

7 août 2020

Première soumission répondant aux critères de contrôle qualité

11 août 2020

Première publication (Réel)

12 août 2020

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

30 août 2021

Dernière mise à jour soumise répondant aux critères de contrôle qualité

24 août 2021

Dernière vérification

1 août 2021

Plus d'information

Termes liés à cette étude

Mots clés

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • 20HH5967

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

Oui

Description du régime IPD

Il s'agit d'une étude utilisant des données rétrospectives, pseudo-anonymisées, acquises dans le cadre des soins cliniques de routine pour les patients. Il n'y a pas de risques directs pour la santé des patients. Les principaux enjeux tournent autour de la sécurité et du stockage des données. Afin de résoudre ce problème, les membres de l'équipe de soins directs qui ne sont pas membres de l'équipe de recherche effectueront la pseudo-anonymisation des données et transmettront un ensemble de données pseudo-anonymisées à l'équipe de recherche sans accès à la pseudo-anonymisation. code. L'équipe de recherche ne sera donc pas en mesure d'identifier les patients à partir de ces données. Les données pseudo-anonymisées seront également stockées en toute sécurité afin de minimiser davantage les risques.

Délai de partage IPD

pendant la durée de l'étude

Critères d'accès au partage IPD

Chercheurs de l'étude

Type d'informations de prise en charge du partage d'IPD

  • Protocole d'étude
  • Plan d'analyse statistique (PAS)

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .

S'abonner