- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT07432061
Prédiction des Maladies Infectieuses dans les PRFI à l'Aide des Données des Dossiers Médicaux Électroniques (DiGi)
Prédiction des maladies infectieuses dans les pays à revenu faible et intermédiaire à l'aide des données des dossiers de santé électroniques
La dengue est une maladie infectieuse émergente rapide en Asie du Sud et du Sud-Est. Un diagnostic définitif nécessite des tests de laboratoire (PCR ou tests antigéniques) qui sont souvent indisponibles dans les régions où l'incidence est la plus élevée. Identifier correctement les patients atteints de dengue, et le petit nombre de patients atteints de dengue qui évolueront vers une forme sévère est important pour garantir la mise en place rapide de traitements appropriés.
Les modèles existants utilisent une combinaison de caractéristiques cliniques et de laboratoire. Un modèle développé et testé sur des données de 397 patients admis à l'Hôpital des Maladies Tropicales de Bangkok en 2013-2014 a utilisé la modélisation bayésienne de variables (tests hépatiques et numération globulaire complète) et de symptômes cliniques (notamment fièvre, pétéchies, saignements) pour distinguer la dengue d'autres maladies fébriles. Le modèle résultant a obtenu une AUC de 0,75, qui s'est améliorée à 0,8 lorsque le NS1 a été inclus. Les scores SOFA (Sequential Organ Failure Assessment), ou leurs versions modifiées, utilisent des données de signes vitaux et de tests sanguins (hépatiques, rénaux et hématologiques) et sont de bons indicateurs pour ceux susceptibles de décéder. Cependant, ils fonctionnent moins bien dans les maladies modérément sévères (par exemple, pour prédire le besoin d'admission en soins intensifs).
Ces approches sont prometteuses, mais sont limitées par une généralisabilité restreinte, l'utilisation de multiples tests sanguins et de symptômes cliniques. Un outil simple et peu coûteux capable de diagnostiquer rapidement la dengue et de prédire la sévérité de la maladie serait d'une grande valeur dans la région. Avec les méthodes modernes d'apprentissage automatique, cela est désormais réalisable et les obstacles précédemment identifiés, tels que la nécessité de grandes quantités de données d'entraînement, peuvent maintenant être surmontés. Par exemple, des modèles peuvent être créés à partir de grands ensembles de données, puis optimisés pour des ensembles de données plus petits et différents (données provenant d'autres lieux/conditions, ou avec moins de données d'entrée).
Nous avons précédemment montré que des algorithmes d'apprentissage automatique basés sur les données pouvaient être généralisés à travers plusieurs Trusts du National Health Service (NHS) du Royaume-Uni (pour la prédiction de la COVID-19). Bien qu'initialement entraîné sur des données de plus de 77 000 patients, nous avons créé un modèle nécessitant uniquement des données de signes vitaux et une numération sanguine au chevet du patient, capable de prédire le diagnostic de COVID-19 chez les patients se présentant dans les hôpitaux britanniques. Nous avons démontré la capacité d'adapter ce modèle à un contexte de pays à revenu intermédiaire de la tranche inférieure (PRITI) en utilisant des données de deux hôpitaux vietnamiens. Les modèles adaptés ont atteint des AUROC d'environ 0,75 et des AUPRC d'environ 0,89 (similaires aux sites britanniques où des quantités beaucoup plus importantes de données étaient disponibles). La réalisation d'un "apprentissage par transfert", où un petit sous-ensemble de données britanniques a été utilisé pour soutenir le développement du modèle au Vietnam, a amélioré les performances de 5 à 10 %. Nous avons également constaté que l'utilisation de méthodes statistiques pour traiter les valeurs manquantes peut encore améliorer les performances prédictives de 2 à 5 %. Ce modèle d'apprentissage automatique peut également fonctionner comme un "modèle de base" et être adapté à une nouvelle tâche, c'est-à-dire la dengue.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
-
Bangkok, Thaïlande, 10400
- Hospital for Tropical Diseases, Faculty of Tropical Medicine
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critères d'inclusion :
- Codes CIM liés à la dengue : A90-94, A910, A911, A919, A970-972, A979
- Codes CIM non liés à la dengue : R78.81, A79.9, A27, B34.9, A49.9
Critères d'exclusion :
- Dossiers médicaux avec des valeurs manquantes significatives, déterminés par les investigateurs principaux (IP) et les co-investigateurs.
- Dossiers de patients diagnostiqués avec des infections mixtes (agents pathogènes ≥ 2)
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Dossiers des patients diagnostiqués avec des infections dengue et non-dengue
Dossier médical du 1 janvier 2016 au 30 septembre 2024
|
Aucune intervention
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Différencier la dengue des causes non spécifiées de maladie fébrile aiguë
Délai: Au départ (moment de la présentation clinique initiale)
|
Pour créer des modèles d'IA capables de différencier la dengue des causes non spécifiées de maladie fébrile aiguë en termes de diagnostic clinique et de caractéristiques
|
Au départ (moment de la présentation clinique initiale)
|
|
Prédiction de la dengue sévère
Délai: Au départ (au moment de la première présentation clinique)
|
Prédire le développement de la dengue sévère à l'aide de données cliniques disponibles en routine
|
Au départ (au moment de la première présentation clinique)
|
Collaborateurs et enquêteurs
Publications et liens utiles
Publications générales
- McBride A, Vuong NL, Van Hao N, Huy NQ, Chanh HQ, Chau NTX, Nguyet NM, Ming DK, Ngoc NT, Nhat PTH, Phong NT, Tai LTH, Tho PV, Trung DT, Tam DTH, Trieu HT, Geskus RB, Llewelyn MJ, Thwaites CL, Yacoub S. A modified Sequential Organ Failure Assessment score for dengue: development, evaluation and proposal for use in clinical trials. BMC Infect Dis. 2022 Sep 3;22(1):722. doi: 10.1186/s12879-022-07705-8.
- Yang J, Dung NT, Thach PN, Phong NT, Phu VD, Phu KD, Yen LM, Thy DBX, Soltan AAS, Thwaites L, Clifton DA. Generalizability assessment of AI models across hospitals in a low-middle and high income country. Nat Commun. 2024 Sep 27;15(1):8270. doi: 10.1038/s41467-024-52618-6.
- Yang J, Clifton L, Dung NT, Phong NT, Yen LM, Thy DBX, Soltan AAS, Thwaites L, Clifton DA. Mitigating machine learning bias between high income and low-middle income countries for enhanced model fairness and generalizability. Sci Rep. 2024 Jun 10;14(1):13318. doi: 10.1038/s41598-024-64210-5.
- Soltan AAS, Yang J, Pattanshetty R, Novak A, Yang Y, Rohanian O, Beer S, Soltan MA, Thickett DR, Fairhead R, Zhu T, Eyre DW, Clifton DA; CURIAL Translational Collaborative. Real-world evaluation of rapid and laboratory-free COVID-19 triage for emergency care: external validation and pilot deployment of artificial intelligence driven screening. Lancet Digit Health. 2022 Apr;4(4):e266-e278. doi: 10.1016/S2589-7500(21)00272-7. Epub 2022 Mar 9.
- Yang J, Soltan AAS, Clifton DA. Machine learning generalizability across healthcare settings: insights from multi-site COVID-19 screening. NPJ Digit Med. 2022 Jun 7;5(1):69. doi: 10.1038/s41746-022-00614-9.
- Luvira V, Silachamroon U, Piyaphanee W, Lawpoolsri S, Chierakul W, Leaungwutiwong P, Thawornkuno C, Wattanagoon Y. Etiologies of Acute Undifferentiated Febrile Illness in Bangkok, Thailand. Am J Trop Med Hyg. 2019 Mar;100(3):622-629. doi: 10.4269/ajtmh.18-0407.
- Sa-Ngamuang C, Haddawy P, Luvira V, Piyaphanee W, Iamsirithaworn S, Lawpoolsri S. Accuracy of dengue clinical diagnosis with and without NS1 antigen rapid test: Comparison between human and Bayesian network model decision. PLoS Negl Trop Dis. 2018 Jun 18;12(6):e0006573. doi: 10.1371/journal.pntd.0006573. eCollection 2018 Jun.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- MUTM 2024-084-01
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
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 .