Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

A COVID-19 klinikai és radiomikus modellje

2020. április 6. frissítette: Maastricht University

Klinikai és radiológiai modell a COVID-19-betegek prognózisának előrejelzésére

Egyedül a klinikai, laboratóriumi és radiológiai jellemzőkön vagy COVID-19-betegek kombinációján alapuló gépi tanulási modell kidolgozása és validálása a tünetek és osztályozás (otthoni, kórházi kezelés vagy intenzív osztály) előtti és utáni kockázatértékelés megkönnyítése érdekében.

A tanulmány áttekintése

Állapot

Befejezve

Körülmények

Beavatkozás / kezelés

Részletes leírás

2019 decemberében egy új koronavírus, a súlyos akut légúti szindróma coronavirus 2 (SARS-CoV-2; korábban 2019-nCoV) jelent meg a kínai Vuhanban. A SARS-CoV-2 által okozott betegségek a COVID-19. 2020. március 8-ig világszerte több mint 100 000 COVID-19 beteget jelentettek (több mint 80 000 eset Kínában, több mint 20 000 más országokban), és 3 600 beteget (Kínában 3 100, Kínán kívül 500 Kína) meghaltak. A COVID-19 járvány nemzetközi aggodalomra okot adó közegészségügyi vészhelyzetet jelent.

A COVID-19-es betegek körülbelül 80%-a enyhe (nem súlyos) beteg, akik általában két héten belül meggyógyulnak. A betegek további 20%-a azonban súlyos vagy kritikus betegséggé súlyosbodhat, ami hosszabb kórházi tartózkodást eredményez, és az ilyen betegek halálozási aránya 13,4%. Ezért a magas kockázatú súlyos betegek inchoate azonosítása rendkívül fontos a betegkezelés és az orvosi erőforrások elosztása szempontjából. Az általános karantén és a tüneti kezelés a legtöbb nem súlyos beteg esetében alkalmazható, míg a magasabb szintű ellátás és az intenzív osztályra (ICU) vezető zöld csatorna segít a súlyos betegeknél. Korábbi tanulmányok összefoglalták a súlyos COVID-19-betegek klinikai és radiológiai jellemzőit, de még mindig nem tisztázott, hogy mely tényezők fontos előrejelzők.

A gépi tanulás a mesterséges intelligencia olyan ága, amely lehetővé teszi számunkra, hogy az adott adatokból ismereteket és lehetséges törvényszerűségeket tanuljunk meg, és modellt építsünk a problémák, mint emberi igények megoldására. Az elmúlt években a gépi tanulást új eszközként fejlesztették ki az orvosi feljegyzésekből vagy képekből származó nagy mennyiségű adat elemzésére. A korábbi modellezési tanulmányok a COVID-19 lehetséges nemzetközi terjedésének előrejelzésére összpontosítottak.

Ezért célunk egy olyan gépi tanulási modell kidolgozása és validálása, amely önmagában klinikai, laboratóriumi és radiológiai jellemzőkön vagy a COVID-19-betegek korai stádiumában, súlyos betegség nélküli kombinációján alapul, több központból származó súlyos (vagy kritikus) betegségek előrejelzésére. betegség a következő kórházi kezelés során a kockázat megkönnyítése érdekében A tünetek és osztályozás előtti és utáni értékelése (otthon, kórházi kezelés vagy intenzív osztály).

Tanulmány típusa

Megfigyelő

Beiratkozás (Tényleges)

300

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

  • Kína
    • Hubei
      • Wuhan, Hubei, Kína
        • The Central Hospital of Wuhan

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Gyermek
  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Tanulmányozható nemek

Összes

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

COVID-19 betegek

Leírás

Bevételi kritériumok:

  • igazolt COVID-19 betegek nagy áteresztőképességű szekvenálása vagy valós idejű reverz transzkriptáz polimeráz-láncreakció (RT-PCR) vizsgálata orr- és garattampon mintákhoz.

Kizárási kritériumok:

  1. súlyos betegségben szenvedő betegek felvételkor;
  2. a felvétel és a vizsgálatok között több mint 2 nap telt el;
  3. hiányzó adatok vagy késleltetett eredmények

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
Beavatkozás / kezelés
súlyos csoport
A súlyos csoportot akkor jelölték ki, ha a betegek a következő kritériumok valamelyikével rendelkeztek a kórházi kezelés során, amelyet a Kínai Nemzeti Egészségügyi Bizottság adott ki (3-5. verzió). 1) Légzési nehézség ≥ 30/perc légzési gyakorisággal; 2) Pulzoximéter oxigéntelítettség ≤ 93% nyugalmi állapotban; 3) Oxigénezési index (az oxigén/belélegzett oxigén frakció artériás parciális nyomása, PaO2/FiO2) ≤ 300 Hgmm; 4) Az alábbi feltételek egyike: a) légzési elégtelenség lép fel, és gépi lélegeztetést igényel; b) Sokk lép fel; c) Kombinált szervi elégtelenség esetén intenzív osztályos felvétel szükséges.
Diagnosztikai vizsgálat: Gépi tanulási modell
Gépi tanulás, például logisztikus regresszió, véletlenszerű erdő és mély tanulás
nem súlyos csoport
A nem súlyos csoportot akkor jelöltük ki, ha a betegek a kórházból való elbocsátásig nem szerepeltek az említett súlyos kritériumokban.
Diagnosztikai vizsgálat: Gépi tanulási modell
Gépi tanulás, például logisztikus regresszió, véletlenszerű erdő és mély tanulás

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Prediktív teljesítmény
Időkeret: 2020. január 1-től 2020. február 13-ig
AUC, pontosság, érzékenység és specificitás
2020. január 1-től 2020. február 13-ig

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Maastricht University

Együttműködők

Wuhan Central Hospital

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2019. december 23.

Elsődleges befejezés (Tényleges)

2020. január 20.

A tanulmány befejezése (Tényleges)

2020. március 3.

Tanulmányi regisztráció dátumai

Először benyújtva

2020. április 6.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2020. április 6.

Első közzététel (Tényleges)

2020. április 7.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2020. április 7.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2020. április 6.

Utolsó ellenőrzés

2020. március 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • UM_2020_GY_COVID-19

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

IPD terv leírása

Nincs részvényterv

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Klinikai vizsgálatok a Koronavírus

Klinikai vizsgálatok a Gépi tanulási modell

Keressen hasonló próbaverziókban

Szponzorok és közreműködők

Egészségi állapot

Kábítószer-beavatkozások

CROs by country

CROs in Türkiye

Körülmények

Ritka betegségek

Kábítószer-beavatkozások

Táplálék-kiegészítők

Szponzor / közreműködők

Helyek

3
Iratkozz fel