- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT04395482
A SARS-CoV2 által kiváltott tüdősérülés tüdő CT-vizsgálata (TAC-COVID19)
A SARS-CoV2 által kiváltott tüdősérülés tüdő-CT-vizsgálata gépi tanulással: többközpontú retrospektív kohorsz-tanulmány.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
HÁTTÉR:
Februárban Lombardiában (Olaszország) jegyezték fel az első SARS-CoV2-pozitív beteget, amely vírus képes az akut légzési elégtelenség súlyos formáját, az úgynevezett Coronavirus Disease 2019-et (COVID-19) előidézni.
A tüdő morfológiájának kvalitatív értékelését azonosították a fertőzés makroszkopikus jellemzőinek leírására a betegek felvételekor és a kórházi kezelés során.
Jelenleg nincs olyan tanulmány, amely kvantitatív elemzéssel kimerítően leírta volna a SARS-CoV2 által kiváltott parenchymás tüdőkárosodást.
A tanulmány hipotézise az, hogy a SARS-CoV2 által kiváltott súlyos légzési elégtelenségben szenvedő betegeknél a tüdő parenchyma specifikus morfológiai és mennyiségi elváltozásai, amelyeket CT-vizsgálattal értékeltek ki, hatással lehetnek a légzéscsere-változások mértékének súlyosságára. (oxigénezés és a CO2 eltávolítása), és hatással vannak a beteg kimenetelére.
A CT-vizsgálattal értékelt jellegzetes tüdőmorfológiai mintázatok jelenléte lehetővé teheti azoknak a specifikus betegcsoportoknak a felismerését, akik eltérően profitálhatnak az intenzív kezelésből, jelentősen hozzájárulva a betegek súlyosságának és mortalitási kockázatának rétegzéséhez.
Ez egy feltáró klinikai leíró vizsgálat a tüdő CT-képeiről egy teljesen új betegpopulációban, akiknél a nukleinsavamplifikációs teszt megerősítette a SARS-CoV2-pozitívumot.
MINTAMÉRET (n. beteg):
A vizsgálat minden olyan beteget összegyűjt, aki megfelel a felvételi kritériumoknak; összesen 500 beteg összegyűjtése várható.
Minden helyi kísérleti központba körülbelül 80 beteget vesznek fel.
A következő betegadatokat elemezzük:
- a CT-vizsgálathoz rendelt vérgáz-analitikai adatok, a kórházba való belépéskor, a CT-vizsgálat elvégzésekor, az intenzív osztályra történő felvételkor és a belépés után 7 nappal végzett ellenőrzések
- a beteg jellemzői, például életkor, nem és testtömeg-index (BMI)
- komorbiditás
- szervi diszfunkció jelenléte a szekvenciális szervi elégtelenség értékelésével (SOFA)
- a kórházi felvétellel és a kórházi kezelést megelőző tünetekkel kapcsolatos laboratóriumi adatok.
- lélegeztetőgép és hemodinamikai paraméterek a kórházba való belépéskor, a CT-vizsgálat elvégzésekor, az intenzív osztályra történő felvételkor és a belépés után 7 nappal.
A tüdő CT-elemzés gépi tanulási megközelítése a következők értékelésére irányul:
- Kvantitatív és minőségi tüdőelváltozások;
- Az ilyen morfológiai jellemzők rétegződése specifikus morfológiai tüdőklaszterekben, amelyeket mesterséges intelligencia segítségével mélytanulási algoritmusok segítségével azonosítottak.
ETIKAI SZEMPONTOK:
A tüdő CT-felvételeit összegyűjtik és anonimizálják. A képeket a Milano-Bicocca Egyetem Intézményi Google Drive-fiókja ezután azonosítatlan formátumban elküldi a Pennsylvaniai Egyetem Aneszteziológiai és Kritikai Terápiás Tanszékének és a Radiológiai Tanszéknek a fejlett kvantitatív elemzéshez, a mesterséges intelligencia előnyeit mélytanulási algoritmusok segítségével.
Az adatokat pszeudo-anonim módon, papíralapú esetjelentési űrlapon (CRF) keresztül gyűjtik össze, és a projekt tudományos koordinátora elemzi.
Tekintettel a vizsgálat retrospektív jellegére, és a betegek tájékozott beleegyezésének megszerzése technikai nehézségekbe ütközik ebben a pandémiás vészhelyzetben, a tájékozott beleegyezéstől eltekintünk.
STATISZTIKAI ANALÍZIS:
A folyamatos adatokat átlag ± szórás vagy medián és interkvartilis tartományban fejezzük ki, a Shapiro-Wilk teszttel értékelt adateloszlásnak megfelelően. A kategorikus változókat arányként (gyakoriságként) fejezzük ki.
A mély tanulási szegmentációs algoritmus szegmentálja a tüdő parenchymát a teljes CT-tüdőből. A tüdőtérfogat, a tüdő tömege és az átlátszatlanság intenzitás eloszlási elemzése alkalmazandó. Másodszor, klaszterezési elemzést végeznek a betegek rétegezésére. Mind az intenzitás, mind a térbeli klaszterezési algoritmust teszteljük. Harmadszor, egy modellt képeznek ki a sérülés előrehaladásának előrejelzésére a képek és az összes többi betegadat felhasználásával. A statisztikai szignifikanciát p<0,05 (kétfarkú) esetén vesszük figyelembe.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Bergamo, Olaszország
- Ospedale Papa Giovanni XXIII
-
Bergamo, Olaszország
- Policlinico San Marco-San Donato group
-
Ferrara, Olaszország
- Azienda Ospedaliero-Universitaria di Ferrara
-
Lecco, Olaszország
- ASST di Lecco Ospedale Alessandro Manzoni
-
Melzo, Olaszország
- ASST Melegnano-Martesana, Ospedale Santa Maria delle Stelle
-
Monza, Olaszország
- ASST Monza
-
Rimini, Olaszország
- AUSL Romagna-Ospedale Infermi di Rimini
-
-
-
-
-
San Marino, San Marino
- Istituto per la Sicurezza Sociale-Ospedale della Repubblica di San Marino
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevonási kritériumok (COVID-19 kohorsz):
- 18 éves vagy idősebb betegek;
- Pozitív megerősítés nukleinsavamplifikációs teszttel vagy SARS-CoV2 szerológiai vizsgálattal orr-garat tamponnal, bronchoaspirátum mintával vagy bronchoalveoláris mosással;
- A tüdő CT-vizsgálata a kórházi felvételt követő 7 napon belül;
Bevonási kritériumok (ARDS kohorsz):
- 18 év feletti vagy idősebb betegek;
- A berlini kritériumok szerint ARDS diagnózisával kórházba felvett betegek;
- A tüdő CT-vizsgálata az ARDS diagnózisától számított 7 napon belül;
Kizárási kritériumok (ARDS kohorsz):
● Pozitív megerősítés nukleinsavamplifikációs teszttel vagy SARS-CoV2 szerológiai vizsgálattal orr-garat tamponnal, bronchoaspirátum mintával vagy bronchoalveoláris mosással
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Kohorsz
- Időperspektívák: Visszatekintő
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
---|---|
covid-19 tüdőgyulladással összefüggő betegek
A vizsgálat célja a COVID-19-ben szenvedő betegeknél végzett tüdő-CT-felvételek lehető legnagyobb számának összegyűjtése annak érdekében, hogy olyan nagy mintát kapjunk, amely lehetővé teszi a tüdősérülés mértékének, a tüdőelváltozások specifikus mintázatainak meglétét. , és ezek lehetséges összefüggései a betegek kimenetelével – annak érdekében, hogy segítsék az egészségügyi személyzetet abban, hogy jobban megértsék az ilyen betegek súlyossági fokú károsodását, amely potenciálisan intenzívebb terápiás stratégiák lehetséges jelöltjei lehetnek.
|
Ez a kutatási projekt a tüdő morfológiai jellemzőit CT-vizsgálattal értékeli COVID-19-betegeknél, amelyeket mesterséges intelligencia technológiával specifikus mintázatokként azonosítanak, és ezek hatását a kimenetelre.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
A COVID-19 által kiváltott parenchymás tüdőkárosodás kvalitatív elemzése
Időkeret: A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
Mutassa be a COVID-19 által kiváltott parenchymás tüdőkárosodást mellkasi CT-vel végzett kvalitatív elemzéssel, mesterséges intelligencia technikákkal.
|
A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
A COVID-19 által kiváltott parenchymás tüdőkárosodás kvantitatív elemzése
Időkeret: A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
Mutassa be a COVID-19 által kiváltott parenchymás tüdőkárosodást mellkasi CT-vel végzett kvantitatív elemzéssel, mesterséges intelligencia technikákkal.
|
A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
A parenchymalis morfológiai CT-vizsgálatok lehetséges hatása súlyos mérsékelt légzési elégtelenségben szenvedő betegeknél.
Időkeret: A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
A parenchymalis morfológiai CT-vizsgálatok lehetséges hatása súlyos, közepesen súlyos légzési elégtelenségben szenvedő betegeknél, intenzív terápiás mortalitásként értékelve.
|
A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
A parenchymalis morfológiai CT-vizsgálatok lehetséges hatása súlyos mérsékelt légzési elégtelenségben szenvedő betegeknél.
Időkeret: A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
A parenchymalis morfológiai CT-vizsgálatok lehetséges hatása súlyos, közepesen súlyos légzési elégtelenségben szenvedő betegeknél, kórházi mortalitásként értékelve.
|
A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
A parenchymalis morfológiai CT-vizsgálatok lehetséges hatása súlyos mérsékelt légzési elégtelenségben szenvedő betegeknél.
Időkeret: A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
A parenchymalis morfológiai CT-vizsgálatok lehetséges hatása súlyos, mérsékelt légzési elégtelenségben szenvedő betegeknél, mechanikus lélegeztetéstől mentes napokként értékelve.
|
A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
COVID-19-ben és ARDS-ben szenvedő betegek tüdőszkennelésének automatikus szegmentálása.
Időkeret: A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
A hipotézis az, hogy a mély neurális hálózati modellek alkalmazása akut légúti distressz szindróma (ARDS) tüdőszegmentációjára állatmodellekben és krónikus obstruktív tüdőbetegség (COPD) betegek esetében alkalmazható COVID-19-betegek tüdejének önálló szegmentálására. tanulási transzfer mechanizmuson keresztül mesterséges intelligenciával.
|
A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
A COVID-19-betegek mellkasi CT jellemzőinek ismerete és azok részletessége a gépi tanulás és más kvantitatív technikák használatával.
Időkeret: A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
Bővítse a COVID-19-betegek mellkasi CT-jellemzőivel és azok részleteivel kapcsolatos ismereteit gépi tanulás és más kvantitatív technikák használatával, amelyek összehasonlítják a COVID-19-betegek és az ARDS-ben szenvedő betegek CT-mintáit.
|
A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
Az a képesség, amelyen belül a mesterséges intelligencia mély tanulási modelleket használó elemzése felhasználható a klinikai eredmények előrejelzésére
Időkeret: A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
Határozza meg azt a kapacitást, amelyen belül a mélytanulási modelleket használó mesterséges intelligencia-elemzés felhasználható a klinikai eredmények előrejelzésére a kórházi felvételt követő 7 napon belül kapott mellkasi CT jellemzőinek elemzéséből; kvantitatív CT adatok kombinálása klinikai adatokkal.
|
A beteg kórházból való elbocsátásáig (körülbelül 6 hónapig)
|
Együttműködők és nyomozók
Szponzor
Publikációk és hasznos linkek
Általános kiadványok
- 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.
Hasznos linkek
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- TAC-COVID19
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
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 covid19
-
Anavasi DiagnosticsMég nincs toborzás
-
Ain Shams UniversityToborzás
-
Israel Institute for Biological Research (IIBR)Befejezve
-
Colgate PalmoliveBefejezve
-
Christian von BuchwaldBefejezve
-
Luye Pharma Group Ltd.Shandong Boan Biotechnology Co., LtdAktív, nem toborzó
-
University of ZurichLabor Speiz; Swiss Armed Forces; Universitätsspital ZürichJelentkezés meghívóval
-
Alexandria UniversityBefejezve
-
Henry Ford Health SystemBefejezve