A SARS-CoV2 által kiváltott tüdősérülés tüdő CT-vizsgálata (TAC-COVID19)

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:

1. Kvantitatív és minőségi tüdőelváltozások;
2. 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.