- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04208789
Intelligente artificiale per la diagnosi della tubercolosi resistente ai farmaci
Rete neurale artificiale come strumenti diagnostici per la tubercolosi resistente alla rifampicina in Indonesia: studio di un modello predittivo e valutazione economica
Titolo: Rete neurale artificiale come strumenti diagnostici per la tubercolosi resistente alla rifampicina in Indonesia. Uno studio del modello predittivo e una valutazione economica.
Contesto: la tubercolosi resistente ai farmaci è diventata una minaccia globale, in particolare in Indonesia. La necessità di aumentare il rilevamento, seguito da un trattamento appropriato è una preoccupazione nell'affrontare questi casi. Il test molecolare rapido (specifico per rilevare la resistenza alla rifampicina) viene ora utilizzato nel servizio sanitario, in particolare a livello di assistenza primaria con alcune sfide tra cui la mancanza di controllo di qualità (incluso come ottenere e trattare correttamente il campione prima dell'esame) che poi incidono sull'attendibilità dei risultati. Il test di suscettibilità ai farmaci (DST) è ancora il gold standard nella diagnosi della tubercolosi resistente ai farmaci, ma questa procedura richiede tempo e denaro. L'intelligenza artificiale, compresa l'esplorazione e la modellazione dei dati, è un metodo promettente per classificare i potenziali casi di resistenza ai farmaci in base all'associazione di diversi fattori.
Obbiettivo :
- Sviluppare un modello utilizzando un approccio di intelligenza artificiale in grado di classificare la possibilità di tubercolosi resistente alla rifampicina.
- Valutare la capacità diagnostica e l'accuratezza del modello rispetto al test rapido esistente e al gold standard
- Valutare la valutazione del rapporto costo-efficacia del modello di rete neurale artificiale in un'applicazione basata sul Web rispetto agli strumenti diagnostici standard
Metodologia
- Uno studio trasversale che ha coinvolto tutti i casi sospetti di tubercolosi resistente ai farmaci che sono stati indirizzati al centro studi per sottoporsi a test molecolare rapido e test DST negli ultimi 5 anni.
- Verrà eseguita una valutazione completa e retrospettiva delle cartelle cliniche e un rapporto individuale sulla tubercolosi per ottenere una variabile di interesse.
- Valutazione del questionario per la conferma di informazioni insufficienti.
- Model Building attraverso procedure di machine learning e deep learning
- Convalida del modello e test utilizzando set di dati di addestramento e dati provenienti da diversi centri di studio
Ipotesi :
Il modello intelligente artificiale produrrà un risultato simile o superiore di capacità diagnostica rispetto al test molecolare rapido in base al test di sensibilità ai farmaci. (Prova di superiorità)
Panoramica dello studio
Stato
Descrizione dettagliata
PROCEDURA
- Con l'autorizzazione concessa dai centri di studio, il team otterrà le cartelle cliniche di tutti i casi ammissibili negli ultimi 5 anni
Gli investigatori raccolgono quindi le informazioni di variabile / parametro di interesse ottenute dall'anamnesi e da ulteriori esami e anche dalla fatturazione medica e dalla retribuzione ospedaliera per servizio. Per i partecipanti con assicurazione sanitaria, la spesa diretta per il trattamento sarà basata sul pagamento INA-CBG (gruppo basato sui casi). Questi dati saranno poi registrati in un database elettronico.
Parametro per lo sviluppo del modello:
Basato su host:
- Presenza di diabete mellito (inclusi anni dalla diagnosi, HbA1c prima dell'esame e del trattamento dell'ora legale, farmaci come insulina o antidiabetici orali)
- Presenza di HIV ((inclusi anni dalla diagnosi, livello di CD4 prima dell'esame e del trattamento dell'ora legale e farmaci antiretrovirali)
- Smettere di fumare (indice Brinkman)
- Consumo di alcool
- Storia dell'uso di immunosoppressori (steroidi)
- Presenza di altre malattie (cancro, ictus, malattie cardiovascolari)
- Storia dell'abuso di droghe
- Storia di reazioni avverse al farmaco durante il trattamento della tubercolosi
- Aderenza alla precedente terapia per la tubercolosi
- Presenza di BPCO
- Indice di massa corporea
Ambiente
- Storia del contatto con pazienti affetti da tubercolosi
- Indice di salute dell'ambiente di vita (folle domestiche)
Agente
- Livello di striscio batterico prima dell'ora legale
- Estensione della lesione nella radiografia del torace
- Presenza di cavitazione
Fattori sociodemografici
- Età
- Genere
- Formazione scolastica
- Livello di reddito
- Assicurazione sanitaria
- Stato civile
- stato di impiego
- Per informazioni incomplete, verrà effettuata una conferma al centro sanitario che ha segnalato i casi utilizzando la registrazione o il questionario per la tubercolosi.
La costruzione del modello verrà eseguita utilizzando un modello intelligente artificiale in R. Un modello selezionato è una rete neurale artificiale che utilizza la funzione di base radiale o il percettrone multistrato. Diverse procedure importanti tra cui:
- Determina il parametro significativo
- Gestione di classi di dati insufficienti e squilibrate (sovra o sottocampionamento)
- Normalizzazione (Batch, Min-Max)
- Strato e design
- Formazione e distribuzione dei test (70:30)
- Selezione del modello
- La convalida esterna verrà effettuata presso il centro studi designato. Precisione: (vero positivo + vero negativo)/tutti i casi
- Verrà eseguita la simulazione del rapporto costo-efficacia incrementale, confrontando il modello migliore rispetto al gold standard e GeneXpert ottenendo un risparmio per unità di efficacia
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
East Kalimantan
-
Balikpapan, East Kalimantan, Indonesia, 76115
- Kanudjoso Djatiwibowo General Hospital
-
-
North Kalimantan
-
Tarakan, North Kalimantan, Indonesia, 77113
- Tarakan General Hospital
-
-
South Sulawesi
-
Makasar, South Sulawesi, Indonesia, 90132
- Labuang Baji General Hospital
-
Makasar, South Sulawesi, Indonesia
- Balai Besar Kesehatan Paru Masyarakat
-
Makassar, South Sulawesi, Indonesia, 76124
- Wahidin Sudirohusodo General Hospital
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Casi predefiniti secondo i criteri dell'OMS
- Casi di fallimento secondo i criteri dell'OMS
- Casi segnalati dal medico per presunta tubercolosi resistente ai farmaci come segue:
Con o senza condizione immunocompromessa, con o senza alcuna reazione avversa del farmaco antitubercolare, con o senza comorbidità (come diabete mellito, malattie cardiache)
Criteri di esclusione:
- Informazioni incomplete sui risultati dei test molecolari rapidi e sui risultati della coltura
- I partecipanti o la famiglia non sono in grado/non vogliono fornire ulteriori informazioni ottenute tramite il questionario
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: Caso di controllo
- Prospettive temporali: Retrospettiva
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
---|---|
Tubercolosi resistente alla rifampicina positiva
Tutti i casi sospetti che hanno prodotto tubercolosi resistente alla rifampicina positiva al test Gold-Standard (coltura su terreno Lowenstein-Jensen)
|
Il test GeneXpert MTB/RIF è un test di amplificazione dell'acido nucleico (NAA) che rileva contemporaneamente il DNA del complesso Mycobacterium tuberculosis (MTBC) e la resistenza alla rifampicina (RIF) (ovvero la mutazione del gene rpoB) in meno di due ore.
Questo sistema integra e automatizza l'elaborazione del campione, l'amplificazione dell'acido nucleico e il rilevamento delle sequenze target.
I primer nel saggio XpertMTB/RIF amplificano una porzione del gene rpoB contenente la regione "core" di 81 paia di basi.
Le sonde sono in grado di distinguere tra la sequenza wild-type conservata e le mutazioni nella regione centrale associata alla resistenza alla rifampicina.
L'output di questa procedura è rilevato, non rilevato o indeterminato.
Altri nomi:
Il modello intelligente artificiale è un modello sviluppato da diversi fattori associati all'apprendimento automatico e al metodo di apprendimento profondo per classificare la possibilità di tubercolosi resistente ai farmaci.
La rete neurale artificiale sarà costruita utilizzando un software di deep learning.
Altri nomi:
Questa procedura utilizza il terreno Löwenstein-Jensen (LJ) per determinare se gli isolati di M. tuberculosis sono suscettibili agli agenti anti-TB.
I terreni contenenti la concentrazione critica dell'agente anti-TBC vengono inoculati con una diluizione di una sospensione di coltura (solitamente una diluizione 10-2 di una sospensione MacFarland 1) e i terreni di controllo senza l'agente anti-TBC vengono inoculati con solitamente una diluizione 10-4 diluizione di una sospensione MacFarland 1.
La crescita (ovvero un numero di colonie) sui terreni contenenti l'agente viene confrontata con la crescita sui terreni di controllo privi di agenti.
Viene calcolato il rapporto tra il numero di colonie sul terreno contenente l'agente anti-TBC e il numero di colonie (corretto per il fattore di diluizione) sul terreno senza l'agente anti-TBC e la proporzione viene espressa in percentuale.
I risultati provvisori per gli isolati sensibili possono essere letti dopo 3-4 settimane di incubazione; i risultati definitivi possono essere letti dopo 6 settimane di incubazione.
La resistenza può essere segnalata entro 3-4 settimane.
Altri nomi:
|
Tubercolosi resistente alla rifampicina negativa
Tutti i casi sospetti che hanno prodotto tubercolosi resistente alla rifampicina negativa al test Gold-Standard (coltura su terreno Lowenstein-Jensen)
|
Il test GeneXpert MTB/RIF è un test di amplificazione dell'acido nucleico (NAA) che rileva contemporaneamente il DNA del complesso Mycobacterium tuberculosis (MTBC) e la resistenza alla rifampicina (RIF) (ovvero la mutazione del gene rpoB) in meno di due ore.
Questo sistema integra e automatizza l'elaborazione del campione, l'amplificazione dell'acido nucleico e il rilevamento delle sequenze target.
I primer nel saggio XpertMTB/RIF amplificano una porzione del gene rpoB contenente la regione "core" di 81 paia di basi.
Le sonde sono in grado di distinguere tra la sequenza wild-type conservata e le mutazioni nella regione centrale associata alla resistenza alla rifampicina.
L'output di questa procedura è rilevato, non rilevato o indeterminato.
Altri nomi:
Il modello intelligente artificiale è un modello sviluppato da diversi fattori associati all'apprendimento automatico e al metodo di apprendimento profondo per classificare la possibilità di tubercolosi resistente ai farmaci.
La rete neurale artificiale sarà costruita utilizzando un software di deep learning.
Altri nomi:
Questa procedura utilizza il terreno Löwenstein-Jensen (LJ) per determinare se gli isolati di M. tuberculosis sono suscettibili agli agenti anti-TB.
I terreni contenenti la concentrazione critica dell'agente anti-TBC vengono inoculati con una diluizione di una sospensione di coltura (solitamente una diluizione 10-2 di una sospensione MacFarland 1) e i terreni di controllo senza l'agente anti-TBC vengono inoculati con solitamente una diluizione 10-4 diluizione di una sospensione MacFarland 1.
La crescita (ovvero un numero di colonie) sui terreni contenenti l'agente viene confrontata con la crescita sui terreni di controllo privi di agenti.
Viene calcolato il rapporto tra il numero di colonie sul terreno contenente l'agente anti-TBC e il numero di colonie (corretto per il fattore di diluizione) sul terreno senza l'agente anti-TBC e la proporzione viene espressa in percentuale.
I risultati provvisori per gli isolati sensibili possono essere letti dopo 3-4 settimane di incubazione; i risultati definitivi possono essere letti dopo 6 settimane di incubazione.
La resistenza può essere segnalata entro 3-4 settimane.
Altri nomi:
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Precisione del modello intelligente artificiale rispetto ai risultati dei test di sensibilità ai farmaci
Lasso di tempo: attraverso il completamento degli studi, una media di 1 anno
|
L'accuratezza è il numero di casi corretti (i risultati ottenuti dal modello sono gli stessi ottenuti dalla coltura) previsti dal modello per i casi totali.
|
attraverso il completamento degli studi, una media di 1 anno
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Precisione del test della tubercolosi resistente ai farmaci molecolari rapidi rispetto ai risultati del test di sensibilità ai farmaci
Lasso di tempo: attraverso il completamento degli studi, una media di 1 anno
|
L'accuratezza è il numero di casi corretti (i risultati ottenuti dal GeneXpert MTB/RIF sono gli stessi ottenuti dalla coltura) previsti dal modello per i casi totali.
|
attraverso il completamento degli studi, una media di 1 anno
|
Altre misure di risultato
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Capacità diagnostica del modello intelligente artificiale ai risultati del test di suscettibilità ai farmaci
Lasso di tempo: attraverso il completamento degli studi, una media di 1 anno
|
Sensibilità, specificità, valore predittivo negativo e valore predittivo positivo del modello intelligente artificiale rispetto ai risultati dei test di sensibilità ai farmaci
|
attraverso il completamento degli studi, una media di 1 anno
|
Collaboratori e investigatori
Sponsor
Collaboratori
Investigatori
- Direttore dello studio: Sathirakorn Pongpanich, Prof, Chulalongkorn University
- Investigatore principale: Wandee Sirichokchatchawan, Ph.D, Chulalongkorn University
- Investigatore principale: Bumi Herman, MD, Hasanuddin University
Pubblicazioni e link utili
Pubblicazioni generali
- Alipanah N, Jarlsberg L, Miller C, Linh NN, Falzon D, Jaramillo E, Nahid P. Adherence interventions and outcomes of tuberculosis treatment: A systematic review and meta-analysis of trials and observational studies. PLoS Med. 2018 Jul 3;15(7):e1002595. doi: 10.1371/journal.pmed.1002595. eCollection 2018 Jul.
- GBD Tuberculosis Collaborators. The global burden of tuberculosis: results from the Global Burden of Disease Study 2015. Lancet Infect Dis. 2018 Mar;18(3):261-284. doi: 10.1016/S1473-3099(17)30703-X. Epub 2017 Dec 7.
- Dean AS, Cox H, Zignol M. Epidemiology of Drug-Resistant Tuberculosis. Adv Exp Med Biol. 2017;1019:209-220. doi: 10.1007/978-3-319-64371-7_11.
- Kendall EA, Azman AS, Cobelens FG, Dowdy DW. MDR-TB treatment as prevention: The projected population-level impact of expanded treatment for multidrug-resistant tuberculosis. PLoS One. 2017 Mar 8;12(3):e0172748. doi: 10.1371/journal.pone.0172748. eCollection 2017.
- Dheda K, Gumbo T, Maartens G, Dooley KE, McNerney R, Murray M, Furin J, Nardell EA, London L, Lessem E, Theron G, van Helden P, Niemann S, Merker M, Dowdy D, Van Rie A, Siu GK, Pasipanodya JG, Rodrigues C, Clark TG, Sirgel FA, Esmail A, Lin HH, Atre SR, Schaaf HS, Chang KC, Lange C, Nahid P, Udwadia ZF, Horsburgh CR Jr, Churchyard GJ, Menzies D, Hesseling AC, Nuermberger E, McIlleron H, Fennelly KP, Goemaere E, Jaramillo E, Low M, Jara CM, Padayatchi N, Warren RM. The epidemiology, pathogenesis, transmission, diagnosis, and management of multidrug-resistant, extensively drug-resistant, and incurable tuberculosis. Lancet Respir Med. 2017 Mar 15:S2213-2600(17)30079-6. doi: 10.1016/S2213-2600(17)30079-6. Online ahead of print.
- Collins D, Hafidz F, Mustikawati D. The economic burden of tuberculosis in Indonesia. Int J Tuberc Lung Dis. 2017 Sep 1;21(9):1041-1048. doi: 10.5588/ijtld.16.0898.
- Falzon D, Mirzayev F, Wares F, Baena IG, Zignol M, Linh N, Weyer K, Jaramillo E, Floyd K, Raviglione M. Multidrug-resistant tuberculosis around the world: what progress has been made? Eur Respir J. 2015 Jan;45(1):150-60. doi: 10.1183/09031936.00101814. Epub 2014 Sep 26.
- Falzon D, Jaramillo E, Wares F, Zignol M, Floyd K, Raviglione MC. Universal access to care for multidrug-resistant tuberculosis: an analysis of surveillance data. Lancet Infect Dis. 2013 Aug;13(8):690-7. doi: 10.1016/S1473-3099(13)70130-0. Epub 2013 Jun 4.
- van Kampen SC, Susanto NH, Simon S, Astiti SD, Chandra R, Burhan E, Farid MN, Chittenden K, Mustikawati DE, Alisjahbana B. Effects of Introducing Xpert MTB/RIF on Diagnosis and Treatment of Drug-Resistant Tuberculosis Patients in Indonesia: A Pre-Post Intervention Study. PLoS One. 2015 Jun 15;10(6):e0123536. doi: 10.1371/journal.pone.0123536. eCollection 2015.
- Soeroto AY, Lestari BW, Santoso P, Chaidir L, Andriyoko B, Alisjahbana B, van Crevel R, Hill PC. Evaluation of Xpert MTB-RIF guided diagnosis and treatment of rifampicin-resistant tuberculosis in Indonesia: A retrospective cohort study. PLoS One. 2019 Feb 28;14(2):e0213017. doi: 10.1371/journal.pone.0213017. eCollection 2019.
- Prada-Medina CA, Fukutani KF, Pavan Kumar N, Gil-Santana L, Babu S, Lichtenstein F, West K, Sivakumar S, Menon PA, Viswanathan V, Andrade BB, Nakaya HI, Kornfeld H. Systems Immunology of Diabetes-Tuberculosis Comorbidity Reveals Signatures of Disease Complications. Sci Rep. 2017 May 17;7(1):1999. doi: 10.1038/s41598-017-01767-4.
- Pradipta IS, Forsman LD, Bruchfeld J, Hak E, Alffenaar JW. Risk factors of multidrug-resistant tuberculosis: A global systematic review and meta-analysis. J Infect. 2018 Dec;77(6):469-478. doi: 10.1016/j.jinf.2018.10.004. Epub 2018 Oct 16.
- Wang MG, Huang WW, Wang Y, Zhang YX, Zhang MM, Wu SQ, Sandford AJ, He JQ. Association between tobacco smoking and drug-resistant tuberculosis. Infect Drug Resist. 2018 Jun 12;11:873-887. doi: 10.2147/IDR.S164596. eCollection 2018.
- Tegegne BS, Mengesha MM, Teferra AA, Awoke MA, Habtewold TD. Association between diabetes mellitus and multi-drug-resistant tuberculosis: evidence from a systematic review and meta-analysis. Syst Rev. 2018 Oct 15;7(1):161. doi: 10.1186/s13643-018-0828-0.
- Darsey JA, Griffin WO, Joginipelli S, Melapu VK. Architecture and biological applications of artificial neural networks: a tuberculosis perspective. Methods Mol Biol. 2015;1260:269-83. doi: 10.1007/978-1-4939-2239-0_17.
- Souza Filho JBOE, Sanchez M, Seixas JM, Maidantchik C, Galliez R, Moreira ADSR, da Costa PA, Oliveira MM, Harries AD, Kritski AL. Screening for active pulmonary tuberculosis: Development and applicability of artificial neural network models. Tuberculosis (Edinb). 2018 Jul;111:94-101. doi: 10.1016/j.tube.2018.05.012. Epub 2018 May 19.
- Dande P, Samant P. Acquaintance to Artificial Neural Networks and use of artificial intelligence as a diagnostic tool for tuberculosis: A review. Tuberculosis (Edinb). 2018 Jan;108:1-9. doi: 10.1016/j.tube.2017.09.006. Epub 2017 Sep 20.
- de O Souza Filho JB, de Seixas JM, Galliez R, de Braganca Pereira B, de Q Mello FC, Dos Santos AM, Kritski AL. A screening system for smear-negative pulmonary tuberculosis using artificial neural networks. Int J Infect Dis. 2016 Aug;49:33-9. doi: 10.1016/j.ijid.2016.05.019. Epub 2016 May 24.
- Herman B, Sirichokchatchawan W, Pongpanich S, Nantasenamat C. Development and performance of CUHAS-ROBUST application for pulmonary rifampicin-resistance tuberculosis screening in Indonesia. PLoS One. 2021 Mar 25;16(3):e0249243. doi: 10.1371/journal.pone.0249243. eCollection 2021.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 0111190912
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .