- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04395482
Analisi della scansione TC del polmone della lesione polmonare indotta da SARS-CoV2 (TAC-COVID19)
Analisi della scansione TC del polmone della lesione polmonare indotta da SARS-CoV2 dall'apprendimento automatico: uno studio di coorte retrospettivo multicentrico.
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
SFONDO:
A febbraio è stato registrato in Lombardia (Italia) il primo caso di paziente positivo al SARS-CoV2, un virus in grado di provocare una grave forma di insufficienza respiratoria acuta chiamata Coronavirus Disease 2019 (COVID-19).
Sono state identificate valutazioni qualitative della morfologia polmonare per descrivere le caratteristiche macroscopiche di questa infezione al momento del ricovero e durante il ricovero dei pazienti.
Al momento non esistono studi che abbiano descritto in modo esaustivo il danno polmonare parenchimale indotto da SARS-CoV2 mediante analisi quantitativa.
L'ipotesi di questo studio è che specifiche alterazioni morfologiche e quantitative del parenchima polmonare valutate mediante TAC in pazienti affetti da grave insufficienza respiratoria indotta da SARS-CoV2 possano avere un impatto sulla gravità del grado di alterazione degli scambi respiratori (ossigenazione e clearance della CO2) e hanno un impatto sull'esito del paziente.
La presenza di caratteristici pattern morfologici polmonari valutati dalla TAC potrebbe consentire il riconoscimento di specifici cluster di pazienti che possono beneficiare in modo diverso del trattamento intensivo, contribuendo in modo significativo alla stratificazione della gravità dei pazienti e del loro rischio di mortalità.
Questo è uno studio descrittivo clinico esplorativo delle immagini TC del polmone in una popolazione di pazienti completamente nuova che è stata confermata positiva al test di amplificazione dell'acido nucleico SARS-CoV2.
DIMENSIONE DEL CAMPIONE (n. pazienti):
Lo studio raccoglierà tutti i pazienti con i criteri di inclusione; si prevede di raccogliere un totale di 500 pazienti.
Saranno arruolati circa 80 pazienti per ogni centro sperimentale locale.
Verranno analizzati i seguenti dati dei pazienti:
- dati analitici emogas assegnati alla TAC, controlli effettuati all'ingresso in ospedale, al momento dell'esecuzione della TAC, ricovero in terapia intensiva e 7 giorni dopo l'ingresso
- caratteristiche del paziente come età, sesso e indice di massa corporea (BMI)
- comorbidità
- presenza di disfunzione d'organo con il Sequential Organ Failure Assessment (SOFA)
- dati di laboratorio relativi al ricovero ospedaliero e ai sintomi prima del ricovero.
- ventilatore ed emodinamici all'ingresso in ospedale, al momento dell'esecuzione della TAC, al momento del ricovero in terapia intensiva e 7 giorni dopo l'ingresso.
L'approccio di apprendimento automatico dell'analisi della TAC polmonare mirerà a valutare:
- Alterazioni polmonari quantitative e qualitative;
- La stratificazione di tali caratteristiche morfologiche in specifici cluster morfologici polmonari individuati per mezzo dell'intelligenza artificiale utilizzando algoritmi di deep learning.
ASPETTI ETICI:
Le immagini della scansione TC del polmone saranno raccolte e rese anonime. Le immagini saranno successivamente inviate dall'account google drive istituzionale dell'Università di Milano-Bicocca all'Università della Pennsylvania, Dipartimento di Anestesiologia e Terapia Intensiva e Dipartimento di Radiologia in un formato non identificato per analisi quantitative avanzate sfruttando l'intelligenza artificiale utilizzando algoritmi di deep learning.
I dati saranno raccolti in modo pseudo-anonimo tramite Case Report Form (CRF) cartacei e analizzati dal coordinatore scientifico del progetto.
Data la natura retrospettiva dello studio e in presenza di difficoltà tecniche nell'ottenere un consenso informato dei pazienti in questo periodo di emergenza pandemica, il consenso informato sarà revocato.
ANALISI STATISTICA:
I dati continui saranno espressi come media ± deviazione standard o mediana e range interquartile, secondo la distribuzione dei dati che sarà valutata dal test di Shapiro-Wilk. Le variabili categoriali saranno espresse come proporzioni (frequenza).
L'algoritmo di segmentazione del deep learning segmenterà il parenchima polmonare dall'intero polmone CT. Verranno applicate l'analisi del volume polmonare, del peso polmonare e della distribuzione dell'intensità dell'opacità. In secondo luogo, verrà eseguita un'analisi di clustering per stratificare i pazienti. Verranno testati sia un algoritmo di clustering spaziale che di intensità. In terzo luogo, verrà addestrato un modello per prevedere la progressione della lesione utilizzando le immagini e tutti gli altri dati del paziente. La significatività statistica sarà considerata in presenza di un p<0.05 (a due code).
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
-
Bergamo, Italia
- Ospedale Papa Giovanni XXIII
-
Bergamo, Italia
- Policlinico San Marco-San Donato group
-
Ferrara, Italia
- Azienda Ospedaliero-Universitaria di Ferrara
-
Lecco, Italia
- ASST di Lecco Ospedale Alessandro Manzoni
-
Melzo, Italia
- ASST Melegnano-Martesana, Ospedale Santa Maria delle Stelle
-
Monza, Italia
- ASST Monza
-
Rimini, Italia
- AUSL Romagna-Ospedale Infermi di Rimini
-
-
-
-
-
San Marino, San Marino
- Istituto per la Sicurezza Sociale-Ospedale della Repubblica di San Marino
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criteri di inclusione (coorte COVID-19):
- Pazienti di età pari o superiore a 18 anni;
- Conferma positiva con test di amplificazione degli acidi nucleici o sierologia di SARS-CoV2 mediante tampone naso-faringeo, campione di broncoaspirato o lavaggio broncoalveolare;
- TAC polmonare eseguita entro 7 giorni dal ricovero ospedaliero;
Criteri di inclusione (coorte ARDS):
- Pazienti di età superiore a 18 anni o superiore;
- Pazienti ricoverati in ospedale con diagnosi di ARDS secondo i criteri di Berlino;
- Scansione TC polmonare eseguita entro 7 giorni dalla diagnosi di ARDS;
Criteri di esclusione (coorte ARDS):
● Conferma positiva con test di amplificazione dell'acido nucleico o sierologia di SARS-CoV2 mediante tampone rinofaringeo, campione di broncoaspirato o lavaggio broncoalveolare
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: Coorte
- Prospettive temporali: Retrospettiva
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
---|---|
Pazienti correlati a polmonite covid-19
Lo studio mira a raccogliere il maggior numero possibile di immagini di scansione TC polmonare eseguite in pazienti con COVID-19, al fine di ottenere un campione di ampie dimensioni che ci consentirà di caratterizzare l'entità della lesione polmonare, la presenza di specifici pattern di alterazione polmonare e la loro potenziale associazione con l'esito dei pazienti, al fine di aiutare il personale medico a comprendere meglio il grado di gravità del danno in questi pazienti che potrebbero essere potenzialmente candidati a strategie terapeutiche più intensive.
|
Questo progetto di ricerca valuterà le caratteristiche morfologiche del polmone mediante analisi TC nei pazienti COVID-19 che saranno identificati come modelli specifici utilizzando la tecnologia dell'intelligenza artificiale e il loro impatto sull'esito.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Un'analisi qualitativa del danno polmonare parenchimale indotto da COVID-19
Lasso di tempo: Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Descrivere il danno polmonare parenchimale indotto da COVID-19 attraverso un'analisi qualitativa con TC del torace attraverso tecniche di intelligenza artificiale.
|
Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Un'analisi quantitativa del danno polmonare parenchimale indotto da COVID-19
Lasso di tempo: Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Descrivere il danno polmonare parenchimale indotto da COVID-19 attraverso un'analisi quantitativa con TC del torace attraverso tecniche di intelligenza artificiale.
|
Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Il potenziale impatto delle scansioni TC morfologiche parenchimali in pazienti con grave insufficienza respiratoria moderata.
Lasso di tempo: Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Il potenziale impatto delle scansioni TC morfologiche parenchimali in pazienti con grave insufficienza respiratoria moderata valutata come mortalità in terapia intensiva.
|
Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Il potenziale impatto delle scansioni TC morfologiche parenchimali in pazienti con grave insufficienza respiratoria moderata.
Lasso di tempo: Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Il potenziale impatto delle scansioni TC morfologiche parenchimali in pazienti con grave insufficienza respiratoria moderata valutata come mortalità ospedaliera.
|
Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Il potenziale impatto delle scansioni TC morfologiche parenchimali in pazienti con grave insufficienza respiratoria moderata.
Lasso di tempo: Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Il potenziale impatto delle scansioni TC morfologiche parenchimali in pazienti con grave insufficienza respiratoria moderata valutati come giorni liberi da ventilazione meccanica.
|
Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Segmentazione automatizzata delle scansioni polmonari di pazienti con COVID-19 e ARDS.
Lasso di tempo: Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
L'ipotesi è che l'uso di modelli di rete neurale profonda per la segmentazione polmonare nella sindrome da distress respiratorio acuto (ARDS) in modelli animali e nella broncopneumopatia cronica ostruttiva (BPCO) in pazienti che potrebbero essere applicati all'autosegmentazione dei polmoni dei pazienti COVID-19 attraverso un meccanismo di trasferimento dell'apprendimento con intelligenza artificiale.
|
Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Conoscenza delle caratteristiche della TC del torace nei pazienti COVID-19 e dei loro dettagli attraverso l'uso dell'apprendimento automatico e di altre tecniche quantitative.
Lasso di tempo: Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Ampliare la conoscenza delle caratteristiche della TC toracica nei pazienti COVID-19 e dei loro dettagli attraverso l'uso dell'apprendimento automatico e di altre tecniche quantitative che confrontano i modelli TC dei pazienti COVID-19 con quelli dei pazienti con ARDS.
|
Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
La capacità all'interno della quale l'analisi dell'intelligenza artificiale che utilizza modelli di deep learning può essere utilizzata per prevedere gli esiti clinici
Lasso di tempo: Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Determinare la capacità entro la quale l'analisi dell'intelligenza artificiale che utilizza modelli di deep learning può essere utilizzata per prevedere gli esiti clinici dall'analisi delle caratteristiche della TC toracica ottenuta entro 7 giorni dal ricovero ospedaliero; combinando dati CT quantitativi con dati clinici.
|
Fino alla dimissione del paziente dall'ospedale (circa 6 mesi)
|
Collaboratori e investigatori
Sponsor
Pubblicazioni e link utili
Pubblicazioni generali
- 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.
Collegamenti utili
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
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- TAC-COVID19
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 .
Prove cliniche su covid19
-
Anavasi DiagnosticsNon ancora reclutamento
-
Ain Shams UniversityReclutamento
-
Israel Institute for Biological Research (IIBR)Completato
-
Colgate PalmoliveCompletato
-
Christian von BuchwaldCompletato
-
Luye Pharma Group Ltd.Shandong Boan Biotechnology Co., LtdAttivo, non reclutante
-
University of ZurichLabor Speiz; Swiss Armed Forces; Universitätsspital ZürichIscrizione su invito
-
Alexandria UniversityCompletato
Prove cliniche su Analisi della scansione TC del polmone nei pazienti COVID-19
-
Columbia UniversityTerminato
-
Hospital General de México Dr. Eduardo LiceagaInstituto Nacional de Ciencias Medicas y Nutricion Salvador Zubiran; CCINSHAE... e altri collaboratoriTerminato
-
National Cancer Institute (NCI)CompletatoPineoblastoma | Medulloblastoma ricorrente | Medulloblastoma refrattario | Tumore neuroectodermico primitivo periferico refrattario | Neoplasia del sistema nervoso centrale | Tumore neuroectodermico primitivo ricorrenteStati Uniti, Canada, Porto Rico, Australia, Nuova Zelanda