Studio Clinico su un Modello di Radiografia del Torace Assistita dall'Intelligenza Artificiale Basato su Big Data e Deep Learning per la Rilevazione Precoce della Malattia di Kawasaki
Studio Clinico su un Modello di Radiografia Toracica Assistita da Intelligenza Artificiale Basato su Big Data e Deep Learning per la Diagnosi Precoce della Malattia di Kawasaki
L'obiettivo di questo studio osservazionale è sviluppare un sistema di allerta precoce basato sull'intelligenza artificiale per la malattia di Kawasaki (KD) utilizzando radiografie del torace (CXR) nei bambini diagnosticati con la malattia di Kawasaki. Le principali domande a cui mira a rispondere sono:
- La modellazione AI delle caratteristiche delle CXR può aiutare a identificare i pazienti con KD ad alto rischio prima dei metodi diagnostici attuali?
- Il sistema AI può prevedere la finestra di trattamento ottimale con IVIG e i rischi delle arterie coronarie nei pazienti con KD?
I partecipanti dovranno:
Fornire dati retrospettivi su radiografie del torace e dati clinici (PCR, ecografia coronarica, ecc.) Consentire l'analisi delle caratteristiche delle CXR utilizzando modelli di deep learning per estrarre pattern rilevanti Avere i propri dati incorporati in un modello di apprendimento federato per garantire la privacy e la sicurezza dei dati
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
- Background della ricerca e punti critici clinici La malattia di Kawasaki (KD) è una delle principali cause di cardiopatia acquisita nei bambini. La diagnosi tradizionale si basa su sintomi soggettivi come febbre persistente ≥5 giorni ed eruzioni cutanee, portando a due problemi principali: diagnosi ritardata, con il 30% dei pazienti atipici che perdono la finestra ottimale di trattamento con IVIG (durata della febbre di 5-10 giorni); e danno alle arterie coronariche: ritardare il trattamento per ≥7 giorni aumenta il rischio di dilatazione coronarica del 47%. Gli attuali standard AHA hanno solo una sensibilità del 35% per i bambini con febbre ≤3 giorni, evidenziando l'urgente necessità di stabilire un sistema di allerta precoce oggettivo.
Obiettivi della ricerca e approccio tecnico Svolta fondamentale: Primo utilizzo di radiografie toraciche di routine (CXR) per sviluppare un modello di allerta precoce basato sull'IA.
Percorso tecnico: Integrazione dati multicentrica, raccolta di dati CXR e clinici (sintomi clinici, test di laboratorio, ecografia coronarica, ecc.), e un framework di apprendimento federato per garantire privacy e sicurezza. Esplorazione di biomarcatori di imaging e caratteristiche CXR invisibili all'occhio umano, nonché sviluppo di un modello di allerta precoce dinamico multimodale.
CNN a doppio percorso per estrarre caratteristiche CXR → Reti neurali grafiche per integrare indicatori di laboratorio → Modello di diagnosi per produrre il punteggio di rischio della malattia di Kawasaki.↑
Vantaggi innovativi e valore clinico Le prestazioni di allerta precoce sono state solide entro il 3° giorno di febbre, raggiungendo una sensibilità pre-sperimentale dell'87,2% per la malattia di Kawasaki, fornendo al contempo finestre di trattamento IVIG individualizzate e rischio coronarico previsto. Il modello leggero (meno di 50MB) è adattabile per l'uso in contesti di assistenza primaria.
Percorso clinico:
IA identifica bambini ad alto rischio → Priorità per ecocardiografia → Finestra di trattamento IVIG anticipata → Riduzione delle complicanze cardiovascolari.
L'obiettivo finale è ridurre i tempi di diagnosi e le complicanze cardiovascolari dei pazienti con KD in Cina.
Piano di validazione e traduzione dei risultati
Validazione in tre fasi:
Interna: Validazione incrociata 5-fold (AUC ≥0.88) Esterna: Test cieco in 3 ospedali (sensibilità >85%, specificità >80%) Clinica: Implementazione in tempo reale in contesti di emergenza (tempo di risposta ≤15 secondi) Traduzione dei risultati: 1-2 pubblicazioni su riviste peer-reviewed e 1-2 depositi di brevetto; facilitando l'identificazione precoce della malattia di Kawasaki, migliorando così gli esiti clinici.
- Conclusione chiave Questo studio mira a decodificare biomarcatori oggettivi come i segni vascolari dell'arteria polmonare nelle immagini CXR e a costruire il sistema di allerta precoce AI-CXR per la KD. Supererà l'attuale dipendenza dalla durata della febbre e dai sintomi soggettivi, fornendo supporto per la diagnosi precoce e migliorando gli esiti dei pazienti.
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Contatto studio
- Nome: Jian Wang, Doctoral Degree
- Numero di telefono: 86-15900861356
- Email: wangjian@xinhuemed.com.cn
Backup dei contatti dello studio
- Nome: Bo Wang, PhD Candidate
- Numero di telefono: 86-19921875669
- Email: 18bowang@sjtu.edu.cn
Luoghi di studio
-
-
Shanghai Municipality
-
Shanghai, Shanghai Municipality, Cina, 2000000
- Xinhua Hospital Affiliated to Shanghai Jiaotong University School of Medicine
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Il gruppo di casi è costituito da bambini a cui è stata diagnosticata la malattia di Kawasaki (KD) negli ultimi 10 anni. I criteri di inclusione comprendono: Bambini con diagnosi di malattia di Kawasaki basata sui sintomi clinici e confermata dalle cartelle cliniche.
Il gruppo di controllo consiste in dati di pazienti con febbre persistente ≥3 giorni, abbinati alla coorte KD in base all'anno, al mese di diagnosi e alle caratteristiche cliniche.
Lo studio si concentra sull'esame della relazione tra le caratteristiche della radiografia toracica e la malattia di Kawasaki in questi pazienti.
Descrizione
Criteri di inclusione:
Gruppo caso
- L'età al momento della ricerca di cure mediche è inferiore o uguale a 18 anni; · La diagnosi nel sistema delle cartelle cliniche contiene la diagnosi di "Malattia di Kawasaki", "sindrome linfonodale mucocutanea" o "Malattia di Kawasaki non responsiva alle IVIG"
- Sono disponibili almeno un esame radiografico toracico completo (immagini e referti) durante lo stesso ricovero
Gruppo di controllo
- L'età al momento della ricerca di cure mediche è inferiore o uguale a 18 anni
- Lo stesso periodo del gruppo caso
- La febbre persiste per 3 giorni o più
- Escludere la possibilità di diagnosticare la malattia di Kawasaki
Criteri di esclusione:
Gruppo caso
- Problemi di qualità della radiografia del torace: Artefatti gravi, sovraesposizione/sottoesposizione che impediscono la valutazione delle strutture chiave
- Informazioni cliniche incomplete, inclusa l'assenza di esame radiografico del torace, esami di laboratorio e giorni di febbre non chiari Incapacità di determinare la diagnosi finale (come perdita al follow-up, diagnosi in dubbio)
Gruppo di controllo
- Problemi di qualità della radiografia del torace: Artefatti gravi, sovraesposizione/sottoesposizione che impediscono la valutazione delle strutture chiave
- Informazioni cliniche incomplete, inclusa l'assenza di esame radiografico del torace, esami di laboratorio e giorni di febbre non chiari
- Incapacità di formulare una diagnosi finale chiara (come perdita al follow-up, diagnosi discutibile)
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Gruppo caso
Criteri di inclusione: (1) L'età di ricerca di cure mediche è inferiore o uguale a 18 anni; (2) La diagnosi nel sistema delle cartelle cliniche contiene la diagnosi di "Malattia di Kawasaki", "sindrome linfonodale mucocutanea" o "Malattia di Kawasaki non responsiva alle immunoglobuline endovenose (IVIG)". (3) È disponibile almeno un dato completo di esame radiografico del torace (immagini e referti) durante lo stesso ricovero. Criteri di esclusione: (1) Problemi di qualità della radiografia del torace: Artefatti gravi, sovraesposizione/sottoesposizione che impediscono la valutazione delle strutture chiave. (2) Informazioni cliniche incomplete, inclusa la mancanza di esame radiografico del torace, esami di laboratorio e giorni di febbre non chiari. (3) Impossibilità di determinare la diagnosi finale (come perdita al follow-up, diagnosi in dubbio). |
Questo studio utilizza un sistema di allerta precoce basato sull'IA per la malattia di Kawasaki (KD) per prevedere la finestra ottimale di trattamento con IVIG e valutare il rischio coronarico.
Il sistema analizza le immagini radiografiche del torace (CXR) e le integra con dati clinici come i livelli di PCR e i sintomi clinici.
L'intervento prevede lo sviluppo di un modello di previsione dinamica multimodale che utilizza una rete neurale convoluzionale (CNN) a doppio percorso per estrarre le caratteristiche rilevanti delle CXR e una rete neurale grafica per integrare gli indicatori di laboratorio.
Il sistema di IA produce una previsione della finestra di trattamento con IVIG e stima il rischio di danno alle arterie coronarie.
Questo sistema di allerta precoce mira a ridurre i tempi di diagnosi e migliorare i risultati del trattamento identificando precocemente i pazienti con KD ad alto rischio, consentendo un intervento tempestivo e piani di trattamento personalizzati.
Il modello è progettato per essere leggero (inferiore a 50 MB) per essere facilmente applicabile nelle strutture di assistenza primaria.
|
|
Gruppo di controllo
Criteri di inclusione: (1) L'età al momento della richiesta di cure mediche è inferiore o uguale a 18 anni; (2) Lo stesso periodo del gruppo dei casi; (3) La febbre dura per 3 giorni o più; (4) Escludere la possibilità di diagnosticare la malattia di Kawasaki. Criteri di esclusione: (1) Problemi di qualità della radiografia del torace: Artefatti gravi, sovraesposizione/sottoesposizione che portano all'impossibilità di valutare le strutture chiave.
(2) Informazioni cliniche incomplete, inclusa la mancanza di esame radiografico del torace, test di laboratorio e giorni di febbre non chiari.
(3) Impossibilità di formulare una diagnosi finale chiara (come perdita al follow-up, diagnosi dubbia).
|
Questo studio utilizza un sistema di allerta precoce basato sull'IA per la malattia di Kawasaki (KD) per prevedere la finestra ottimale di trattamento con IVIG e valutare il rischio coronarico.
Il sistema analizza le immagini radiografiche del torace (CXR) e le integra con dati clinici come i livelli di PCR e i sintomi clinici.
L'intervento prevede lo sviluppo di un modello di previsione dinamica multimodale che utilizza una rete neurale convoluzionale (CNN) a doppio percorso per estrarre le caratteristiche rilevanti delle CXR e una rete neurale grafica per integrare gli indicatori di laboratorio.
Il sistema di IA produce una previsione della finestra di trattamento con IVIG e stima il rischio di danno alle arterie coronarie.
Questo sistema di allerta precoce mira a ridurre i tempi di diagnosi e migliorare i risultati del trattamento identificando precocemente i pazienti con KD ad alto rischio, consentendo un intervento tempestivo e piani di trattamento personalizzati.
Il modello è progettato per essere leggero (inferiore a 50 MB) per essere facilmente applicabile nelle strutture di assistenza primaria.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Lasso di tempo |
|---|---|
|
Area Under Curve
Lasso di tempo: Fino a 14 giorni dopo l'esordio della febbre
|
Fino a 14 giorni dopo l'esordio della febbre
|
|
sensibilità
Lasso di tempo: Fino a 14 giorni dopo l'esordio della febbre
|
Fino a 14 giorni dopo l'esordio della febbre
|
|
specificità
Lasso di tempo: Fino a 14 giorni dopo l'insorgenza della febbre
|
Fino a 14 giorni dopo l'insorgenza della febbre
|
Collaboratori e investigatori
Collaboratori
Investigatori
- Cattedra di studio: Kun Sun, Doctoral degree, Xinhua hospital affiliated with Shanghai Jiao Tong university school of medicine
Studiare le date dei record
Studia le date principali
Inizio studio (Stimato)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
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
- XH-25-010
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano 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 .