薬剤耐性結核を診断する人工知能
2020年10月26日 更新者：Bumi Herman、Hasanuddin University
インドネシアにおけるリファンピシン耐性結核の診断ツールとしての人工ニューラル ネットワーク: 予測モデル研究と経済評価
タイトル: インドネシアにおけるリファンピシン耐性結核の診断ツールとしての人工ニューラル ネットワーク。 予測モデル研究と経済評価。
背景: 薬剤耐性結核は、特にインドネシアで世界的な脅威となっています。 これらのケースに対処する上で、検出を増やし、その後に適切な治療を行う必要性が懸念されます。 迅速な分子検査（特にリファンピシン耐性を検出するため）は現在、ヘルスケアサービス、特にプライマリケアレベルで利用されており、品質管理の欠如を含むいくつかの課題があります（検査前に検体を入手して適切に処理する方法を含む）。結果の信頼性に影響します。 薬剤感受性試験 (DST) は、依然として薬剤耐性結核の診断におけるゴールド スタンダードですが、この手順には時間と費用がかかります。 データ探索とモデリングを含む人工知能は、いくつかの要因の関連性に基づいて潜在的な薬剤耐性症例を分類するための有望な方法です。
目的 ：
- リファンピシン耐性結核の可能性を分類できる人工知能アプローチを使用したモデルを開発する。
- 既存の迅速なテストとゴールド スタンダードと比較して、モデルの診断能力と精度を評価する
- 標準的な診断ツールと比較して、Web ベースのアプリケーションにおける人工ニューラル ネットワーク モデルの費用対効果の評価を評価する
方法論
- 過去5年間に迅速分子検査とDST検査を受けるために研究センターに紹介された、薬剤耐性結核が疑われるすべての症例を含む横断的研究。
- 関心のある変数を取得するために、包括的で遡及的な医療記録の評価と結核の個々のレポートが実行されます。
- 不十分な情報を確認するためのアンケート評価。
- 機械学習と深層学習手順によるモデル構築
- トレーニング データ セットと別のスタディ センターからのデータを使用したモデルの検証とテスト
仮説 ：
人工知能モデルは、薬物感受性試験による迅速分子試験と比較して、類似または優れた診断能力の結果をもたらします。 （優越裁判）
調査の概要
詳細な説明
手順
- スタディ センターの許可の下、チームは過去 5 年間の対象となるすべての症例の医療記録を取得します。
次に、調査員は、履歴の取得とさらなる調査、さらには医療請求と病院のサービスごとの支払いによって得られた関心のある変数/パラメーターの情報を収集します。 健康保険に加入している参加者の場合、治療のための直接支出は、INA-CBG (ケースベースのグループ) の支払いに基づきます。 このデータは電子データベースに記録されます。
モデル開発のパラメータ:
ホストベース:
- 糖尿病の存在（診断されてからの年数、DST検査および治療前のHbA1c、インスリンまたは経口抗糖尿病薬のいずれかの投薬を含む）
- HIVの存在（（診断された年数、DSTの検査と治療前のCD4レベル、および抗レトロウイルス薬を含む）
- 禁煙（ブリンクマン指数）
- アルコール消費量
- 免疫抑制剤（ステロイド）の使用歴
- 他の疾患（がん、脳卒中、心血管疾患）の存在
- 薬物乱用の歴史
- 結核治療中の副作用の既往
- 以前の結核治療のアドヒアランス
- COPDの存在
- ボディ・マス・インデックス
環境
- 結核患者との接触歴
- 生活環境健康指数（世帯人数）
エージェント
- DST前の細菌塗抹標本のレベル
- 胸部X線における病変の拡大
- キャビテーションの有無
社会人口学的要因
- 年
- 性別
- 教育
- 所得水準
- 健康保険
- 配偶者の有無
- 雇用状況
- 不完全な情報については、結核登録またはアンケートを使用して、症例を照会していた保健センターへの確認が行われます。
モデルの構築は、R の人工知能モデルを使用して行われます。選択されたモデルは、放射基底関数または多層パーセプトロンのいずれかを使用する人工ニューラル ネットワークです。 以下を含むいくつかの重要な手順：
- 重要なパラメーターの決定
- 不十分で不均衡なデータ クラスの処理 (オーバーまたはアンダー サンプリング)
- 正規化 (バッチ、Min-Max)
- レイヤーとデザイン
- トレーニングとテストの配布 (70:30)
- 機種選定
- 外部検証は、指定された研究センターに対して行われます。 精度: (真陽性 + 真陰性)/すべてのケース
- 増分費用対効果比シミュレーションが行われ、最良のモデルとゴールド スタンダードおよび GeneXpert が比較され、有効性の単位あたりの節約が得られます。
研究の種類
観察的
入学 (実際)
524
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究場所
-
-
East Kalimantan
-
Balikpapan、East Kalimantan、インドネシア、76115
- Kanudjoso Djatiwibowo General Hospital
-
-
North Kalimantan
-
Tarakan、North Kalimantan、インドネシア、77113
- Tarakan General Hospital
-
-
South Sulawesi
-
Makasar、South Sulawesi、インドネシア、90132
- Labuang Baji General Hospital
-
Makasar、South Sulawesi、インドネシア
- Balai Besar Kesehatan Paru Masyarakat
-
Makassar、South Sulawesi、インドネシア、76124
- Wahidin Sudirohusodo General Hospital
-
-
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
就学可能な年齢
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
いいえ
受講資格のある性別
全て
サンプリング方法
非確率サンプル
調査対象母集団
過去3年以内に指定された研究センターに送られた薬剤耐性結核の疑いのある/推定されるすべての症例
説明
包含基準:
- WHO基準に基づくデフォルトケース
- WHO基準での失敗例
- 推定薬剤耐性結核の医師紹介症例は次のとおりです。
免疫不全状態の有無、抗結核薬の副作用の有無、合併症（糖尿病、心臓病など）の有無
除外基準:
- 分子迅速検査の結果と培養結果に関する不完全な情報
- 参加者または家族は、アンケートを通じて得られた追加情報を提供できない/提供したくない
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
研究はどのように設計されていますか？
デザインの詳細
- 観測モデル：ケースコントロール
- 時間の展望：回顧
コホートと介入
グループ/コホート |
介入・治療 |
|---|---|
|
リファンピシン耐性結核陽性
ゴールド スタンダード テスト (Lowenstein-Jensen 培地での培養) でリファンピシン耐性結核陽性と判定されたすべての疑い例
|
GeneXpert MTB/RIF アッセイは、2 時間以内に結核菌複合体 (MTBC) の DNA とリファンピン耐性 (RIF) (つまり、rpoB 遺伝子の変異) を同時に検出する核酸増幅 (NAA) 試験です。
このシステムは、サンプル処理、核酸増幅、およびターゲット配列の検出を統合および自動化します。
XpertMTB/RIF アッセイのプライマーは、81 塩基対の「コア」領域を含む rpoB 遺伝子の一部を増幅します。
プローブは、保存された野生型配列と、リファンピシン耐性に関連するコア領域の変異とを区別できます。
このプロシージャの出力は、検出されるか、検出されないか、または不確定です。
他の名前：
人工知能モデルは、薬剤耐性結核の可能性を分類するために、機械学習と深層学習手法を使用していくつかの関連要因から開発されたモデルです。
人工ニューラル ネットワークは、ディープ ラーニング ソフトウェアを使用して構築されます。
他の名前：
この手順では、Löwenstein-Jensen (LJ) 培地を使用して、結核菌の分離株が抗結核剤の影響を受けやすいかどうかを判断します。
臨界濃度の抗結核剤を含む培地に培養懸濁液の希釈液（通常、マクファーランド 1 懸濁液の 10-2 希釈液）を接種し、抗結核剤を含まない対照培地には、通常 10-4 希釈液を接種します。 MacFarland 1懸濁液の希釈。
薬剤含有培地での増殖（すなわち、コロニーの数）を、薬剤を含まない対照培地での増殖と比較する。
抗結核剤を含まない培地でのコロニー数（希釈倍率で補正）に対する抗結核剤を含む培地でのコロニー数の比率を計算し、比率をパーセンテージで表す。
感受性分離株の暫定的な結果は、3 ～ 4 週間のインキュベーション後に読み取ることができます。最終的な結果は、6 週間のインキュベーション後に読み取ることができます。
耐性は 3 ～ 4 週間以内に報告されることがあります。
他の名前：
|
|
リファンピシン耐性結核陰性
ゴールド スタンダード テスト (Lowenstein-Jensen 培地での培養) でリファンピシン耐性結核が陰性である疑いのあるすべての症例
|
GeneXpert MTB/RIF アッセイは、2 時間以内に結核菌複合体 (MTBC) の DNA とリファンピン耐性 (RIF) (つまり、rpoB 遺伝子の変異) を同時に検出する核酸増幅 (NAA) 試験です。
このシステムは、サンプル処理、核酸増幅、およびターゲット配列の検出を統合および自動化します。
XpertMTB/RIF アッセイのプライマーは、81 塩基対の「コア」領域を含む rpoB 遺伝子の一部を増幅します。
プローブは、保存された野生型配列と、リファンピシン耐性に関連するコア領域の変異とを区別できます。
このプロシージャの出力は、検出されるか、検出されないか、または不確定です。
他の名前：
人工知能モデルは、薬剤耐性結核の可能性を分類するために、機械学習と深層学習手法を使用していくつかの関連要因から開発されたモデルです。
人工ニューラル ネットワークは、ディープ ラーニング ソフトウェアを使用して構築されます。
他の名前：
この手順では、Löwenstein-Jensen (LJ) 培地を使用して、結核菌の分離株が抗結核剤の影響を受けやすいかどうかを判断します。
臨界濃度の抗結核剤を含む培地に培養懸濁液の希釈液（通常、マクファーランド 1 懸濁液の 10-2 希釈液）を接種し、抗結核剤を含まない対照培地には、通常 10-4 希釈液を接種します。 MacFarland 1懸濁液の希釈。
薬剤含有培地での増殖（すなわち、コロニーの数）を、薬剤を含まない対照培地での増殖と比較する。
抗結核剤を含まない培地でのコロニー数（希釈倍率で補正）に対する抗結核剤を含む培地でのコロニー数の比率を計算し、比率をパーセンテージで表す。
感受性分離株の暫定的な結果は、3 ～ 4 週間のインキュベーション後に読み取ることができます。最終的な結果は、6 週間のインキュベーション後に読み取ることができます。
耐性は 3 ～ 4 週間以内に報告されることがあります。
他の名前：
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
薬剤感受性試験結果に対する人工知能モデルの精度
時間枠：研究完了まで、平均1年
|
精度は、合計ケースあたりのモデルによって予測された正しいケースの数です (モデルによって取得された結果は、カルチャによって取得された結果と同じです)。
|
研究完了まで、平均1年
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
薬剤感受性試験結果に対する迅速分子薬剤耐性結核試験の精度
時間枠：研究完了まで、平均1年
|
精度は、合計ケースあたりのモデルによって予測された正しいケースの数です (GeneXpert MTB/RIF によって得られた結果は培養によって得られた結果と同じです)。
|
研究完了まで、平均1年
|
その他の成果指標
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
薬剤感受性試験結果に対する人工知能モデルの診断能力
時間枠：研究完了まで、平均1年
|
薬剤感受性試験結果に対する人工知能モデルの感度、特異度、陰性的中率、陽性的中率
|
研究完了まで、平均1年
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
スポンサー
捜査官
- スタディディレクター：Sathirakorn Pongpanich, Prof、Chulalongkorn University
- 主任研究者：Wandee Sirichokchatchawan, Ph.D、Chulalongkorn University
- 主任研究者：Bumi Herman, MD、Hasanuddin University
出版物と役立つリンク
研究に関する情報を入力する責任者は、自発的にこれらの出版物を提供します。これらは、研究に関連するあらゆるものに関するものである可能性があります。
一般刊行物
- 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.
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (実際)
2020年6月15日
一次修了 (実際)
2020年9月30日
研究の完了 (実際)
2020年10月2日
試験登録日
最初に提出
2019年12月6日
QC基準を満たした最初の提出物
2019年12月19日
最初の投稿 (実際)
2019年12月23日
学習記録の更新
投稿された最後の更新 (実際)
2020年10月27日
QC基準を満たした最後の更新が送信されました
2020年10月26日
最終確認日
2020年10月1日
詳しくは
本研究に関する用語
追加の関連 MeSH 用語
その他の研究ID番号
- 0111190912
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
未定
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
いいえ
米国FDA規制機器製品の研究
いいえ
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。