- ICH GCP
- 미국 임상 시험 레지스트리
- 임상시험 NCT04208789
약제내성결핵진단을 위한 인공지능
인도네시아에서 리팜피신 내성 결핵 진단 도구로서의 인공 신경망: 예측 모델 연구 및 경제성 평가
제목: 인도네시아에서 리팜피신 내성 결핵 진단 도구로서의 인공신경망. 예측 모델 연구 및 경제적 평가.
배경: 약물 내성 결핵은 특히 인도네시아에서 세계적인 위협이 되었습니다. 이러한 사례를 처리하는 데 있어 적절한 치료가 뒤따르는 탐지를 증가시킬 필요성이 우려됩니다. 신속한 분자 검사(특히 리팜피신 내성 검출용)는 현재 의료 서비스, 특히 품질 관리 부족(검사 전에 검체를 적절하게 얻고 처리하는 방법 포함)을 포함한 몇 가지 문제가 있는 1차 의료 수준에서 활용되고 있습니다. 그러면 결과의 신뢰성에 영향을 미칩니다. 약물 감수성 검사(DST)는 여전히 약물 내성 결핵 진단의 황금 표준이지만 이 절차는 시간과 비용이 많이 듭니다. 데이터 탐색 및 모델링을 포함한 인공 지능은 여러 요인의 연관성을 기반으로 잠재적인 약물 내성 사례를 분류하는 유망한 방법입니다.
목적 :
- 리팜피신 내성 결핵의 가능성을 분류할 수 있는 인공 지능 접근법을 사용하여 모델을 개발합니다.
- 기존의 Rapid Test 및 Gold Standard와 비교하여 모델의 진단 능력 및 정확도 평가
- 표준 진단 도구와 비교하여 Web-Based Application에서 인공 신경망 모델의 비용 효율성 평가 평가
방법론
- 지난 5년간 신속분자검사 및 DST 검사를 위해 연구센터로 의뢰된 모든 약제내성 결핵 의심 사례를 포함하는 횡단면 연구.
- 관심 변수를 얻기 위해 포괄적인 후향적 의료 기록 평가 및 개별 결핵 보고가 수행됩니다.
- 불충분한 정보 확인을 위한 설문지 평가.
- 머신러닝과 딥러닝 과정을 통한 모델 구축
- 교육 데이터 세트 및 다른 연구 센터의 데이터를 사용한 모델 검증 및 테스트
가설 :
인공지능모델은 약제감수성검사에 의한 Rapid Molecular Test와 비교하여 진단능력이 유사하거나 우월한 결과를 얻을 수 있습니다. (우수 재판)
연구 개요
상세 설명
절차
- 연구 센터의 허가에 따라 팀은 지난 5년 이내에 적격한 모든 사례의 의료 기록을 입수합니다.
그런 다음 조사관은 기록 수집 및 추가 검사와 서비스당 의료 청구 및 병원 지불을 통해 얻은 관심 변수/매개변수의 정보를 수집합니다. 건강 보험 가입자의 경우 치료에 대한 직접 지출은 INA-CBG(사례 기반 그룹) 지불을 기반으로 합니다. 이 데이터는 전자 데이터베이스에 기록됩니다.
모델 개발을 위한 매개변수:
호스트 기반:
- 진성 당뇨병의 존재(진단된 년수 포함, HbA1c DST 검사 및 치료 전, 인슐린 또는 경구용 당뇨병 치료제)
- HIV의 유무((진단받은 년수, DST 검사 및 치료 전 CD4 수준, 항레트로바이러스제 투여 포함)
- 금연(Brinkman 지수)
- 알코올 소비
- 면역억제제(스테로이드) 사용 이력
- 다른 질병의 존재(암, 뇌졸중, 심혈관 질환)
- 약물 남용의 역사
- 결핵 치료 중 약물 부작용의 병력
- 이전 결핵 치료의 순응도
- COPD의 존재
- 체질량 지수
환경
- 결핵 환자와의 접촉 이력
- 생활환경건강지수(가구인구)
에이전트
- DST 전 세균 도말 수준
- 흉부 X-레이에서 병변의 확장
- 캐비테이션의 존재
사회인구학적 요인
- 나이
- 성별
- 교육
- 소득 수준
- 건강 보험
- 혼인 여부
- 고용 상태
- 불완전한 정보의 경우 결핵 등록 또는 설문지를 사용하여 사례를 참조한 보건소에 확인이 이루어집니다.
모델 구축은 R의 인공 지능 모델을 사용하여 수행됩니다. 선택한 모델은 방사형 기본 함수 또는 다층 퍼셉트론을 사용하는 인공 신경망입니다. 다음을 포함한 몇 가지 중요한 절차:
- 중요한 매개변수 결정
- 불충분하고 불균형한 데이터 클래스 처리(오버 샘플링 또는 언더 샘플링)
- 정규화(배치, 최소-최대)
- 레이어 및 디자인
- 교육 및 테스트 배포(70:30)
- 모델 선택
- 외부 검증은 지정된 학습 센터에서 수행됩니다. 정밀도: (참 양성 + 참 음성)/모든 경우
- 증분 비용 효율성 비율 시뮬레이션이 수행되어 최상의 모델과 골드 표준 및 GeneXpert를 비교하여 효율성 단위당 절감 효과를 얻습니다.
연구 유형
등록 (실제)
연락처 및 위치
연구 장소
-
-
East Kalimantan
-
Balikpapan, East Kalimantan, 인도네시아, 76115
- Kanudjoso Djatiwibowo General Hospital
-
-
North Kalimantan
-
Tarakan, North Kalimantan, 인도네시아, 77113
- Tarakan General Hospital
-
-
South Sulawesi
-
Makasar, South Sulawesi, 인도네시아, 90132
- Labuang Baji General Hospital
-
Makasar, South Sulawesi, 인도네시아
- Balai Besar Kesehatan Paru Masyarakat
-
Makassar, South Sulawesi, 인도네시아, 76124
- Wahidin Sudirohusodo General Hospital
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
샘플링 방법
연구 인구
설명
포함 기준:
- WHO 기준에 따른 기본 케이스
- WHO 기준에 따른 실패 사례
- 다음과 같이 추정되는 약제 내성 결핵에 대한 의사 추천 사례:
면역 저하 상태 여부, 항결핵 약물의 부작용 유무 여부, 동반 질환(예: 당뇨병, 심장병) 유무 여부
제외 기준:
- 신속 분자 검사 결과 및 배양 결과에 대한 불완전한 정보
- 참가자 또는 가족이 설문지를 통해 얻은 추가 정보를 제공할 수 없거나 제공할 의사가 없습니다.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 관찰 모델: 케이스 컨트롤
- 시간 관점: 회고전
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
---|---|
양성 리팜피신 내성 결핵
Gold-Standard Test (Culture on Lowenstein-Jensen Medium) 하에서 양성 리팜피신 내성 결핵을 생성한 모든 의심 사례
|
GeneXpert MTB/RIF 분석은 2시간 이내에 Mycobacterium tuberculosis complex(MTBC)의 DNA와 RIF(rifampin)에 대한 내성(즉, rpoB 유전자의 돌연변이)을 동시에 검출하는 핵산 증폭(NAA) 검사입니다.
이 시스템은 시료 처리, 핵산 증폭 및 표적 서열 검출을 통합하고 자동화합니다.
XpertMTB/RIF 분석의 프라이머는 81개의 염기쌍 "코어" 영역을 포함하는 rpoB 유전자의 일부를 증폭합니다.
프로브는 보존된 야생형 서열과 리팜피신 내성과 관련된 코어 영역의 돌연변이를 구별할 수 있습니다.
이 프로시저의 출력은 감지되거나 감지되지 않거나 불확실합니다.
다른 이름들:
인공지능 모델은 약제내성결핵의 가능성을 분류하기 위해 머신러닝과 딥러닝 기법을 결합하여 여러 요인을 종합하여 개발한 모델이다.
인공 신경망은 딥 러닝 소프트웨어를 사용하여 구축됩니다.
다른 이름들:
이 절차는 LJ(Löwenstein-Jensen) 배지를 사용하여 M. tuberculosis 분리주가 항결핵제에 민감한지 여부를 확인합니다.
임계 농도의 항결핵제를 포함하는 배지는 배양 현탁액 희석액(일반적으로 MacFarland 1 현탁액의 10-2 희석액)으로 접종하고 항결핵제가 없는 대조군 배지는 일반적으로 10-4 희석액으로 접종합니다. MacFarland 1 현탁액의 희석.
제제 함유 배지에서의 성장(즉, 콜로니 수)은 제제가 없는 대조군 배지에서의 성장과 비교됩니다.
항결핵제가 첨가되지 않은 배지의 콜로니수(희석배수 보정)에 대한 항결핵제가 함유된 배지의 콜로니 수의 비율을 계산하여 백분율로 표시한다.
감수성 분리주에 대한 임시 결과는 배양 3-4주 후에 읽을 수 있습니다. 최종 결과는 배양 6주 후에 읽을 수 있습니다.
내성은 3-4주 이내에 보고될 수 있습니다.
다른 이름들:
|
음성 리팜피신 내성 결핵
Gold-Standard Test(Culture on Lowenstein-Jensen Medium)에서 음성 리팜피신 내성 결핵을 생성한 모든 의심 사례
|
GeneXpert MTB/RIF 분석은 2시간 이내에 Mycobacterium tuberculosis complex(MTBC)의 DNA와 RIF(rifampin)에 대한 내성(즉, rpoB 유전자의 돌연변이)을 동시에 검출하는 핵산 증폭(NAA) 검사입니다.
이 시스템은 시료 처리, 핵산 증폭 및 표적 서열 검출을 통합하고 자동화합니다.
XpertMTB/RIF 분석의 프라이머는 81개의 염기쌍 "코어" 영역을 포함하는 rpoB 유전자의 일부를 증폭합니다.
프로브는 보존된 야생형 서열과 리팜피신 내성과 관련된 코어 영역의 돌연변이를 구별할 수 있습니다.
이 프로시저의 출력은 감지되거나 감지되지 않거나 불확실합니다.
다른 이름들:
인공지능 모델은 약제내성결핵의 가능성을 분류하기 위해 머신러닝과 딥러닝 기법을 결합하여 여러 요인을 종합하여 개발한 모델이다.
인공 신경망은 딥 러닝 소프트웨어를 사용하여 구축됩니다.
다른 이름들:
이 절차는 LJ(Löwenstein-Jensen) 배지를 사용하여 M. tuberculosis 분리주가 항결핵제에 민감한지 여부를 확인합니다.
임계 농도의 항결핵제를 포함하는 배지는 배양 현탁액 희석액(일반적으로 MacFarland 1 현탁액의 10-2 희석액)으로 접종하고 항결핵제가 없는 대조군 배지는 일반적으로 10-4 희석액으로 접종합니다. MacFarland 1 현탁액의 희석.
제제 함유 배지에서의 성장(즉, 콜로니 수)은 제제가 없는 대조군 배지에서의 성장과 비교됩니다.
항결핵제가 첨가되지 않은 배지의 콜로니수(희석배수 보정)에 대한 항결핵제가 함유된 배지의 콜로니 수의 비율을 계산하여 백분율로 표시한다.
감수성 분리주에 대한 임시 결과는 배양 3-4주 후에 읽을 수 있습니다. 최종 결과는 배양 6주 후에 읽을 수 있습니다.
내성은 3-4주 이내에 보고될 수 있습니다.
다른 이름들:
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
약물 감수성 검사 결과에 대한 인공지능 모델의 정확도
기간: 학업 수료까지 평균 1년
|
정확도는 전체 사례당 모델에서 예측한 올바른 사례의 수(모델에서 얻은 결과는 문화에서 얻은 결과와 동일함)입니다.
|
학업 수료까지 평균 1년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
약제감수성검사 결과에 대한 급속분자제내성결핵검사의 정확도
기간: 학업 수료까지 평균 1년
|
정확도는 전체 사례당 모델에서 예측한 올바른 사례의 수(GeneXpert MTB/RIF에서 얻은 결과는 배양에서 얻은 결과와 동일함)입니다.
|
학업 수료까지 평균 1년
|
기타 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
약물 감수성 검사 결과에 대한 인공지능 모델의 진단 능력
기간: 학업 수료까지 평균 1년
|
약물 감수성 검사 결과에 대한 인공지능모델의 민감도, 특이도, 음성예측치 및 양성예측치
|
학업 수료까지 평균 1년
|
공동 작업자 및 조사자
수사관
- 연구 책임자: Sathirakorn Pongpanich, Prof, Chulalongkorn University
- 수석 연구원: Wandee Sirichokchatchawan, Ph.D, Chulalongkorn University
- 수석 연구원: Bumi Herman, MD, Hasanuddin University
간행물 및 유용한 링크
일반 간행물
- 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.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
추가 관련 MeSH 약관
기타 연구 ID 번호
- 0111190912
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .