중증 COVID-19 진단 및 예후 예측 모델

1. 연구 목적

   연구팀은 여러 병원에서 코로나19 환자 1000명의 임상 및 흉부 CT를 수집했다. 우리는 이 데이터를 사용하여 COVID-19의 이미징 기능을 탐색하고 중증 COVID-19를 감지하고 예측하기 위한 편리하고 사용하기 쉽고 신뢰성이 높은 이미징 AI 모델을 개발할 계획입니다. 이 모델은 COVID-19 환자의 영상 평가에 사용되어 조기 진단, 합리적인 환자 관리 및 중증 COVID-19 예측의 목적을 달성하기 위해 사용됩니다.

2. 연구 설계 및 방법:

본 연구는 후향적 연구입니다. 프로젝트 연구 기간은 6개월입니다. 시작 시간: 윤리 승인 날짜.

종료 시간: 2020년 8월 20일.

2.1 COVID-19 흉부 CT 병변 검출을 위한 AI 모델 구축 기존 모델 및 데이터를 기반으로 COVID-19 흉부 고해상도 CT(HRCT) 영상에서 병변을 신속하게 검출, 다음을 포함한 병변의 특성 파악 병변의 양.

2.1.1 연구 데이터 COVID-19 그룹: 저장성 내외의 10개 이상의 지정 병원에서 SARS-CoV-2 핵산 검사에서 양성 반응을 보인 COVID-19 환자 1,000건. 모두 흉부 HRCT 검사와 비교적 완전한 임상 및 실험실 데이터를 받았습니다.

대조군: 기타 바이러스성 및 세균성 폐렴 환자. 여러 센터에서 다른 유형의 폐렴을 앓고 있는 1000명의 환자 모음이 모두 흉부 HRCT 검사와 상대적으로 완전한 임상 데이터를 받았습니다.

2.1.2 연구 방법

1. 병변 검출, 세분화 및 정량화. Yitu Technology에서 개발한 인공 지능 분석 기능을 기반으로 다음을 포함하는 환자의 흉부 CT 이미지 데이터를 분석합니다. 폐 병변 검출; 비. 병변의 모양, 범위 및 밀도와 같은 주요 이미징 기능의 정량 및 방사성 분석 및 질병의 누적 폐렴 부하를 정확하게 계산합니다. 씨. 국소 병변, 미만성 병변의 경우, 폐 전체를 침범하는 각종 폐렴 질환의 중증도를 정량적으로 분석합니다.
2. 위에서 언급한 병변 세분화 검출 결과를 바탕으로 COVID-19의 특징적인 발현을 분석합니다. COVID-19 및 기타 폐렴 환자에서 폐 병변의 수, 모양, 범위, 밀도 및 방사성 특성의 차이를 관찰하고 고유한 폐 특성을 정량화합니다. 폐 특성과 임상 증상 및 지침 분류 특성의 상관 관계를 비교 분석하고 보조 진단 분류에서 정량적 수학적 특성의 가치를 명확히 합니다.

2.2 중증 코로나19 예측 AI 모델 구축 환자의 흉부 CT 영상 데이터, 환자 기본정보, 역학력, 임상증상, 기저질환 등을 통해 중증 코로나19 예측을 위한 신뢰성 있는 AI 모델을 구축한다. 병원에서 환자에 대한 비판적 평가에서 의사를 지원할 수 있을 뿐만 아니라 자가격리 환자의 심각한 위험을 경고할 수 있는 코로나19 중증 위험도 평가 시스템을 구축할 계획입니다. 시스템에는 간단하고 정확한 모델이 포함됩니다. 전자는 환자 이미지, 기본 인구 통계학적 특성, 증상 및 기타 수집하기 쉬운 정보만 사용합니다. 이 모델은 경미한 경우에 대한 기본 데이터가 있지만 치료 조건이 없는 우한시에서 사용할 수 있습니다. 의료 자원이 없는 집이나 다른 환자에 격리되도록 허용하고 예비 검사를 위해 병원 시스템의 심각한 변형 위험을 조기에 경고하여 후속 환자 관리 및 치료를 용이하게 합니다. 복합 모델은 환자의 여러 이미지, 혈액 검사 데이터와 같은 보다 복잡하고 상세한 정보를 통합하여 보다 정확한 예측 모델을 구축하여 병원 내 환자의 진단 및 치료 전략에 참고할 수 있도록 합니다. 폐렴과 관련된 더 많은 COVID-19 요인을 유발할 수 있습니다.

2.2.1 연구 목적 신종 코로나바이러스 폐렴의 경증 환자 1,000명을 진단하고 이후의 임상 결과에 따라 중증군과 경증군으로 나누었다.

경증의 정의 : 환자는 발열, 호흡기 등의 일반적인 증상만 보였고, 내원 및 추적 관찰 시 중증 증상은 없었다.

중증 질환의 정의: 치료 중 다음 조건 중 하나가 있는 환자: 1. 호흡 곤란, RR≥30 beats/min; 2. 휴식 상태에서 평균 산소 포화도 ≤93%; 3. 동맥 산소 분압(PaO2)/흡입 산소 농도(FiO2) ≤300mmHg(1mmHg=0.133kPa); 4. 호흡 부전이 발생하고 기계적 환기가 필요합니다. 5. 충격이 발생합니다. 6. 기타 복합 장기 부전의 경우 ICU 모니터링 및 치료가 필요합니다.

2.2.2 연구 방법 이 연구는 인공 지능 기술을 사용하여 경증 환자의 중증도를 예측합니다. 모델링에 필요한 데이터는 여러 소스에서 가져옵니다. (1) 방사성 분석 기술을 사용하여 흉부 CT 값, 병변의 모양 및 크기를 포함한 환자의 CT 이미지를 추출합니다. 질감 및 웨이블렛 기능과 같은 고차원 이미징 방사성 기능 보다 정확하고 포괄적인 이미지 데이터 정보를 얻을 수 있습니다. Yitu의 기존 이미징 raidomics 특징 추출 도구는 최대 5,900개의 CT 이미지 특징을 추출하여 폐 상태를 보다 정확하게 평가하고 예측할 수 있게 됩니다. (2) 기본 환자 정보, 질병 이력, 실험실 검사 결과 및 임상 증상과 같은 다차원 정보뿐만 아니라 영상 의사에 의한 CT 영상 징후의 주관적 평가에 대한 정보 수집; (3) 개발된 흉부 CT 영상 분석 기능을 기반으로 딥러닝 기술을 이용하여 폐렴부하지수, 패취 반정량 정보 등의 정량적 매개변수를 추출한다.

수집된 전체 데이터 세트는 훈련 세트와 내부 검증 세트로 나뉩니다. 첫째, 한의학 및 다차원 AI 알고리즘으로 정보를 분석하여 데이터 열이 예측 모델에 포함되어 있는지, 모델에 가중치가 포함되어 있는지 종합적이고 정량적으로 분석하여 강하게 관련된 요인을 찾는다. 기계 학습, 딥 러닝 및 기타 AI 알고리즘을 사용하여 심각한 COVID-19에 대한 위험 예측 모델을 설정하십시오. 그리고 그 결과는 환자의 중증도 확률을 출력하고 환자의 중증도 위험도를 분류한다. 민감도, 특이도 등의 지표로 고위험군과 저위험군 환자를 식별하는 모델의 능력을 평가하고 모델의 안정성을 1차적으로 검증합니다.

2.2.3 임상 적용 검증 예측 모델이 수립된 후 예측 모델은 후속 다기관 보충 임상 환자 데이터 수집에 계속 사용되며 환자 추적 데이터를 사용하여 민감도와 특이도를 검증하고 지속적으로 통합합니다. 예측 모델을 지속적으로 개선하기 위해 새로 수집된 데이터를 모델 훈련 세트에 넣습니다. 위험 평가 모델의 애플리케이션 효율성을 개선합니다. 결국 중증 환자의 전환율을 낮추고 경증 환자의 관리 부담을 줄이며 의사의 임상 진단 및 치료 의사 결정 및 환자 관리를 더 잘 지원할 것입니다.