- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04208789
Kunstmatige intelligentie voor het diagnosticeren van medicijnresistente tuberculose
Kunstmatig neuraal netwerk als diagnostische hulpmiddelen voor rifampicine-resistente tuberculose in Indonesië: een voorspellende modelstudie en economische evaluatie
Titel: Kunstmatig neuraal netwerk als diagnostische hulpmiddelen voor rifampicine-resistente tuberculose in Indonesië. Een voorspellende modelstudie en economische evaluatie.
Achtergrond: Geneesmiddelenresistente tuberculose is een wereldwijde bedreiging geworden, met name in Indonesië. De noodzaak om de detectie te vergroten, gevolgd door een passende behandeling, is een punt van zorg bij de behandeling van deze gevallen. De snelle moleculaire test (specifiek voor het opsporen van rifampicine-resistent) wordt nu gebruikt in de gezondheidszorg, met name in de eerstelijnszorg, met enkele uitdagingen, waaronder het gebrek aan kwaliteitscontrole (inclusief hoe het monster op de juiste manier kan worden verkregen en behandeld voorafgaand aan het onderzoek). die vervolgens de betrouwbaarheid van de resultaten beïnvloeden. Drugsgevoeligheidstest (DST) is nog steeds de gouden standaard bij het diagnosticeren van resistente tuberculose, maar deze procedure is tijdrovend en kostbaar. De kunstmatige intelligentie, inclusief data-exploratie en modellering, is een veelbelovende methode om potentiële medicijnresistente gevallen te classificeren op basis van de associatie van verschillende factoren.
Objectief :
- Een model ontwikkelen met behulp van een kunstmatige intelligentiebenadering die de mogelijkheid van rifampicine-resistente tuberculose kan classificeren.
- Het diagnostisch vermogen en de nauwkeurigheid van het model beoordelen in vergelijking met de bestaande sneltest en de gouden standaard
- Om de kosteneffectiviteitsevaluatie van het kunstmatige neurale netwerkmodel in webgebaseerde applicaties te evalueren in vergelijking met de standaard diagnostische hulpmiddelen
Methodologie
- Een dwarsdoorsnede-onderzoek waarbij alle vermoedelijke gevallen van resistente tuberculose betrokken zijn die de afgelopen 5 jaar naar het studiecentrum zijn verwezen om een snelle moleculaire test en DST-test te ondergaan.
- Een uitgebreide, retrospectieve beoordeling van medische dossiers en individueel tuberculoserapport zullen worden uitgevoerd om een variabele van belang te verkrijgen.
- Vragenlijstbeoordeling ter bevestiging van onvoldoende informatie.
- Modelbouw door machine learning en deep learning-procedure
- Model validatie en testen met behulp van trainingsgegevensset en gegevens van de verschillende studiecentra
hypothese:
Kunstmatig intelligent model zal een vergelijkbaar of superieur resultaat van diagnostisch vermogen opleveren, vergeleken met de Rapid Molecular Test volgens de Drug-Susceptibility Test. (Superioriteitsproef)
Studie Overzicht
Toestand
Gedetailleerde beschrijving
PROCEDURE
- Met toestemming van de studiecentra zal het team de medische dossiers van alle in aanmerking komende gevallen in de afgelopen 5 jaar verkrijgen
De onderzoekers verzamelen vervolgens de informatie van belang variabele/parameter die is verkregen door anamnese en verdere onderzoeken en ook medische facturering en ziekenhuisbetaling per dienst. Voor deelnemers met een Zorgverzekering worden de directe uitgaven voor behandeling gebaseerd op INA-CBG-betalingen. Deze gegevens worden vervolgens vastgelegd in een elektronische database.
Parameter voor modelontwikkeling:
Host-gebaseerd:
- Aanwezigheid van diabetes mellitus (inclusief jaren van diagnose, HbA1c vóór DST-onderzoek en behandeling, medicatie insuline of orale antidiabetica)
- Aanwezigheid van hiv ((inclusief jaren van diagnose, CD4-niveau vóór DST-onderzoek en -behandeling, en antiretrovirale medicatie)
- Stoppen met roken (Brinkman Index)
- Alcohol gebruik
- Geschiedenis van het gebruik van immunosuppressiva (steroïden)
- Aanwezigheid van andere ziekten (kanker, beroerte, hart- en vaatziekten)
- Geschiedenis van drugsmisbruik
- Geschiedenis van bijwerkingen tijdens de behandeling van tuberculose
- Naleving van eerdere tuberculosetherapie
- Aanwezigheid van COPD
- Body Mass Index
Omgeving
- Geschiedenis van contact met tuberculosepatiënten
- Gezonde Index Leefomgeving (huishoudens)
Tussenpersoon
- Niveau van bacterie-uitstrijkje vóór zomertijd
- Uitbreiding van laesie in X-thorax
- Aanwezigheid van cavitatie
Sociaal-demografische factoren
- Leeftijd
- Geslacht
- Onderwijs
- Inkomensniveau
- Ziektekostenverzekering
- Burgerlijke staat
- Tewerkstellingsstatus
- Bij onvolledige informatie wordt een bevestiging aan het gezondheidscentrum dat de gevallen doorverwees gedaan met behulp van de Tuberculoseregistratie of vragenlijst.
Het bouwen van het model zal worden gedaan met behulp van een artificieel intelligent model in R. Een geselecteerd model is een artificieel neuraal netwerk met behulp van de radiale basisfunctie of meerlaags perceptron. Verschillende belangrijke procedures, waaronder:
- Bepaal significante parameter
- Omgaan met onvoldoende en ongebalanceerde gegevensklasse (over- of onderbemonstering)
- Normalisatie (Batch, Min-Max)
- Laag en ontwerp
- Training en testdistributie (70:30)
- Model Selectie
- Externe validatie vindt plaats bij het aangewezen studiecentrum. Precisie: (waar positief + echt negatief)/alle gevallen
- De Incremental Cost-Effectiveness Ratio Simulation wordt gedaan, waarbij het beste model wordt vergeleken met de gouden standaard en GeneXpert levert een besparing op per eenheid van effectiviteit
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
East Kalimantan
-
Balikpapan, East Kalimantan, Indonesië, 76115
- Kanudjoso Djatiwibowo General Hospital
-
-
North Kalimantan
-
Tarakan, North Kalimantan, Indonesië, 77113
- Tarakan General Hospital
-
-
South Sulawesi
-
Makasar, South Sulawesi, Indonesië, 90132
- Labuang Baji General Hospital
-
Makasar, South Sulawesi, Indonesië
- Balai Besar Kesehatan Paru Masyarakat
-
Makassar, South Sulawesi, Indonesië, 76124
- Wahidin Sudirohusodo General Hospital
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Standaardgevallen volgens WHO-criteria
- Mislukkingen volgens WHO-criteria
- Door een arts doorverwezen gevallen voor vermoedelijke geneesmiddelresistente tuberculose als volgt:
Met of zonder immuungecompromitteerde aandoening, Met of zonder bijwerking van anti-tbc-medicatie, Met of zonder comorbiditeiten (zoals diabetes mellitus, hartaandoeningen)
Uitsluitingscriteria:
- Onvolledige informatie over snelle moleculaire testresultaten en kweekresultaten
- Deelnemers of familie kunnen / willen geen aanvullende informatie verstrekken die via de vragenlijst is verkregen
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Case-control
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Positieve rifampicine-resistente tuberculose
Alle vermoedelijke gevallen die positieve Rifampicine-resistente tuberculose opleverden onder de Gold-Standard Test (Culture on Lowenstein-Jensen Medium)
|
GeneXpert MTB/RIF-assay is een nucleïnezuuramplificatietest (NAA) die tegelijkertijd DNA van Mycobacterium tuberculosis-complex (MTBC) en resistentie tegen rifampicine (RIF) (d.w.z. mutatie van het rpoB-gen) detecteert in minder dan twee uur.
Dit systeem integreert en automatiseert monsterverwerking, nucleïnezuuramplificatie en detectie van de doelsequenties.
De primers in de XpertMTB/RIF-assay amplificeren een deel van het rpoB-gen dat het "kern"-gebied van 81 basenparen bevat.
De probes zijn in staat onderscheid te maken tussen de geconserveerde wild-type sequentie en mutaties in het kerngebied die geassocieerd zijn met rifampicineresistentie.
De uitvoer van deze procedure wordt gedetecteerd, niet gedetecteerd of onbepaald.
Andere namen:
Het kunstmatige intelligente model is een model dat is ontwikkeld op basis van verschillende geassocieerde factoren met machine learning en deep learning-methode om de mogelijkheid van medicijnresistente tuberculose te classificeren.
Het kunstmatige neurale netwerk zal worden gebouwd met behulp van deep learning-software.
Andere namen:
Deze procedure maakt gebruik van Löwenstein-Jensen (LJ)-medium om te bepalen of de isolaten van M. tuberculosis vatbaar zijn voor antituberculosemiddelen.
Media die de kritische concentratie van het anti-tbc-middel bevatten, worden geïnoculeerd met een verdunning van een cultuursuspensie (meestal een 10-2 verdunning van een MacFarland 1-suspensie) en controlemedia zonder het anti-tbc-middel worden geïnoculeerd met meestal een 10-4 verdunning van een MacFarland 1 suspensie.
De groei (d.w.z. een aantal kolonies) op de middelbevattende media wordt vergeleken met de groei op de middelvrije controlemedia.
De verhouding van het aantal kolonies op het medium met het anti-tbc-middel tot het aantal kolonies (gecorrigeerd voor de verdunningsfactor) op het medium zonder het anti-tbc-middel wordt berekend en de verhouding wordt uitgedrukt als een percentage.
Voorlopige resultaten voor vatbare isolaten kunnen na 3-4 weken incubatie worden afgelezen; definitieve resultaten kunnen worden afgelezen na 6 weken incubatie.
Resistentie kan binnen 3-4 weken worden gemeld.
Andere namen:
|
|
Negatieve Rifampicine-resistente tuberculose
Alle vermoedelijke gevallen die negatief Rifampicine-resistente tuberculose opleverden onder de Gold-Standard Test (Culture on Lowenstein-Jensen Medium)
|
GeneXpert MTB/RIF-assay is een nucleïnezuuramplificatietest (NAA) die tegelijkertijd DNA van Mycobacterium tuberculosis-complex (MTBC) en resistentie tegen rifampicine (RIF) (d.w.z. mutatie van het rpoB-gen) detecteert in minder dan twee uur.
Dit systeem integreert en automatiseert monsterverwerking, nucleïnezuuramplificatie en detectie van de doelsequenties.
De primers in de XpertMTB/RIF-assay amplificeren een deel van het rpoB-gen dat het "kern"-gebied van 81 basenparen bevat.
De probes zijn in staat onderscheid te maken tussen de geconserveerde wild-type sequentie en mutaties in het kerngebied die geassocieerd zijn met rifampicineresistentie.
De uitvoer van deze procedure wordt gedetecteerd, niet gedetecteerd of onbepaald.
Andere namen:
Het kunstmatige intelligente model is een model dat is ontwikkeld op basis van verschillende geassocieerde factoren met machine learning en deep learning-methode om de mogelijkheid van medicijnresistente tuberculose te classificeren.
Het kunstmatige neurale netwerk zal worden gebouwd met behulp van deep learning-software.
Andere namen:
Deze procedure maakt gebruik van Löwenstein-Jensen (LJ)-medium om te bepalen of de isolaten van M. tuberculosis vatbaar zijn voor antituberculosemiddelen.
Media die de kritische concentratie van het anti-tbc-middel bevatten, worden geïnoculeerd met een verdunning van een cultuursuspensie (meestal een 10-2 verdunning van een MacFarland 1-suspensie) en controlemedia zonder het anti-tbc-middel worden geïnoculeerd met meestal een 10-4 verdunning van een MacFarland 1 suspensie.
De groei (d.w.z. een aantal kolonies) op de middelbevattende media wordt vergeleken met de groei op de middelvrije controlemedia.
De verhouding van het aantal kolonies op het medium met het anti-tbc-middel tot het aantal kolonies (gecorrigeerd voor de verdunningsfactor) op het medium zonder het anti-tbc-middel wordt berekend en de verhouding wordt uitgedrukt als een percentage.
Voorlopige resultaten voor vatbare isolaten kunnen na 3-4 weken incubatie worden afgelezen; definitieve resultaten kunnen worden afgelezen na 6 weken incubatie.
Resistentie kan binnen 3-4 weken worden gemeld.
Andere namen:
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nauwkeurigheid van kunstmatig intelligent model voor testresultaten voor gevoeligheid voor geneesmiddelen
Tijdsspanne: tot studievoltooiing gemiddeld 1 jaar
|
De nauwkeurigheid is het aantal correcte gevallen (de resultaten verkregen door het model zijn dezelfde als verkregen door cultuur) voorspeld door het model per totaal aantal gevallen.
|
tot studievoltooiing gemiddeld 1 jaar
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nauwkeurigheid van snelle moleculaire geneesmiddelresistente tuberculosetest tot testresultaten voor geneesmiddelgevoeligheid
Tijdsspanne: tot studievoltooiing gemiddeld 1 jaar
|
De nauwkeurigheid is het aantal correcte gevallen (de resultaten verkregen door de GeneXpert MTB/RIF zijn dezelfde als verkregen door kweek) voorspeld door het model per totaal aantal gevallen.
|
tot studievoltooiing gemiddeld 1 jaar
|
Andere uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Diagnostisch vermogen van een kunstmatig intelligent model voor testresultaten voor gevoeligheid voor geneesmiddelen
Tijdsspanne: tot studievoltooiing gemiddeld 1 jaar
|
Gevoeligheid, specificiteit, negatieve voorspellende waarde en positieve voorspellende waarde van het kunstmatige intelligente model voor testresultaten voor gevoeligheid voor geneesmiddelen
|
tot studievoltooiing gemiddeld 1 jaar
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Studie directeur: Sathirakorn Pongpanich, Prof, Chulalongkorn University
- Hoofdonderzoeker: Wandee Sirichokchatchawan, Ph.D, Chulalongkorn University
- Hoofdonderzoeker: Bumi Herman, MD, Hasanuddin University
Publicaties en nuttige links
Algemene publicaties
- 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.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 0111190912
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .