Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Kunstmatige intelligentie voor het diagnosticeren van medicijnresistente tuberculose

26 oktober 2020 bijgewerkt door: Bumi Herman, Hasanuddin University

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 :

  1. Een model ontwikkelen met behulp van een kunstmatige intelligentiebenadering die de mogelijkheid van rifampicine-resistente tuberculose kan classificeren.
  2. Het diagnostisch vermogen en de nauwkeurigheid van het model beoordelen in vergelijking met de bestaande sneltest en de gouden standaard
  3. Om de kosteneffectiviteitsevaluatie van het kunstmatige neurale netwerkmodel in webgebaseerde applicaties te evalueren in vergelijking met de standaard diagnostische hulpmiddelen

Methodologie

  1. 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.
  2. Een uitgebreide, retrospectieve beoordeling van medische dossiers en individueel tuberculoserapport zullen worden uitgevoerd om een ​​variabele van belang te verkrijgen.
  3. Vragenlijstbeoordeling ter bevestiging van onvoldoende informatie.
  4. Modelbouw door machine learning en deep learning-procedure
  5. 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

Gedetailleerde beschrijving

PROCEDURE

  1. Met toestemming van de studiecentra zal het team de medische dossiers van alle in aanmerking komende gevallen in de afgelopen 5 jaar verkrijgen
  2. 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:

    1. Aanwezigheid van diabetes mellitus (inclusief jaren van diagnose, HbA1c vóór DST-onderzoek en behandeling, medicatie insuline of orale antidiabetica)
    2. Aanwezigheid van hiv ((inclusief jaren van diagnose, CD4-niveau vóór DST-onderzoek en -behandeling, en antiretrovirale medicatie)
    3. Stoppen met roken (Brinkman Index)
    4. Alcohol gebruik
    5. Geschiedenis van het gebruik van immunosuppressiva (steroïden)
    6. Aanwezigheid van andere ziekten (kanker, beroerte, hart- en vaatziekten)
    7. Geschiedenis van drugsmisbruik
    8. Geschiedenis van bijwerkingen tijdens de behandeling van tuberculose
    9. Naleving van eerdere tuberculosetherapie
    10. Aanwezigheid van COPD
    11. Body Mass Index

    Omgeving

    1. Geschiedenis van contact met tuberculosepatiënten
    2. Gezonde Index Leefomgeving (huishoudens)

    Tussenpersoon

    1. Niveau van bacterie-uitstrijkje vóór zomertijd
    2. Uitbreiding van laesie in X-thorax
    3. Aanwezigheid van cavitatie

    Sociaal-demografische factoren

    1. Leeftijd
    2. Geslacht
    3. Onderwijs
    4. Inkomensniveau
    5. Ziektekostenverzekering
    6. Burgerlijke staat
    7. Tewerkstellingsstatus
  3. Bij onvolledige informatie wordt een bevestiging aan het gezondheidscentrum dat de gevallen doorverwees gedaan met behulp van de Tuberculoseregistratie of vragenlijst.
  4. 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:

    1. Bepaal significante parameter
    2. Omgaan met onvoldoende en ongebalanceerde gegevensklasse (over- of onderbemonstering)
    3. Normalisatie (Batch, Min-Max)
    4. Laag en ontwerp
    5. Training en testdistributie (70:30)
    6. Model Selectie
  5. Externe validatie vindt plaats bij het aangewezen studiecentrum. Precisie: (waar positief + echt negatief)/alle gevallen
  6. 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

Observationeel

Inschrijving (Werkelijk)

524

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

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

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Kind
  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Alle vermoedelijke/vermoedelijke gevallen van geneesmiddelresistente tuberculose die in de afgelopen 3 jaar naar het aangewezen studiecentrum zijn gestuurd

Beschrijving

Inclusiecriteria:

  1. Standaardgevallen volgens WHO-criteria
  2. Mislukkingen volgens WHO-criteria
  3. 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:

  1. Onvolledige informatie over snelle moleculaire testresultaten en kweekresultaten
  2. Deelnemers of familie kunnen / willen geen aanvullende informatie verstrekken die via de vragenlijst is verkregen

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

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:
  • GeneXpert MTB/RIF
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:
  • Kunstmatig neuraal netwerk
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:
  • Lowenstein-Jensen Medium Geneesmiddelgevoeligheidstest
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:
  • GeneXpert MTB/RIF
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:
  • Kunstmatig neuraal netwerk
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:
  • Lowenstein-Jensen Medium Geneesmiddelgevoeligheidstest

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

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

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

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Algemene publicaties

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

15 juni 2020

Primaire voltooiing (Werkelijk)

30 september 2020

Studie voltooiing (Werkelijk)

2 oktober 2020

Studieregistratiedata

Eerst ingediend

6 december 2019

Eerst ingediend dat voldeed aan de QC-criteria

19 december 2019

Eerst geplaatst (Werkelijk)

23 december 2019

Updates van studierecords

Laatste update geplaatst (Werkelijk)

27 oktober 2020

Laatste update ingediend die voldeed aan QC-criteria

26 oktober 2020

Laatst geverifieerd

1 oktober 2020

Meer informatie

Termen gerelateerd aan deze studie

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

Onbeslist

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

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 .

Abonneren