Klinisch en radiomisch model van COVID-19
Een klinisch en radiologisch model om de prognose voor COVID-19-patiënten te voorspellen
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
In december 2019 dook in Wuhan, China, een nieuw coronavirus op, ernstig acuut respiratoir syndroom coronavirus 2 (SARS-CoV-2; eerder genoemd als 2019-nCoV). De ziekten veroorzaakt door SARS-CoV-2 is COVID-19. Sinds 8 maart 2020 zijn er wereldwijd meer dan 100.000 COVID-19-patiënten gemeld (meer dan 80.000 gevallen in China, meer dan 20.000 in andere landen), en 3.600 patiënten (3.100 in China, 500 buiten China) zijn overleden. De uitbraak van COVID-19 vormt een noodsituatie op het gebied van de volksgezondheid van internationaal belang.
Van de COVID-19-patiënten is ongeveer 80% een milde (niet-ernstige) ziektepatiënt, die gewoonlijk binnen twee weken geneest. Nog eens 20% van de patiënten kan echter verergeren tot een ernstige of kritieke ziekte die resulteert in een langer verblijf in het ziekenhuis, en het sterftecijfer voor dergelijke patiënten is 13,4%. Daarom is een vroege identificatie van de ernstige patiënten met een hoog risico uiterst belangrijk voor het beheer van de patiënt en de toewijzing van medische middelen. Algemene quarantaine en symptomatische behandeling kunnen worden gebruikt voor de meeste niet-ernstige patiënten, terwijl een hoger zorgniveau en een groen kanaal naar de intensive care-afdeling (ICU) nuttig zijn voor ernstige patiënten. Eerdere studies hebben de klinische en radiologische kenmerken van ernstige COVID-19-patiënten samengevat, terwijl het nog onduidelijk is welke factoren belangrijke voorspellers zijn.
Machine learning is een tak van kunstmatige intelligentie die ons in staat stelt kennis en potentiële wetten uit de gegeven gegevens te leren en een model te bouwen voor het oplossen van problemen die de mens nodig heeft. In de afgelopen jaren is machine learning ontwikkeld als een nieuwe tool om grote hoeveelheden gegevens uit medische dossiers of afbeeldingen te analyseren. Eerdere modelstudies waren gericht op het voorspellen van de mogelijke internationale verspreiding van COVID-19.
Daarom is ons doel het ontwikkelen en valideren van een machine-learning model op basis van alleen klinische, laboratorium- en radiologische kenmerken of een combinatie van COVID-19-patiënten in een vroeg stadium zonder ernstige ziekte uit meerdere centra voor de voorspelling van ernstige (of kritieke) ziekte bij de volgende ziekenhuisopname om risicobeoordeling voor en na symptomen en triage te vergemakkelijken (thuis, ziekenhuisopname binnen of ICU).
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Hubei
-
Wuhan, Hubei, China
- The Central Hospital of Wuhan
-
-
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:
- bevestigde COVID-19-patiënten door high-throughput sequencing of real-time reverse-transcriptase polymerase-kettingreactie (RT-PCR) assay voor nasale en faryngeale uitstrijkjes.
Uitsluitingscriteria:
- patiënten met een ernstige ziekte bij opname;
- tijdsinterval > 2 dagen tussen opname en examens;
- ontbrekende gegevens of vertraagde resultaten
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
ernstige groep
De ernstige groep werd aangewezen wanneer de patiënten tijdens de ziekenhuisopname aan een van de volgende criteria voldeden, uitgegeven door het Chinese National Health Committee (versie 3-5). 1) Ademnood met ademhalingsfrequentie ≥ 30/min; 2) Pulsoximeter Zuurstofverzadiging ≤ 93% in rust; 3) Oxygenatie-index (arteriële partiële zuurstofdruk/geïnspireerde zuurstoffractie, PaO2/FiO2) ≤ 300 mmHg; 4) Een van de volgende voorwaarden: a) respiratoire insufficiëntie treedt op en vereist mechanische ventilatie; b) Er treedt een schok op; c) IC-opname is vereist voor gecombineerd orgaanfalen.
|
Machine learning, zoals logistische regressie, random forest en deep learning
|
|
niet-ernstige groep
De niet-ernstige groep werd aangewezen wanneer de patiënten pas bij ontslag uit het ziekenhuis voorkwamen in de genoemde ernstige criteria.
|
Machine learning, zoals logistische regressie, random forest en deep learning
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Voorspellende prestaties
Tijdsspanne: 1 januari 2020 tot 13 februari 2020
|
AUC, nauwkeurigheid, gevoeligheid en specificiteit
|
1 januari 2020 tot 13 februari 2020
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
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
- UM_2020_GY_COVID-19
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
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 .