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

Door kunstmatige intelligentie ondersteunde diagnose en prognose bij COVID-19 met behulp van elektrocardiogrammen (AI-COV-19)

24 augustus 2021 bijgewerkt door: Imperial College London

Door kunstmatige intelligentie ondersteunde diagnose en prognose bij COVID-19 met behulp van elektrocardiogrammen en beeldvorming

Coronavirus Disease 2019 (COVID-19) is sinds december 2019 wereldwijd wijdverbreid. Het is zeer besmettelijk en ernstige gevallen kunnen leiden tot acute ademnood of meervoudig orgaanfalen. Op 11 maart 2020 heeft de WHO de inschatting gemaakt dat COVID-19 kan worden gekarakteriseerd als een pandemie. Met de ontwikkeling van machine learning heeft op deep learning gebaseerde kunstmatige intelligentie (AI)-technologie een enorm succes getoond op het gebied van medische gegevensanalyse vanwege het vermogen om rijke functies te extraheren uit beeldvorming en complexe klinische gegevenssets. In deze studie streven we ernaar klinische gegevens te gebruiken die zijn verzameld als onderdeel van routinematige klinische zorg (harttracings, röntgenfoto's en CT-scans) om kunstmatige intelligentie en machine learning-algoritmen te trainen, om het ziekteverloop bij patiënten met Covid-19 nauwkeurig te voorspellen. infectie, met behulp van deze datasets.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Coronavirus Disease 2019 (COVID-19) is sinds december 2019 wereldwijd wijdverbreid. Het is zeer besmettelijk en ernstige gevallen kunnen leiden tot acute ademnood of meervoudig orgaanfalen en uiteindelijk tot de dood. De ziekte kan worden bevestigd door gebruik te maken van de reverse-transcription polymerase chain reaction (RT-PCR)-test. ECG's, thoraxfoto's en CT-scans zijn rijke gegevensbronnen die inzicht geven in ziekten die anders niet beschikbaar zouden zijn.

Weten wie moet worden opgenomen in het ziekenhuis of op de intensive care, redt levens omdat het helpt om tekorten aan middelen te verminderen. Nieuwe hulpmiddelen voor kunstmatige intelligentie, zoals deep learning, zullen een complexe beoordeling van de beeldvorming en klinische gegevens mogelijk maken die clinici mogelijk kunnen helpen een snellere en nauwkeurigere diagnose te stellen, patiënten beter te triage en de behandelingsrespons te beoordelen en uiteindelijk een betere voorspelling van de uitkomst. Onze groep heeft veel ervaring met het implementeren van machine learning-algoritmen op grote hoeveelheden ECG's, zoals van de UK Biobank, en stelt voor om onze technieken uit te breiden naar gegevens van patiënten met Covid-19.

Dit is een retrospectief dataonderzoek bij patiënten met verdachte en bevestigde COVID-19.

De studie heeft tot doel om tot 2000 patiënten te rekruteren die zullen worden doorverwezen voor ECG's, röntgenfoto's van de borst of CT-scans bij Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust en London North West London University Healthcare NHS Trust.

Om in deze studie te worden opgenomen, moet de patiënt:

  • ECG's, thoraxfoto's en/of thorax-CT-beeldvorming (met of zonder contrast) hebben
  • laboratorium Covid-19 virus nucleïnezuurtest (RTPCR-assay met keeluitstrijkjes) of klinische verdenking op Covid19-infectie
  • ouder zijn dan 18 jaar Patiënten met suboptimale ECG's, thoraxfoto's en CT-onderzoeken als gevolg van artefacten worden uitgesloten. Patiënten worden ook uitgesloten als het tijdsinterval tussen ECG's, thorax-CT en de RT-PCR-assay langer was dan 7 dagen.

Deze studie kreeg op 18 mei 2020 goedkeuring van HRA en Health and Care Research Wales (HCRW) na beoordeling door de Research Ethics Committee tijdens een vergadering op 13 mei 2020 (Protocolnummer: 20HH5967; REC-referentie: 20/HRA/2467).

Studietype

Observationeel

Inschrijving (Verwacht)

2000

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

  • Verenigd Koninkrijk
      • London, Verenigd Koninkrijk, HA1 3UJ
        • Werving
        • London North West University Healthcare NHS Trust
        • Contact:
      • London, Verenigd Koninkrijk, TW7 6AF
      • London, Verenigd Koninkrijk, W12 0NN
        • Actief, niet wervend
        • Imperial College London (Hammersmith campus)
      • London, Verenigd Koninkrijk, W2 1NY

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

14 jaar en ouder (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

Nee

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Dit is een retrospectief dataonderzoek bij patiënten met verdachte en bevestigde COVID-19.

De studie heeft tot doel om tot 2000 patiënten te rekruteren die zullen worden doorverwezen voor ECG's, röntgenfoto's van de borst of CT-scans bij Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust en London North West London University Healthcare NHS Trust.

Beschrijving

Inclusiecriteria:

  • ECG's, thoraxfoto's en/of thorax-CT-beeldvorming (met of zonder contrast) hebben
  • positieve laboratorium Covid-19 virus nucleïnezuurtest (RTPCR-assay met keeluitstrijkjes) of klinisch vermoeden voor Covid-19 infectie
  • ouder zijn dan 18 jaar

Uitsluitingscriteria:

  • Suboptimale ECG's, thoraxfoto's of CT-onderzoeken voor deep learning-methoden vanwege artefacten, waaronder ernstige
  • bewegingsartefacten die vervaging van de contouren van of significante artefacten als gevolg van metalen prothesen veroorzaken die beeldverslechtering veroorzaken
  • Tijdsinterval tussen ECG's, thorax-CT en de RT-PCR-assay was langer dan 7 dagen

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: Cohort
  • Tijdsperspectieven: Retrospectief

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Nauwkeurigheid van machine learning om de uitkomst van een coronavirus (COVID-19) infectie te kunnen voorspellen
Tijdsspanne: Aan het einde van data-analyses, ongeveer 1 jaar
Nauwkeurigheid waarmee computergebaseerde analyse (machine learning) Covid-19 kan diagnosticeren en/of voorspellen Aantal deelnemers met COVID19 die overleden of overleefden na ziekenhuisopname
Aan het einde van data-analyses, ongeveer 1 jaar
Nauwkeurigheid van machine learning om de prognose van een coronavirusinfectie (COVID-19) te kunnen voorspellen
Tijdsspanne: Aan het einde van data-analyses, ongeveer 1 jaar
Aantal deelnemers dat invasieve vs. niet-invasieve beademing nodig had vs. verpleegafdeling vs. overleden
Aan het einde van data-analyses, ongeveer 1 jaar

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Nauwkeurigheid van machine learning om cardiale betrokkenheid van coronavirus (COVID-19) infectie te kunnen voorspellen
Tijdsspanne: Aan het einde van data-analyses, ongeveer 1 jaar
Aantal deelnemers met COVID19-gerelateerde hartproblemen.
Aan het einde van data-analyses, ongeveer 1 jaar
Nauwkeurigheid van machine learning versus menselijke beoordeling om coronavirus (COVID-19) infectie te diagnosticeren
Tijdsspanne: Aan het einde van data-analyses, ongeveer 1 jaar
Aantal deelnemers waarvan kan worden vastgesteld dat ze COVID19 hebben met behulp van machine learning versus menselijke of andere klinische tests of beoordelingen
Aan het einde van data-analyses, ongeveer 1 jaar

Medewerkers en onderzoekers

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

Sponsor

Imperial College London

Medewerkers

Imperial College Healthcare NHS Trust
London North West Healthcare NHS Trust
Chelsea and Westminster Hospital NHS Foundation Trust

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)

26 mei 2020

Primaire voltooiing (Verwacht)

1 mei 2022

Studie voltooiing (Verwacht)

1 mei 2022

Studieregistratiedata

Eerst ingediend

7 augustus 2020

Eerst ingediend dat voldeed aan de QC-criteria

11 augustus 2020

Eerst geplaatst (Werkelijk)

12 augustus 2020

Updates van studierecords

Laatste update geplaatst (Werkelijk)

30 augustus 2021

Laatste update ingediend die voldeed aan QC-criteria

24 augustus 2021

Laatst geverifieerd

1 augustus 2021

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 20HH5967

Plan Individuele Deelnemersgegevens (IPD)

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

Ja

Beschrijving IPD-plan

Dit is een studie waarbij gebruik wordt gemaakt van retrospectieve, pseudo-geanonimiseerde gegevens die zijn verkregen als onderdeel van de routinematige klinische zorg voor de patiënten. Er zijn geen directe risico's voor de gezondheid van de patiënt. De belangrijkste problemen draaien rond gegevensbeveiliging en -opslag. Om dit aan te pakken, zullen leden van het directe zorgteam die geen lid zijn van het onderzoeksteam de gegevens pseudo-anonimiseren en een reeks pseudo-geanonimiseerde gegevens doorgeven aan het onderzoeksteam zonder toegang tot de pseudo-anonimisering. code. Het onderzoeksteam zal de patiënten uit die gegevens dus niet kunnen identificeren. De pseudo-geanonimiseerde gegevens zullen ook veilig worden opgeslagen om de risico's verder te minimaliseren.

IPD-tijdsbestek voor delen

binnen studieduur

IPD-toegangscriteria voor delen

Onderzoekers van de studie

IPD delen Ondersteunend informatietype

  • Leerprotocool
  • Statistisch Analyse Plan (SAP)

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