- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT04395482
Lunge-CT-skanningsanalyse av SARS-CoV2-indusert lungeskade (TAC-COVID19)
Lunge-CT-skanningsanalyse av SARS-CoV2-indusert lungeskade ved maskinlæring: en multisenter retrospektiv kohortstudie.
Studieoversikt
Status
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
BAKGRUNN:
I februar ble det første tilfellet av SARS-CoV2-positive pasienter registrert i Lombardia (Italia), et virus som kan forårsake en alvorlig form for akutt respirasjonssvikt kalt Coronavirus Disease 2019 (COVID-19).
Kvalitative vurderinger av lungemorfologi er identifisert for å beskrive makroskopiske egenskaper ved denne infeksjonen ved innleggelse og under sykehusinnleggelse av pasienter.
For øyeblikket er det ingen studier som uttømmende har beskrevet parenkymal lungeskade indusert av SARS-CoV2 ved kvantitativ analyse.
Hypotesen for denne studien er at spesifikke morfologiske og kvantitative endringer av lungeparenkymet vurdert ved hjelp av CT-skanning hos pasienter som lider av alvorlig respiratorisk insuffisiens indusert av SARS-CoV2 kan ha en innvirkning på alvorlighetsgraden av endringsgraden av respirasjonsutvekslingene (oksygenering og fjerning av CO2) og har innvirkning på pasientresultatet.
Tilstedeværelsen av karakteristiske lungemorfologiske mønstre vurdert ved CT-skanning kan tillate gjenkjennelse av spesifikke pasientklynger som kan dra nytte av intensiv behandling annerledes, noe som gir et betydelig bidrag til å stratifisere alvorlighetsgraden til pasientene og deres risiko for dødelighet.
Dette er en eksplorativ klinisk beskrivende studie av lunge-CT-bilder i en helt ny pasientpopulasjon som er SARS-CoV2-positive med nukleinsyreamplifikasjonstest.
PRØVESTØRRELSE (n. pasienter):
Studien vil samle alle pasienter med inklusjonskriteriene; totalt 500 pasienter forventes å bli samlet inn.
Omtrent 80 pasienter vil bli registrert for hvert lokalt forsøkssenter.
Følgende pasientdata vil bli analysert:
- blodgassanalytiske data tilordnet CT-skanningen, kontroller utført ved innreise på sykehuset, på tidspunktet for utførelse av CT-skanningen, innleggelse til intensivbehandling og 7 dager etter innreise
- pasientkarakteristikker som alder, kjønn og kroppsmasseindeks (BMI)
- komorbiditet
- tilstedeværelse av organdysfunksjon med Sequential Organ Failure Assessment (SOFA)
- laboratoriedata knyttet til sykehusinnleggelse og symptomer før sykehusinnleggelse.
- respirator og hemodynamiske parametere ved innreise på sykehuset, på tidspunktet for gjennomføring av CT-skanning, ved innleggelse til intensivbehandling og 7 dager etter innreise.
Maskinlæringstilnærmingen til lunge-CT-skanningsanalyse tar sikte på å evaluere:
- Kvantitative og kvalitative lungeendringer;
- Stratifiseringen av slike morfologiske egenskaper i spesifikke morfologiske lungeklynger identifisert ved hjelp av kunstig intelligens ved bruk av dyplæringsalgoritmer.
ETISKE ASPEKTER:
Lunge-CT-skanningsbildene vil bli samlet inn og anonymisert. Bilder vil deretter bli sendt av University of Milano-Bicocca Institutional google drive-konto til University of Pennsylvania, Department of Anesthesiology and Critical Care og Department of Radiology i et avidentifisert format for avansert kvantitativ analyse som utnytter kunstig intelligens ved bruk av dyplæringsalgoritmer.
Dataene vil bli samlet inn på en pseudo-anonym måte gjennom papir Case Report Form (CRF) og analysert av den vitenskapelige koordinatoren for prosjektet.
Gitt den retrospektive karakteren av studien og i nærvær av tekniske vanskeligheter med å innhente et informert samtykke fra pasienter i denne perioden med pandemisk nødsituasjon, vil informert samtykke fravikes.
STATISTISK ANALYSE:
Kontinuerlige data vil bli uttrykt som gjennomsnitt ± standardavvik eller median og interkvartilt område, i henhold til datafordelingen som vil bli evaluert av Shapiro-Wilk-testen. Kategoriske variabler vil uttrykkes som proporsjoner (frekvens).
Den dype læringssegmenteringsalgoritmen vil segmentere lungeparenkymet fra hele CT-lungen. Lungevolum, lungevekt og opasitetsintensitetsfordelingsanalyse vil bli brukt. For det andre vil klyngeanalyse for å stratifisere pasientene bli utført. Både en intensitets- og en romlig klyngealgoritme vil bli testet. For det tredje vil en modell trenes til å forutsi skadeprogresjonen ved å bruke bildene og alle andre pasientdata. Statistisk signifikans vil bli vurdert i nærvær av en p<0,05 (two-tailed).
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
-
Bergamo, Italia
- Ospedale Papa Giovanni XXIII
-
Bergamo, Italia
- Policlinico San Marco-San Donato group
-
Ferrara, Italia
- Azienda Ospedaliero-Universitaria di Ferrara
-
Lecco, Italia
- ASST di Lecco Ospedale Alessandro Manzoni
-
Melzo, Italia
- ASST Melegnano-Martesana, Ospedale Santa Maria delle Stelle
-
Monza, Italia
- ASST Monza
-
Rimini, Italia
- AUSL Romagna-Ospedale Infermi di Rimini
-
-
-
-
-
San Marino, San Marino
- Istituto per la Sicurezza Sociale-Ospedale della Repubblica di San Marino
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inkluderingskriterier (COVID-19-kohort):
- Pasienter 18 år eller eldre;
- Positiv bekreftelse med nukleinsyreamplifikasjonstest eller serologi av SARS-CoV2 ved nasofaryngeal vattpinne, bronkoaspiratprøve eller bronkoalveolær skylling;
- Lunge-CT-skanning utført innen 7 dager etter sykehusinnleggelse;
Inkluderingskriterier (ARDS-kohort):
- Pasienter over 18 år eller eldre;
- Pasienter innlagt på sykehus med diagnosen ARDS i henhold til Berlin-kriteriene;
- Lunge-CT-skanning utført innen 7 dager etter ARDS-diagnose;
Ekskluderingskriterier (ARDS-kohort):
● Positiv bekreftelse med nukleinsyreamplifikasjonstest eller serologi av SARS-CoV2 ved nasofaryngeal vattpinne, bronkoaspiratprøve eller bronkoalveolær skylling
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Kohort
- Tidsperspektiver: Retrospektiv
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
---|---|
pasienter relatert til covid-19 lungebetennelse
Studien tar sikte på å samle inn det høyest mulige antallet lunge-CT-skanningsbilder utført hos pasienter med COVID-19, for å oppnå en stor prøvestørrelse som vil tillate oss å karakterisere omfanget av lungeskade, tilstedeværelsen av spesifikke mønstre av lungeendringer , og deres potensielle assosiasjon med utfallet av pasienter - med tanke på å hjelpe det medisinske personalet med å bedre forstå graden av alvorlighetssvikt hos disse pasientene som potensielt kan være kandidater til mer intensive terapeutiske strategier.
|
Dette forskningsprosjektet vil evaluere de morfologiske egenskapene til lungen ved CT-skanningsanalyse hos COVID-19-pasienter som vil bli identifisert som spesifikke mønstre ved bruk av kunstig intelligens-teknologi og deres innvirkning på utfallet.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
En kvalitativ analyse av parenkymal lungeskade indusert av COVID-19
Tidsramme: Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Beskriv den parenkymale lungeskaden indusert av COVID-19 gjennom en kvalitativ analyse med bryst-CT gjennom kunstig intelligens-teknikker.
|
Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
En kvantitativ analyse av parenkymal lungeskade indusert av COVID-19
Tidsramme: Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Beskriv parenkymal lungeskade indusert av COVID-19 gjennom en kvantitativ analyse med bryst-CT gjennom kunstig intelligens-teknikker.
|
Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Den potensielle virkningen av parenkymale morfologiske CT-skanninger hos pasienter med alvorlig moderat respirasjonssvikt.
Tidsramme: Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Den potensielle påvirkningen av parenkymale morfologiske CT-skanninger hos pasienter med alvorlig moderat respirasjonssvikt vurdert som intensivbehandlingsdødelighet.
|
Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Den potensielle virkningen av parenkymale morfologiske CT-skanninger hos pasienter med alvorlig moderat respirasjonssvikt.
Tidsramme: Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Den potensielle effekten av parenkymale morfologiske CT-skanninger hos pasienter med alvorlig moderat respirasjonssvikt vurdert som sykehusdødelighet.
|
Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Den potensielle virkningen av parenkymale morfologiske CT-skanninger hos pasienter med alvorlig moderat respirasjonssvikt.
Tidsramme: Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Den potensielle effekten av parenkymale morfologiske CT-skanninger hos pasienter med alvorlig moderat respirasjonssvikt vurdert som dager fri for mekanisk ventilasjon.
|
Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Automatisert segmentering av lungeskanninger av pasienter med COVID-19 og ARDS.
Tidsramme: Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Hypotesen er at bruken av dype nevrale nettverksmodeller for lungesegmentering ved akutt respiratorisk distresssyndrom (ARDS) i dyremodeller og kronisk obstruktiv lungesykdom (KOLS) hos pasienter som kan brukes til å selvsegmentere lungene til COVID-19-pasienter gjennom en læringsoverføringsmekanisme med kunstig intelligens.
|
Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Kunnskap om bryst-CT-funksjoner hos COVID-19-pasienter og deres detaljer gjennom bruk av maskinlæring og andre kvantitative teknikker.
Tidsramme: Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Utvid kunnskapen om bryst-CT-funksjoner hos COVID-19-pasienter og deres detaljer gjennom bruk av maskinlæring og andre kvantitative teknikker som sammenligner CT-mønstre hos COVID-19-pasienter med pasienter med ARDS.
|
Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Evnen der analysen av kunstig intelligens som bruker dyplæringsmodeller kan brukes til å forutsi kliniske utfall
Tidsramme: Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Bestem kapasiteten innenfor hvilken kunstig intelligens-analysen som bruker dyplæringsmodeller kan brukes til å forutsi kliniske utfall fra analysen av egenskapene til bryst-CT oppnådd innen 7 dager etter sykehusinnleggelse; kombinere kvantitative CT-data med kliniske data.
|
Inntil pasienten utskrives fra sykehuset (ca. 6 måneder)
|
Samarbeidspartnere og etterforskere
Sponsor
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Huang C, Wang Y, Li X, Ren L, Zhao J, Hu Y, Zhang L, Fan G, Xu J, Gu X, Cheng Z, Yu T, Xia J, Wei Y, Wu W, Xie X, Yin W, Li H, Liu M, Xiao Y, Gao H, Guo L, Xie J, Wang G, Jiang R, Gao Z, Jin Q, Wang J, Cao B. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020 Feb 15;395(10223):497-506. doi: 10.1016/S0140-6736(20)30183-5. Epub 2020 Jan 24. Erratum In: Lancet. 2020 Jan 30;:
- Chen N, Zhou M, Dong X, Qu J, Gong F, Han Y, Qiu Y, Wang J, Liu Y, Wei Y, Xia J, Yu T, Zhang X, Zhang L. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. Lancet. 2020 Feb 15;395(10223):507-513. doi: 10.1016/S0140-6736(20)30211-7. Epub 2020 Jan 30.
- Wang D, Hu B, Hu C, Zhu F, Liu X, Zhang J, Wang B, Xiang H, Cheng Z, Xiong Y, Zhao Y, Li Y, Wang X, Peng Z. Clinical Characteristics of 138 Hospitalized Patients With 2019 Novel Coronavirus-Infected Pneumonia in Wuhan, China. JAMA. 2020 Mar 17;323(11):1061-1069. doi: 10.1001/jama.2020.1585. Erratum In: JAMA. 2021 Mar 16;325(11):1113.
- Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, Xiang J, Wang Y, Song B, Gu X, Guan L, Wei Y, Li H, Wu X, Xu J, Tu S, Zhang Y, Chen H, Cao B. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020 Mar 28;395(10229):1054-1062. doi: 10.1016/S0140-6736(20)30566-3. Epub 2020 Mar 11. Erratum In: Lancet. 2020 Mar 28;395(10229):1038. Lancet. 2020 Mar 28;395(10229):1038.
- Yang X, Yu Y, Xu J, Shu H, Xia J, Liu H, Wu Y, Zhang L, Yu Z, Fang M, Yu T, Wang Y, Pan S, Zou X, Yuan S, Shang Y. Clinical course and outcomes of critically ill patients with SARS-CoV-2 pneumonia in Wuhan, China: a single-centered, retrospective, observational study. Lancet Respir Med. 2020 May;8(5):475-481. doi: 10.1016/S2213-2600(20)30079-5. Epub 2020 Feb 24. Erratum In: Lancet Respir Med. 2020 Apr;8(4):e26.
- Shi H, Han X, Jiang N, Cao Y, Alwalid O, Gu J, Fan Y, Zheng C. Radiological findings from 81 patients with COVID-19 pneumonia in Wuhan, China: a descriptive study. Lancet Infect Dis. 2020 Apr;20(4):425-434. doi: 10.1016/S1473-3099(20)30086-4. Epub 2020 Feb 24.
- Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, Tao Q, Sun Z, Xia L. Correlation of Chest CT and RT-PCR Testing for Coronavirus Disease 2019 (COVID-19) in China: A Report of 1014 Cases. Radiology. 2020 Aug;296(2):E32-E40. doi: 10.1148/radiol.2020200642. Epub 2020 Feb 26.
- Pan F, Ye T, Sun P, Gui S, Liang B, Li L, Zheng D, Wang J, Hesketh RL, Yang L, Zheng C. Time Course of Lung Changes at Chest CT during Recovery from Coronavirus Disease 2019 (COVID-19). Radiology. 2020 Jun;295(3):715-721. doi: 10.1148/radiol.2020200370. Epub 2020 Feb 13.
- Chung M, Bernheim A, Mei X, Zhang N, Huang M, Zeng X, Cui J, Xu W, Yang Y, Fayad ZA, Jacobi A, Li K, Li S, Shan H. CT Imaging Features of 2019 Novel Coronavirus (2019-nCoV). Radiology. 2020 Apr;295(1):202-207. doi: 10.1148/radiol.2020200230. Epub 2020 Feb 4.
- Remuzzi A, Remuzzi G. COVID-19 and Italy: what next? Lancet. 2020 Apr 11;395(10231):1225-1228. doi: 10.1016/S0140-6736(20)30627-9. Epub 2020 Mar 13.
- Grasselli G, Pesenti A, Cecconi M. Critical Care Utilization for the COVID-19 Outbreak in Lombardy, Italy: Early Experience and Forecast During an Emergency Response. JAMA. 2020 Apr 28;323(16):1545-1546. doi: 10.1001/jama.2020.4031. No abstract available.
- Dong E, Du H, Gardner L. An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis. 2020 May;20(5):533-534. doi: 10.1016/S1473-3099(20)30120-1. Epub 2020 Feb 19. No abstract available. Erratum In: Lancet Infect Dis. 2020 Sep;20(9):e215.
- Zhou S, Wang Y, Zhu T, Xia L. CT Features of Coronavirus Disease 2019 (COVID-19) Pneumonia in 62 Patients in Wuhan, China. AJR Am J Roentgenol. 2020 Jun;214(6):1287-1294. doi: 10.2214/AJR.20.22975. Epub 2020 Mar 5.
- Xiong Y, Sun D, Liu Y, Fan Y, Zhao L, Li X, Zhu W. Clinical and High-Resolution CT Features of the COVID-19 Infection: Comparison of the Initial and Follow-up Changes. Invest Radiol. 2020 Jun;55(6):332-339. doi: 10.1097/RLI.0000000000000674.
- Salehi S, Abedi A, Balakrishnan S, Gholamrezanezhad A. Coronavirus Disease 2019 (COVID-19): A Systematic Review of Imaging Findings in 919 Patients. AJR Am J Roentgenol. 2020 Jul;215(1):87-93. doi: 10.2214/AJR.20.23034. Epub 2020 Mar 14.
- Dai WC, Zhang HW, Yu J, Xu HJ, Chen H, Luo SP, Zhang H, Liang LH, Wu XL, Lei Y, Lin F. CT Imaging and Differential Diagnosis of COVID-19. Can Assoc Radiol J. 2020 May;71(2):195-200. doi: 10.1177/0846537120913033. Epub 2020 Mar 4.
- Li Y, Xia L. Coronavirus Disease 2019 (COVID-19): Role of Chest CT in Diagnosis and Management. AJR Am J Roentgenol. 2020 Jun;214(6):1280-1286. doi: 10.2214/AJR.20.22954. Epub 2020 Mar 4.
- Xie X, Zhong Z, Zhao W, Zheng C, Wang F, Liu J. Chest CT for Typical Coronavirus Disease 2019 (COVID-19) Pneumonia: Relationship to Negative RT-PCR Testing. Radiology. 2020 Aug;296(2):E41-E45. doi: 10.1148/radiol.2020200343. Epub 2020 Feb 12.
- Fang Y, Zhang H, Xie J, Lin M, Ying L, Pang P, Ji W. Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR. Radiology. 2020 Aug;296(2):E115-E117. doi: 10.1148/radiol.2020200432. Epub 2020 Feb 19. No abstract available.
- Bai HX, Hsieh B, Xiong Z, Halsey K, Choi JW, Tran TML, Pan I, Shi LB, Wang DC, Mei J, Jiang XL, Zeng QH, Egglin TK, Hu PF, Agarwal S, Xie FF, Li S, Healey T, Atalay MK, Liao WH. Performance of Radiologists in Differentiating COVID-19 from Non-COVID-19 Viral Pneumonia at Chest CT. Radiology. 2020 Aug;296(2):E46-E54. doi: 10.1148/radiol.2020200823. Epub 2020 Mar 10.
- Bernheim A, Mei X, Huang M, Yang Y, Fayad ZA, Zhang N, Diao K, Lin B, Zhu X, Li K, Li S, Shan H, Jacobi A, Chung M. Chest CT Findings in Coronavirus Disease-19 (COVID-19): Relationship to Duration of Infection. Radiology. 2020 Jun;295(3):200463. doi: 10.1148/radiol.2020200463. Epub 2020 Feb 20.
- Guo L, Wei D, Zhang X, Wu Y, Li Q, Zhou M, Qu J. Clinical Features Predicting Mortality Risk in Patients With Viral Pneumonia: The MuLBSTA Score. Front Microbiol. 2019 Dec 3;10:2752. doi: 10.3389/fmicb.2019.02752. eCollection 2019. Erratum In: Front Microbiol. 2020 Jun 09;11:1304.
- Ki M; Task Force for 2019-nCoV. Epidemiologic characteristics of early cases with 2019 novel coronavirus (2019-nCoV) disease in Korea. Epidemiol Health. 2020;42:e2020007. doi: 10.4178/epih.e2020007. Epub 2020 Feb 9.
Hjelpsomme linker
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- TAC-COVID19
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .
Kliniske studier på covid-19
-
HealthQuiltFullførtImmunfunksjon | Covid19 positiv pasient | Covid19 nærkontaktForente stater
-
VA Office of Research and DevelopmentAktiv, ikke rekrutterendeKOLS-pasienter og pasienter som kommer seg etter COVID19Forente stater
-
Bahçeşehir UniversityFullførtLang Covid19 | Autonom dysfunksjonTyrkia
-
Ohio State UniversityRekrutteringPost-akutt COVID19-syndrom | Lang COVID | Tilstand etter COVID19Forente stater
-
Texas Woman's UniversityNational Institutes of Health (NIH)Har ikke rekruttert ennå
-
Aarhus University HospitalUniversity of Aarhus; Pharma NordFullført
-
Cairo UniversityKasr El Aini HospitalUkjentCOVID19 lungebetennelseEgypt
-
Assistance Publique - Hôpitaux de ParisUkjent
-
Brugmann University HospitalRekruttering
-
North Carolina Central UniversityLumbee Tribe of North Carolina; University of North Carolina at PembrokeRekrutteringCovid19 virusinfeksjonForente stater