- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT04479319
Algoritme for beslutningsstøttesystem for COVID-19-diagnose
Utvikle hybrid beslutningsstøttesystemalgoritme for COVID-19-diagnose mellom RT-PCR-grafikk og thorax-CT-bilder ved bruk av dyp læring
COVID-19 er en smittsom sykdom forårsaket av et nyoppdaget koronavirus som først ble identifisert i Wuhan, Kina i desember 2019. Så ble det nye koronavirusutbruddet beskrevet og annonsert som en pandemi av Verdens helseorganisasjon (WHO) 11. mars 2020.
Omvendt transkripsjon-polymerasekjedereaksjon (RT-PCR) er for tiden gullstandardtesten for diagnose av COVID-19. Ikke desto mindre, på grunn av dens høye falsk-negative rater (%10-50), avhenger ikke diagnose- og behandlingsbeslutninger av RT-PCR alene. Klinisk presentasjon av pasient- og radiologiske funn er også viktig. Imidlertid er verken klinisk presentasjon eller datatomografi (CT)-funn spesifikke for COVID-19. Som en konsekvens av disse utfordringene blir diagnosen av sykdommen og beskyttelsen av samfunnets helse vanskeligere. Etterforskerne av denne studien antok at dyplæringsbasert beslutningsstøttesystem kan hjelpe til med en definitiv diagnose av COVID-19. Målet er å utvikle en dyp læringsbasert beslutningsstøttesystemalgoritme basert på klinisk presentasjon av pasient-, laboratorie- og CT-funn og RT-PCR-data. Tidligere ble deep learning algoritmer med bruk av kjente dype nevrale nettverksarkitekturer som Inception, UNet, ResNet utviklet. Imidlertid var alle disse studiene basert på CT-funn. Det finnes ingen dyplæringsstudier i litteraturen som kombinerer de kliniske, radiologiske og laboratoriefunnene til pasienter.
Prosjektet er basert på tilgjengelige data om COVID-19-pasienter som vil bli innhentet fra Helsedepartementet. Deretter vil dataene bli evaluert for relevans og pålitelighet og merket for opplæring av maskin. Etter anonymisering av data vil data bli behandlet i henhold til de forhåndsbestemte inkluderings-ekskluderingskriteriene. Thorax CT-data vil bli merket som typiske / ubestemte / atypiske / negative for COVID-19 lungebetennelse. CT-bilder av pasienter med kjente ikke-COVID-19 sykdommer vil også bli merket for trening av maskin. Deretter vil feber, antall lymfocytter, nøytrofil til lymfocytt-forhold, kontaktinformasjon, RT-PCR-funn bli merket. Deretter vil pasientene merkes og maskinen trenes med dyp læringsmetode ved hjelp av disse grupperte og merkede dataene. Etter treningsfasen vil algoritmen bli testet og hvis maskinen når målspesifisiteten og sensitiviteten, vil prototypen bli testet. Og så vil prototypen bli innebygd i sykehusets programvaresystem. Denne programvaren og algoritmen vil tjene som et tidlig varslingssystem for klinikere og gi en bedre diagnostisk rate, spesielt med avtagende falsk-negative resultater. Effektene av en pandemi kan ikke måles bare ved antall personer som er diagnostisert og isolert, eller gitt behandling. En pandemi påvirker ikke bare samfunnets helse, men også individers psykologiske status, utdanning, undervisningsmetoder, arbeidsmodeller, daglige livsstiler, produsent-/forbrukeratferd, balanse mellom tilbud og etterspørsel; med andre ord hvert eneste område av livet. På toppen av det, forårsaker en pandemi langsiktige skader som er vanskelige å reversere. Programvaren vil øke de diagnostiske suksessratene, bidra til å kontrollere pandemien og minimere sikkerhetsskadene nevnt ovenfor. Etterforskerne mener at produktet som vil bli produsert på slutten av dette prosjektet vil være til stor nytte for å kontrollere den sekundære bølgen av COVID-19 som forventes å oppstå.
Studieoversikt
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
-
Ankara, Tyrkia
- Ankara University Faculty of Medicine
-
Ankara, Tyrkia
- İhsan Doğramacı Bilkent Üniversitesi
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Voksne pasienter med en differensialdiagnose av COVID-19
Ekskluderingskriterier:
- Pasienter som er under 18 år
- Pasienter som ikke har verken Thorax CT eller SARS-CoV-2 RT-PCR
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
---|---|
COVID-19 lungebetennelse
COVID-19 pasienter som har lungebetennelse på thorax CT enten Thorax CT + SARS-CoV-2 RT-PCR + Kliniske tegn på COVID-19 +/- All kontakt med noen med COVID-19 +/- eller Thorax CT + SARS-CoV-2 RT-PCR - Kliniske tegn på COVID-19 +/- All kontakt med noen med COVID-19 + |
Personer i alle armer har en Thorax CT og RT-PCR for SARS-CoV-2.
Andre navn:
|
COVID-19, uten lungebetennelse
COVID-19 pasienter som ikke har lungebetennelse på thorax CT Thorax CT - SARS-CoV-2 RT-PCR + Kliniske tegn på COVID-19 +/- All kontakt med noen med COVID-19 +/- |
Personer i alle armer har en Thorax CT og RT-PCR for SARS-CoV-2.
Andre navn:
|
Ikke COVID-19
Pasienter med virusinfeksjonssymptomer som ikke er diagnostisert med COVID-19 enten Thorax CT - SARS-CoV-2 RT-PCR - Kliniske tegn på COVID-19 +/- All kontakt med noen med COVID-19 +/- eller Thorax CT + SARS-CoV-2 RT-PCR - Kliniske tegn på COVID-19 +/- All kontakt med noen med COVID-19 - |
Personer i alle armer har en Thorax CT og RT-PCR for SARS-CoV-2.
Andre navn:
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Diagnostisering av covid-19
Tidsramme: Gjennom studiegjennomføring i snitt 1 år
|
Bestemmelse av sensitivitet og spesifisitet ved å forutsi COVID-19-diagnose av hybrid beslutningsstøttesystem
|
Gjennom studiegjennomføring i snitt 1 år
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Etterforskere
- Studiestol: Özlem Özdemir Kumbasar, Prof Dr, Ankara University
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Li L, Qin L, Xu Z, Yin Y, Wang X, Kong B, Bai J, Lu Y, Fang Z, Song Q, Cao K, Liu D, Wang G, Xu Q, Fang X, Zhang S, Xia J, Xia J. Using Artificial Intelligence to Detect COVID-19 and Community-acquired Pneumonia Based on Pulmonary CT: Evaluation of the Diagnostic Accuracy. Radiology. 2020 Aug;296(2):E65-E71. doi: 10.1148/radiol.2020200905. Epub 2020 Mar 19.
- Li K, Wu J, Wu F, Guo D, Chen L, Fang Z, Li C. The Clinical and Chest CT Features Associated With Severe and Critical COVID-19 Pneumonia. Invest Radiol. 2020 Jun;55(6):327-331. doi: 10.1097/RLI.0000000000000672.
- Jan B, Farman H, Khan M, Imran M, Islam IU, Ahmad A, et al. Deep learning in big data analytics: a comparative study. Computers & Electrical Engineering. 2019;75:275-87
- Simpson S, Kay FU, Abbara S, Bhalla S, Chung JH, Chung M, Henry TS, Kanne JP, Kligerman S, Ko JP, Litt H. Radiological Society of North America Expert Consensus Statement on Reporting Chest CT Findings Related to COVID-19. Endorsed by the Society of Thoracic Radiology, the American College of Radiology, and RSNA - Secondary Publication. J Thorac Imaging. 2020 Jul;35(4):219-227. doi: 10.1097/RTI.0000000000000524.
- Santosh KC. AI-Driven Tools for Coronavirus Outbreak: Need of Active Learning and Cross-Population Train/Test Models on Multitudinal/Multimodal Data. J Med Syst. 2020 Mar 18;44(5):93. doi: 10.1007/s10916-020-01562-1.
- Vaishya R, Javaid M, Khan IH, Haleem A. Artificial Intelligence (AI) applications for COVID-19 pandemic. Diabetes Metab Syndr. 2020 Jul-Aug;14(4):337-339. doi: 10.1016/j.dsx.2020.04.012. Epub 2020 Apr 14.
- Zhou Z, Siddiquee MMR, Tajbakhsh N, Liang J. UNet++: A Nested U-Net Architecture for Medical Image Segmentation. Deep Learn Med Image Anal Multimodal Learn Clin Decis Support (2018). 2018 Sep;11045:3-11. doi: 10.1007/978-3-030-00889-5_1. Epub 2018 Sep 20.
- Li D, Wang D, Dong J, Wang N, Huang H, Xu H, Xia C. False-Negative Results of Real-Time Reverse-Transcriptase Polymerase Chain Reaction for Severe Acute Respiratory Syndrome Coronavirus 2: Role of Deep-Learning-Based CT Diagnosis and Insights from Two Cases. Korean J Radiol. 2020 Apr;21(4):505-508. doi: 10.3348/kjr.2020.0146. Epub 2020 Mar 5.
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
- 09081
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
Kliniske studier på Thorax CT
-
Jena University HospitalGE Healthcare; Zentrum für Klinische Studien JenaAktiv, ikke rekrutterende
-
University Health Network, TorontoAvsluttet
-
Nordsjaellands HospitalBispebjerg Hospital; University of Southern DenmarkAktiv, ikke rekrutterendeMyokardskade | Akutt nyreskade | Lungesykdom | Mage, AkuttDanmark
-
The Christie NHS Foundation TrustUniversity of ManchesterPåmelding etter invitasjon
-
University Hospital, Strasbourg, FranceREGION GRAND EST; E-MEDIA; VISIBLE PATIENTRekrutteringRespirasjonssvikt med hypoksi | SARS-CoV-2-infeksjonerFrankrike
-
Poitiers University HospitalUkjentGullstandarden for gjeldende SARS CoV2-deteksjon er RT-PCRFrankrike
-
The University of Hong KongKwong Wah Hospital; The Queen Elizabeth Hospital; Hong Kong Sanatorium &...Rekruttering
-
University Hospital, Strasbourg, FranceVISIBLE PATIENT, E-MEDIARekrutteringSARS-CoV-2-infeksjon | Respirasjonssvikt med hypoksiFrankrike
-
Sheba Medical CenterFullført