Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Kunstig intelligens-assistert diagnose og prognose ved COVID-19 ved bruk av elektrokardiogrammer (AI-COV-19)

24. august 2021 oppdatert av: Imperial College London

Kunstig intelligens-assistert diagnose og prognose ved COVID-19 ved bruk av elektrokardiogrammer og bildebehandling

Coronavirus Disease 2019 (COVID-19) har vært utbredt over hele verden siden desember 2019. Det er svært smittsomt, og alvorlige tilfeller kan føre til akutt pustebesvær eller multippel organsvikt. 11. mars 2020 gjorde WHO vurderingen at COVID-19 kan karakteriseres som en pandemi. Med utviklingen av maskinlæring har dyplæringsbasert kunstig intelligens (AI)-teknologi vist enorm suksess innen medisinsk dataanalyse på grunn av dens kapasitet til å trekke ut rike funksjoner fra bildebehandling og komplekse kliniske datasett. I denne studien tar vi sikte på å bruke kliniske data samlet inn som en del av rutinemessig klinisk behandling (hjertesporing, røntgen og CT-skanninger) for å trene kunstig intelligens og maskinlæringsalgoritmer, for å nøyaktig forutsi sykdomsforløpet hos pasienter med Covid-19 infeksjon ved å bruke disse datasettene.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Coronavirus Disease 2019 (COVID-19) har vært utbredt over hele verden siden desember 2019. Det er svært smittsomt, og alvorlige tilfeller kan føre til akutt pustebesvær eller multippel organsvikt og til slutt død. Sykdommen kan bekreftes ved å bruke revers-transkripsjonspolymerasekjedereaksjon (RT-PCR)-testen. EKG, røntgen thorax og CT-skanninger er rike kilder til data som gir innsikt i sykdom som ellers ikke ville vært tilgjengelig.

Å vite hvem som skal legges inn på sykehuset eller intensivavdelingen redder liv siden det bidrar til å redusere ressursmangel. Nye verktøy for kunstig intelligens som Deep learning vil tillate en kompleks vurdering av bildebehandlingen og kliniske data som potensielt kan hjelpe klinikere til å stille en raskere og mer nøyaktig diagnose, bedre triage pasienter og vurdere behandlingsrespons og til slutt bedre prediksjon av utfall. Gruppen vår har betydelig erfaring med å implementere maskinlæringsalgoritmer på enorme mengder EKG, for eksempel fra UK Biobank, og foreslår å utvide teknikkene våre til data fra pasienter med Covid-19.

Dette er en retrospektiv datastudie på pasienter med mistenkelig og bekreftet COVID-19.

Studien tar sikte på å rekruttere opptil 2000 pasienter som vil bli henvist til å ha EKG, røntgen thorax eller CT-skanning ved Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust og London North West London University Healthcare NHS Trust.

For å bli inkludert i denne studien må pasienten:

  • har EKG, røntgen av thorax og/eller CT-bilder av thorax (med eller uten kontrast)
  • laboratorietest av Covid-19-virusnukleinsyre (RTPCR-analyse med strupeprøver) eller klinisk mistanke om Covid19-infeksjon
  • være i alderen >18 år Pasienter med suboptimale EKG-er, røntgenbilder av thorax og CT-studier på grunn av artefakter vil bli ekskludert. Pasienter vil også bli ekskludert dersom tidsintervallet mellom EKG, CT-thorax og RT-PCR-analysen var lengre enn 7 dager.

Denne studien mottok HRA og Health and Care Research Wales (HCRW)-godkjenning 18. mai 2020 etter gjennomgang av Research Ethics Committee på et møte holdt 13. mai 2020 (Protokollnummer: 20HH5967; REC-referanse: 20/HRA/2467).

Studietype

Observasjonsmessig

Registrering (Forventet)

2000

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

  • Storbritannia
      • London, Storbritannia, HA1 3UJ
        • Rekruttering
        • London North West University Healthcare NHS Trust
        • Ta kontakt med:
      • London, Storbritannia, TW7 6AF
      • London, Storbritannia, W12 0NN
        • Aktiv, ikke rekrutterende
        • Imperial College London (Hammersmith campus)
      • London, Storbritannia, W2 1NY

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

14 år og eldre (Voksen, Eldre voksen)

Tar imot friske frivillige

Nei

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Dette er en retrospektiv datastudie på pasienter med mistenkelig og bekreftet COVID-19.

Studien tar sikte på å rekruttere opptil 2000 pasienter som vil bli henvist til å ha EKG, røntgen thorax eller CT-skanning ved Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust og London North West London University Healthcare NHS Trust.

Beskrivelse

Inklusjonskriterier:

  • har EKG, røntgen av thorax og/eller CT-bilder av thorax (med eller uten kontrast)
  • positiv laboratorietest av Covid-19-virusnukleinsyre (RTPCR-analyse med strupeprøver) eller klinisk mistanke om Covid-19-infeksjon
  • være over 18 år

Ekskluderingskriterier:

  • Suboptimale EKG-er, røntgenbilder av thorax eller CT-studier for dyplæringsmetoder på grunn av artefakter inkludert alvorlige
  • bevegelsesartefakter som forårsaker uskarphet i konturene til eller betydelige artefakter på grunn av metalliske proteser som forårsaker bildeforringelse
  • Tidsintervallet mellom EKG, CT-thorax og RT-PCR-analysen var lengre enn 7 dager

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

  • Observasjonsmodeller: Kohort
  • Tidsperspektiver: Retrospektiv

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Nøyaktighet av maskinlæring for å kunne forutsi utfallet av infeksjon med koronavirus (COVID-19).
Tidsramme: Ved slutten av dataanalyser, ca. 1 år
Nøyaktighet som datamaskinbasert analyse (maskinlæring) kan diagnostisere og/eller prognostisere med Covid-19 Antall deltakere med COVID19 som døde eller overlevde etter sykehusinnleggelse
Ved slutten av dataanalyser, ca. 1 år
Nøyaktighet av maskinlæring for å kunne forutsi prognose for koronavirus (COVID-19) infeksjon
Tidsramme: Ved slutten av dataanalyser, ca. 1 år
Antall deltakere som trengte invasiv vs ikke-invasiv ventilasjon vs avdelingsbasert omsorg vs døde
Ved slutten av dataanalyser, ca. 1 år

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Nøyaktighet av maskinlæring for å kunne forutsi hjerteinvolvering av koronavirus (COVID-19) infeksjon
Tidsramme: Ved slutten av dataanalyser, ca. 1 år
Antall deltakere som hadde covid19-relaterte hjerteproblemer.
Ved slutten av dataanalyser, ca. 1 år
Nøyaktighet av maskinlæring kontra menneskelig vurdering for å diagnostisere koronavirusinfeksjon (COVID-19).
Tidsramme: Ved slutten av dataanalyser, ca. 1 år
Antall deltakere som kan identifiseres som å ha COVID19 ved hjelp av maskinlæring kontra menneskelig eller annen klinisk test eller vurdering
Ved slutten av dataanalyser, ca. 1 år

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Imperial College London

Samarbeidspartnere

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

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

26. mai 2020

Primær fullføring (Forventet)

1. mai 2022

Studiet fullført (Forventet)

1. mai 2022

Datoer for studieregistrering

Først innsendt

7. august 2020

Først innsendt som oppfylte QC-kriteriene

11. august 2020

Først lagt ut (Faktiske)

12. august 2020

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

30. august 2021

Siste oppdatering sendt inn som oppfylte QC-kriteriene

24. august 2021

Sist bekreftet

1. august 2021

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • 20HH5967

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

Ja

IPD-planbeskrivelse

Dette er en studie som bruker retrospektive, pseudo-anonymiserte data som ble innhentet som en del av rutinemessig klinisk behandling for pasientene. Det er ingen direkte risiko for pasientens helse. Hovedproblemene dreier seg om datasikkerhet og lagring. For å løse dette vil medlemmer av det direkte omsorgsteamet som ikke er medlemmer av forskerteamet utføre pseudo-anonymisering av dataene og sende et sett med pseudo-anonymiserte data til forskerteamet uten tilgang til pseudo-anonymiseringen kode. Forskerteamet vil derfor ikke kunne identifisere pasientene fra disse dataene. De pseudo-anonymiserte dataene vil også lagres sikkert for å minimere risikoen ytterligere.

IPD-delingstidsramme

innenfor studietiden

Tilgangskriterier for IPD-deling

Forskere av studien

IPD-deling Støtteinformasjonstype

  • Studieprotokoll
  • Statistisk analyseplan (SAP)

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

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 Koronavirus

Kliniske studier på Null intervensjon

Søk i lignende forsøk

Sponsorer og samarbeidspartnere

Medisinsk tilstand

Legemiddelintervensjoner

CROs by country

CROs in Algeria

Forhold

Sjeldne sykdommer

Legemiddelintervensjoner

Kosttilskudd

Sponsor / samarbeidspartnere

Steder

Abonnere