Prediksjonsmodeller for diagnose og prognose av alvorlig covid-19

1. Forskningsformål

   Forskerteamet samlet inn den kliniske CT-en og bryst-CT av 1000 COVID-19-pasienter fra flere sykehus. Vi planlegger å bruke disse dataene til å utforske bildefunksjonene til COVID-19 og utvikle en praktisk, brukervennlig og svært pålitelig bildediagnostisk AI-modell for å oppdage og forutsi den alvorlige COVID-19. Modellen brukes til bildevurdering av COVID-19-pasienter, for å oppnå formålet med tidlig diagnose, rimelig behandling av pasienter og prediksjon av alvorlig COVID-19.

2. Forskningsdesign og metoder:

Denne forskningen er en retrospektiv studie. Prosjektets forskningsperiode har 6 måneder. Starttid: datoen for etikkgodkjenning.

Sluttid: 20. august 2020.

2.1 Etablere en AI-modell for påvisning av COVID-19 bryst-CT-lesjoner Basert på eksisterende modeller og data, rask påvisning av lesjoner på brystet høyoppløselige CT-bilder (HRCT) av COVID-19, identifikasjon av lesjonens karakter, inkludert volumet av lesjonene.

2.1.1 Forskningsdata COVID-19-gruppe: 1000 tilfeller av COVID-19-pasienter som ble testet positive for nukleinsyre av SARS-CoV-2 på mer enn ti utpekte sykehus i og utenfor Zhejiang-provinsen. alle gjennomgikk bryst-HRCT-undersøkelse og relativt komplette kliniske og laboratoriedata.

Kontrollgruppe: pasienter med annen viral og bakteriell lungebetennelse. En samling av 1000 pasienter med andre typer lungebetennelse i flere sentre, alle gjennomgikk bryst-HRCT-undersøkelse og relativt komplette kliniske data.

2.1.2 Forskningsmetoder

1. Lesjonsdeteksjon, segmentering og kvantifisering. Basert på analysefunksjonen for kunstig intelligens utviklet av Yitu Technology, analyseres pasientens CT-bildedata for brystet, inkludert: a. Påvisning av lungelesjoner; b. Kvantitativ og radiomisk analyse av viktige bildefunksjoner som formen, omfanget og tettheten til lesjonene, og nøyaktig beregning av den kumulative lungebetennelsesbyrden av sykdommen; c. For fokale lesjoner, diffuse lesjoner, kvantitativ analyse av alvorlighetsgraden av ulike lungebetennelsessykdommer som involverer hele lungen.
2. Basert på de ovennevnte resultatene for påvisning av lesjonssegmentering, analyser de karakteristiske manifestasjonene av COVID-19. Observer forskjellene i antall, form, rekkevidde, tetthet og radiomikalier til lungelesjoner hos pasienter med COVID-19 og annen lungebetennelse, og kvantifiser deres unike lungeegenskaper. Sammenligne og analysere korrelasjonen av lungekarakteristikker med kliniske symptomer og retningslinjeklassifiseringskarakteristikker, og klargjøre verdien av kvantitative matematiske karakteristika i hjelpediagnoseklassifisering.

2.2 Etabler en AI-modell for å forutsi alvorlig COVID-19 Etabler en pålitelig AI-modell for å forutsi alvorlig COVID-19 gjennom bryst-CT-bildedata for pasienten, grunnleggende pasientinformasjon, epidemiologisk historie, kliniske symptomer og underliggende sykdommer. Det er planlagt å etablere et alvorlig COVID-19 risikovurderingssystem som ikke bare kan hjelpe leger med kritisk vurdering av pasienter på sykehus, men også advare om alvorlig risiko for pasienter i hjemmeisolasjon. Systemet vil inneholde enkle og nøyaktige modeller. Førstnevnte bruker kun pasientbilder, grunnleggende demografiske kjennetegn, symptomer og annen informasjon som er lett å samle inn. Denne modellen kan brukes i Wuhan City som har grunnleggende data for milde tilfeller, men har ingen behandlingsbetingelser. Tillat dem å bli isolert hjemme eller andre pasienter uten medisinske ressurser, og tidlig advarsel om risikoen for alvorlig transformasjon i sykehussystemet for foreløpig testing, for å lette etterfølgende pasientbehandling og behandling. Den komplekse modellen vil inkludere mer kompleks og detaljert informasjon, for eksempel flere bilder av pasienter og blodprøvedata, for å etablere en mer nøyaktig prediktiv modell, som kan brukes til å gi referanse for diagnose og behandlingsstrategier til pasienter på sykehuset, og kan føre til flere COVID-19-faktorer relatert til lungebetennelse.

2.2.1 Forskningsobjekt 1000 pasienter med milde tilfeller av ny coronavirus-lungebetennelse ble diagnostisert, og ble delt inn i alvorlig gruppe og ikke-alvorlig gruppe basert på påfølgende kliniske utfall.

Definisjon av mild sykdom: Pasienten viste kun symptomer som feber og luftveier generelt, og det oppstod ingen alvorlige symptomer ved besøk og oppfølging.

Definisjon av alvorlig sykdom: Pasienter som har en av følgende tilstander under behandling: 1. Åndenød, RR≥30 slag/min; 2. I hviletilstand, gjennomsnittlig oksygenmetning ≤93 %; 3. Arterielt oksygenpartialtrykk ( PaO2)/Inhalasjonsoksygenkonsentrasjon (FiO2) ≤300mmHg (1mmHg=0,133kPa); 4. Respirasjonssvikt oppstår og mekanisk ventilasjon er nødvendig; 5. Sjokk oppstår; 6. ICU-overvåking og behandling er nødvendig for kombinert annen organsvikt.

2.2.2 Forskningsmetoder Denne studien bruker kunstig intelligens-teknologi for å forutsi alvorlighetsgraden av pasienter med mild sykdom. Dataene som kreves for modelleringen kommer fra flere kilder: (1) Ved hjelp av radiomiksanalyseteknologi kan du trekke ut CT-bildet av pasienten, inkludert bryst-CT-verdien, formen og størrelsen på lesjonen høydimensjonale radiomikrofunksjoner som tekstur og wavelet-funksjoner for å få mer nøyaktig og omfattende bildedatainformasjon. Yitus eksisterende verktøy for utvinning av raidomics-funksjoner kan trekke ut opptil 5900 CT-bildefunksjoner for å gjøre lungetilstand mer nøyaktig vurdering og prediksjon. Det blir mulig; (2) Innsamling av informasjon om den subjektive evalueringen av CT-bildetegn av bildeleger, samt multidimensjonal informasjon som grunnleggende pasientinformasjon, sykdomshistorie, laboratorietestresultater og kliniske symptomer; (3) Basert på den utviklede bryst-CT-bildeanalysen Funksjon for å trekke ut kvantitative parametere som lungebetennelsesbelastningsindeks, patch semi-kvantitativ informasjon og så videre ved å bruke dyplæringsteknologi.

Det totale innsamlede datasettet er delt inn i opplæringssett og internt verifikasjonssett. Først analyseres informasjonen med tradisjonell medisin og multidimensjonal AI-algoritme, analyserer omfattende og kvantitativt om datakolonnen er inkludert i prediksjonsmodellen og vekten i modellen, og ser etter sterkt relaterte faktorer. Prøv å bruke maskinlæring, dyp læring og andre AI-algoritmer for å etablere en risikoprediksjonsmodell for alvorlig COVID-19. Og resultatene viser sannsynligheten for pasientens alvorlighetsgrad, og klassifiserer risikoen for pasientens alvorlighetsgrad. Vurdere modellens evne til å identifisere høyrisiko- og lavrisikopasienter med indikatorer som sensitivitet, spesifisitet, og foreløpig verifisere stabiliteten til modellen.

2.2.3 Klinisk applikasjonsverifisering Etter at prediksjonsmodellen er etablert, vil prediksjonsmodellen fortsette å bli brukt i den påfølgende multisenterinnsamlingen av supplerende kliniske pasientdata, bruke pasientoppfølgingsdata for å verifisere dens sensitivitet og spesifisitet, og kontinuerlig inkorporere de nylig innsamlede dataene i modellopplæringssettet for å kontinuerlig forbedre prediksjonsmodellen. Forbedre anvendelseseffektiviteten til risikovurderingsmodeller. Til slutt vil det redusere konverteringsraten til alvorlige pasienter, redusere håndteringspresset til milde pasienter, og bedre hjelpe leger i klinisk diagnostikk og behandlingsbeslutninger og pasientbehandling.