- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT04395482
Analiza tomografii komputerowej płuc urazu płuc wywołanego przez SARS-CoV2 (TAC-COVID19)
Analiza tomografii komputerowej płuc urazu płuc wywołanego SARS-CoV2 przez uczenie maszynowe: wieloośrodkowe retrospektywne badanie kohortowe.
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
TŁO:
W lutym w Lombardii (Włochy) zarejestrowano pierwszy przypadek SARS-CoV2 pozytywnego pacjenta, wirusa zdolnego do wywołania ciężkiej postaci ostrej niewydolności oddechowej zwanej chorobą koronawirusową 2019 (COVID-19).
Zidentyfikowano jakościowe oceny morfologii płuc w celu opisania makroskopowych cech tego zakażenia przy przyjęciu i podczas hospitalizacji pacjentów.
W tej chwili nie ma badań, które wyczerpująco opisałyby uszkodzenie miąższu płuc wywołane przez SARS-CoV2 za pomocą analizy ilościowej.
Hipoteza tego badania jest taka, że określone zmiany morfologiczne i ilościowe miąższu płuc oceniane za pomocą tomografii komputerowej u pacjentów z ciężką niewydolnością oddechową wywołaną przez SARS-CoV2 mogą mieć wpływ na nasilenie stopnia zaburzeń wymiany oddechowej (natlenienie i klirens CO2) i mają wpływ na wyniki leczenia pacjenta.
Obecność charakterystycznych wzorców morfologicznych płuc ocenianych za pomocą tomografii komputerowej może pozwolić na rozpoznanie określonych grup pacjentów, którzy mogą odnieść różne korzyści z intensywnego leczenia, wnosząc znaczący wkład w stratyfikację ciężkości pacjentów i ich ryzyka zgonu.
Jest to eksploracyjne kliniczne badanie opisowe obrazów CT płuc w zupełnie nowej populacji pacjentów, u których test amplifikacji kwasu nukleinowego potwierdził SARS-CoV2.
WIELKOŚĆ PRÓBY (liczba pacjentów):
Badanie obejmie wszystkich pacjentów spełniających kryteria włączenia; oczekuje się, że łącznie zostanie zebranych 500 pacjentów.
Do każdego lokalnego ośrodka eksperymentalnego zapisanych zostanie około 80 pacjentów.
Następujące dane pacjenta zostaną przeanalizowane:
- dane analityczne gazometrii przypisane do tomografii, badania wykonywane przy przyjęciu do szpitala, w czasie wykonywania tomografii, przyjęcia na oddział intensywnej terapii oraz 7 dni po przyjęciu
- cechy pacjenta, takie jak wiek, płeć i wskaźnik masy ciała (BMI)
- współchorobowość
- obecność dysfunkcji narządu w Sekwencyjnej Ocenie Niewydolności Narządu (SOFA)
- dane laboratoryjne dotyczące przyjęcia do szpitala i objawów przed hospitalizacją.
- respiratora i parametry hemodynamiczne w chwili przyjęcia do szpitala, w czasie wykonywania tomografii komputerowej, w chwili przyjęcia na oddział intensywnej terapii oraz po 7 dniach od przyjęcia.
Podejście oparte na uczeniu maszynowym w analizie tomografii komputerowej płuc będzie miało na celu ocenę:
- Ilościowe i jakościowe zmiany w płucach;
- Rozwarstwienie takich cech morfologicznych w określonych skupiskach morfologicznych płuc zidentyfikowanych za pomocą sztucznej inteligencji z wykorzystaniem algorytmów głębokiego uczenia.
ASPEKTY ETYCZNE:
Obrazy tomografii komputerowej płuc zostaną zebrane i zanonimizowane. Obrazy zostaną następnie przesłane przez konto Google Drive University of Milano-Bicocca Institutional do University of Pennsylvania, Wydziału Anestezjologii i Intensywnej Terapii oraz Wydziału Radiologii w niezidentyfikowanym formacie do zaawansowanej analizy ilościowej z wykorzystaniem sztucznej inteligencji przy użyciu algorytmów głębokiego uczenia się.
Dane będą zbierane w sposób pseudoanonimowy za pomocą papierowego formularza opisu przypadku (CRF) i analizowane przez koordynatora naukowego projektu.
Biorąc pod uwagę retrospektywny charakter badania oraz w przypadku trudności technicznych w uzyskaniu świadomej zgody pacjentów w tym okresie zagrożenia pandemią, świadoma zgoda zostanie uchylona.
ANALIZA STATYSTYCZNA:
Dane ciągłe zostaną wyrażone jako średnia ± odchylenie standardowe lub mediana i rozstęp międzykwartylowy, zgodnie z rozkładem danych, który zostanie oceniony za pomocą testu Shapiro-Wilka. Zmienne kategoryczne zostaną wyrażone jako proporcje (częstość).
Algorytm segmentacji głębokiego uczenia się segmentuje miąższ płuca z całego płuca tomografii komputerowej. Zastosowana zostanie analiza objętości płuc, masy płuc i rozkładu intensywności zmętnienia. Po drugie, zostanie przeprowadzona analiza grupowania w celu stratyfikowania pacjentów. Przetestowany zostanie zarówno algorytm intensywności, jak i algorytm grupowania przestrzennego. Po trzecie, model zostanie przeszkolony w przewidywaniu postępu urazu na podstawie obrazów i wszystkich innych danych pacjenta. Istotność statystyczna będzie brana pod uwagę przy p<0,05 (dwustronny).
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
San Marino, San Marino
- Istituto per la Sicurezza Sociale-Ospedale della Repubblica di San Marino
-
-
-
-
-
Bergamo, Włochy
- Ospedale Papa Giovanni XXIII
-
Bergamo, Włochy
- Policlinico San Marco-San Donato group
-
Ferrara, Włochy
- Azienda Ospedaliero-Universitaria di Ferrara
-
Lecco, Włochy
- ASST di Lecco Ospedale Alessandro Manzoni
-
Melzo, Włochy
- ASST Melegnano-Martesana, Ospedale Santa Maria delle Stelle
-
Monza, Włochy
- ASST Monza
-
Rimini, Włochy
- AUSL Romagna-Ospedale Infermi di Rimini
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia (kohorta COVID-19):
- Pacjenci w wieku 18 lat lub starsi;
- Pozytywne potwierdzenie testem amplifikacji kwasu nukleinowego lub serologią SARS-CoV2 przez wymaz z nosogardzieli, próbkę aspiratu oskrzelowego lub płukanie oskrzelowo-pęcherzykowe;
- TK płuc wykonane w ciągu 7 dni od przyjęcia do szpitala;
Kryteria włączenia (kohorta ARDS):
- Pacjenci w wieku powyżej 18 lat lub starsi;
- Pacjenci przyjęci do szpitala z rozpoznaniem ARDS według kryteriów berlińskich;
- TK płuc wykonane w ciągu 7 dni od rozpoznania ARDS;
Kryteria wykluczenia (kohorta ARDS):
● Pozytywne potwierdzenie za pomocą testu amplifikacji kwasu nukleinowego lub serologii SARS-CoV2 przez wymaz z nosogardła, próbkę aspiratu oskrzelowego lub płukanie oskrzelowo-pęcherzykowe
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kohorta
- Perspektywy czasowe: Z mocą wsteczną
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
---|---|
pacjenci z zapaleniem płuc związanym z covid-19
Badanie ma na celu zebranie jak największej liczby obrazów tomografii komputerowej płuc wykonanych u pacjentów z COVID-19, w celu uzyskania dużej wielkości próby, która pozwoli nam scharakteryzować stopień uszkodzenia płuc, obecność określonych wzorców zmian w płucach , oraz ich potencjalnego związku z wynikami pacjentów – w celu pomocy personelowi medycznemu w lepszym zrozumieniu stopnia ciężkości upośledzenia u tych pacjentów, którzy mogą być potencjalnie kandydatami do bardziej intensywnych strategii terapeutycznych.
|
Ten projekt badawczy oceni cechy morfologiczne płuc za pomocą analizy tomografii komputerowej u pacjentów z COVID-19, które zostaną zidentyfikowane jako określone wzorce przy użyciu technologii sztucznej inteligencji i ich wpływ na wynik.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Jakościowa analiza uszkodzenia miąższu płuc wywołanego przez COVID-19
Ramy czasowe: Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Opisz uszkodzenie miąższu płuc wywołane przez COVID-19 poprzez analizę jakościową za pomocą tomografii komputerowej klatki piersiowej za pomocą technik sztucznej inteligencji.
|
Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Analiza ilościowa uszkodzenia miąższu płuc wywołanego przez COVID-19
Ramy czasowe: Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Opisz uszkodzenie miąższu płuc wywołane przez COVID-19 za pomocą analizy ilościowej za pomocą tomografii komputerowej klatki piersiowej za pomocą technik sztucznej inteligencji.
|
Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Potencjalny wpływ tomografii komputerowej morfologicznej miąższu u pacjentów z ciężką umiarkowaną niewydolnością oddechową.
Ramy czasowe: Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Potencjalny wpływ tomografii komputerowej morfologicznej miąższu u pacjentów z ciężką umiarkowaną niewydolnością oddechową ocenianą jako śmiertelność w intensywnej terapii.
|
Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Potencjalny wpływ tomografii komputerowej morfologicznej miąższu u pacjentów z ciężką umiarkowaną niewydolnością oddechową.
Ramy czasowe: Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Potencjalny wpływ tomografii komputerowej morfologicznej miąższu u pacjentów z ciężką umiarkowaną niewydolnością oddechową ocenianą jako śmiertelność szpitalna.
|
Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Potencjalny wpływ tomografii komputerowej morfologicznej miąższu u pacjentów z ciężką umiarkowaną niewydolnością oddechową.
Ramy czasowe: Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Potencjalny wpływ badań morfologicznych miąższu TK u pacjentów z ciężką umiarkowaną niewydolnością oddechową ocenianą jako dni wolne od wentylacji mechanicznej.
|
Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Zautomatyzowana segmentacja skanów płuc pacjentów z COVID-19 i ARDS.
Ramy czasowe: Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Hipotezą jest, że wykorzystanie modeli głębokich sieci neuronowych do segmentacji płuc w zespole ostrej niewydolności oddechowej (ARDS) w modelach zwierzęcych i przewlekłej obturacyjnej chorobie płuc (POChP) u pacjentów, które mogłyby zostać zastosowane do samosegmentacji płuc pacjentów z COVID-19 poprzez mechanizm transferu wiedzy ze sztuczną inteligencją.
|
Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Znajomość cech tomografii komputerowej klatki piersiowej u pacjentów z COVID-19 i ich szczegółów dzięki zastosowaniu uczenia maszynowego i innych technik ilościowych.
Ramy czasowe: Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Poszerzaj wiedzę na temat cech CT klatki piersiowej u pacjentów z COVID-19 i ich szczegółowości poprzez wykorzystanie uczenia maszynowego i innych technik ilościowych porównujących wzory CT pacjentów z COVID-19 z obrazami pacjentów z ARDS.
|
Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Zdolność, w ramach której analiza sztucznej inteligencji wykorzystująca modele głębokiego uczenia się może być wykorzystana do przewidywania wyników klinicznych
Ramy czasowe: Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Określenie możliwości, w ramach których analiza sztucznej inteligencji wykorzystująca modele głębokiego uczenia się może być wykorzystana do przewidywania wyników klinicznych na podstawie analizy charakterystyki tomografii komputerowej klatki piersiowej uzyskanej w ciągu 7 dni od przyjęcia do szpitala; łączenie ilościowych danych CT z danymi klinicznymi.
|
Do czasu wypisu pacjenta ze szpitala (ok. 6 miesięcy)
|
Współpracownicy i badacze
Sponsor
Publikacje i pomocne linki
Publikacje ogólne
- 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.
Przydatne linki
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- TAC-COVID19
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .
Badania kliniczne na covid19
-
Anavasi DiagnosticsJeszcze nie rekrutacja
-
Ain Shams UniversityRekrutacyjny
-
Israel Institute for Biological Research (IIBR)Zakończony
-
Colgate PalmoliveZakończonyCovid19Stany Zjednoczone
-
Christian von BuchwaldZakończony
-
Luye Pharma Group Ltd.Shandong Boan Biotechnology Co., LtdAktywny, nie rekrutujący
-
University of ZurichLabor Speiz; Swiss Armed Forces; Universitätsspital ZürichRejestracja na zaproszenie
-
Alexandria UniversityZakończony
-
Henry Ford Health SystemZakończony