Analiza tomografii komputerowej płuc urazu płuc wywołanego przez SARS-CoV2 (TAC-COVID19)

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:

1. Ilościowe i jakościowe zmiany w płucach;
2. 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).