Modele prognostyczne do diagnozowania i prognozowania ciężkiego COVID-19

1. Cel badania

   Zespół badawczy zebrał kliniczne i tomografię komputerową klatki piersiowej 1000 pacjentów z COVID-19 z wielu szpitali. Planujemy wykorzystać te dane do zbadania funkcji obrazowania COVID-19 i opracowania wygodnego, łatwego w użyciu, wysoce niezawodnego obrazowego modelu AI do wykrywania i przewidywania ciężkiego przebiegu COVID-19. Model służy do obrazowej oceny pacjentów z COVID-19, aby osiągnąć cel wczesnej diagnozy, rozsądnego postępowania z pacjentami i przewidywania ciężkiego przebiegu COVID-19.

2. Projekt i metody badań:

Niniejsze badanie jest badaniem retrospektywnym. Okres badawczy projektu wynosi 6 miesięcy. Czas rozpoczęcia: data zatwierdzenia etyki.

Czas zakończenia: 20 sierpnia 2020 r.

2.1 Stworzenie modelu AI do wykrywania zmian CT klatki piersiowej COVID-19 W oparciu o istniejące modele i dane, szybkie wykrywanie zmian na obrazach CT (HRCT) klatki piersiowej o wysokiej rozdzielczości COVID-19, identyfikacja charakteru zmian, w tym objętość uszkodzeń.

2.1.1 Dane badawcze Grupa COVID-19: 1000 przypadków pacjentów z COVID-19, u których uzyskano pozytywny wynik testu na obecność kwasu nukleinowego SARS-CoV-2 w ponad dziesięciu wyznaczonych szpitalach w prowincji Zhejiang i poza nią. wszyscy przeszli badanie HRCT klatki piersiowej i uzyskali względnie kompletne dane kliniczne i laboratoryjne.

Grupa kontrolna: pacjenci z innym wirusowym i bakteryjnym zapaleniem płuc. Zbiór 1000 pacjentów z innymi typami zapalenia płuc w wielu ośrodkach, wszyscy przeszli badanie HRCT klatki piersiowej i stosunkowo kompletne dane kliniczne.

2.1.2 Metody badawcze

1. Wykrywanie, segmentacja i kwantyfikacja zmian chorobowych. W oparciu o funkcję analizy sztucznej inteligencji opracowaną przez firmę Yitu Technology, analizowane są dane obrazu tomografii komputerowej klatki piersiowej pacjenta, w tym: a. Wykrywanie zmian w płucach; B. Analiza ilościowa i radiomiczna kluczowych cech obrazowania, takich jak kształt, zasięg i gęstość zmian, oraz dokładne obliczenie skumulowanego obciążenia chorobą zapaleniem płuc; C. W przypadku zmian ogniskowych, zmian rozlanych, ilościowa analiza ciężkości różnych chorób zapalenia płuc obejmujących całe płuco.
2. Na podstawie powyższych wyników wykrywania segmentacji zmian przeanalizuj charakterystyczne objawy COVID-19. Obserwuj różnice w liczbie, kształcie, zasięgu, gęstości i charakterystyce radiomicznej zmian w płucach u pacjentów z COVID-19 i innymi zapaleniami płuc oraz określ ilościowo ich unikalne cechy płuc. Porównywać i analizować korelację cech płuc z objawami klinicznymi i wytycznymi dotyczącymi cech klasyfikacyjnych oraz wyjaśniać wartość ilościowych cech matematycznych w pomocniczej klasyfikacji diagnostycznej.

2.2 Stwórz model AI do przewidywania ciężkiego COVID-19 Stwórz niezawodny model AI do przewidywania ciężkiego COVID-19 na podstawie danych z tomografii komputerowej klatki piersiowej pacjenta, podstawowych informacji o pacjencie, historii epidemiologicznej, objawów klinicznych i chorób podstawowych. Planowane jest ustanowienie systemu oceny poważnego ryzyka COVID-19, który może nie tylko pomóc lekarzom w krytycznej ocenie pacjentów w szpitalu, ale także ostrzegać o poważnym ryzyku pacjentów przebywających w izolacji domowej. System będzie zawierał proste i dokładne modele. Ta pierwsza wykorzystuje tylko zdjęcia pacjentów, podstawowe cechy demograficzne, objawy i inne łatwe do zebrania informacje. Ten model może być stosowany w mieście Wuhan, które ma podstawowe dane dla łagodnych przypadków, ale nie ma warunków leczenia. Umożliwić ich izolację w domu lub innym pacjentom bez środków medycznych oraz wczesne ostrzeganie o ryzyku ciężkiej przemiany w systemie szpitalnym w celu przeprowadzenia wstępnych badań, tak aby ułatwić późniejsze postępowanie z pacjentem i leczenie. Złożony model będzie zawierał bardziej złożone i szczegółowe informacje, takie jak wiele obrazów pacjentów i dane z badań krwi, w celu ustanowienia dokładniejszego modelu predykcyjnego, który można wykorzystać jako punkt odniesienia dla strategii diagnozowania i leczenia pacjentów w szpitalu oraz może wywołać więcej czynników COVID-19 związanych z zapaleniem płuc.

2.2.1 Obiekt badań Zdiagnozowano 1000 pacjentów z łagodnymi przypadkami zapalenia płuc wywołanego przez nowego koronawirusa, których podzielono na grupę ciężką i nieciężką na podstawie kolejnych wyników klinicznych.

Definicja łagodnej choroby: Pacjent wykazywał jedynie objawy, takie jak gorączka i ogólne objawy ze strony układu oddechowego, a podczas wizyty i obserwacji nie wystąpiły żadne poważne objawy.

Definicja ciężkiej choroby: Pacjenci, u których podczas leczenia występuje jeden z następujących stanów: 1. Zaburzenia oddychania, RR≥30 uderzeń/min; 2. W stanie spoczynku średnie nasycenie tlenem ≤93%; 3. Tętnicze ciśnienie parcjalne tlenu (PaO2)/stężenie tlenu wziewnego (FiO2) ≤300mmHg (1mmHg=0,133kPa); 4. Występuje niewydolność oddechowa i wymagana jest wentylacja mechaniczna; 5. Następuje szok; 6. W przypadku złożonej niewydolności innych narządów wymagane jest monitorowanie i leczenie na OIOM-ie.

2.2.2 Metody badawcze W tym badaniu wykorzystano technologię sztucznej inteligencji do przewidywania ciężkości pacjentów z łagodną chorobą. Dane wymagane do jego modelowania pochodzą z wielu źródeł: (1) Korzystając z technologii analizy radiomiki, wyodrębnij obraz TK pacjenta, w tym wartość TK klatki piersiowej, kształt i rozmiar zmiany, obrazowanie wielowymiarowe, cechy radiomiczne, takie jak tekstura i cechy falkowe w celu uzyskania dokładniejszych i kompleksowych informacji o danych obrazu. Istniejące narzędzie Yitu do ekstrakcji cech obrazowania radiomicznego może wyodrębnić do 5900 cech obrazu CT, aby dokładniej ocenić i przewidzieć stan płuc. Staje się to możliwe; (2) Gromadzenie informacji na temat subiektywnej oceny cech obrazu TK przez lekarzy obrazowych, a także informacji wielowymiarowych, takich jak podstawowe informacje o pacjencie, historii choroby, wynikach badań laboratoryjnych i objawach klinicznych; (3) W oparciu o opracowaną funkcję analizy obrazu CT klatki piersiowej w celu wyodrębnienia parametrów ilościowych, takich jak wskaźnik obciążenia zapaleniem płuc, informacje półilościowe i tak dalej przy użyciu technologii głębokiego uczenia.

Całkowity zbiór zebranych danych jest podzielony na zbiór uczący i wewnętrzny zbiór weryfikacyjny. Po pierwsze, informacje są analizowane przez tradycyjną medycynę i wielowymiarowy algorytm AI, kompleksowo i ilościowo analizują, czy kolumna danych jest uwzględniona w modelu predykcyjnym i waga w modelu, i szuka silnie powiązanych czynników. Spróbuj użyć uczenia maszynowego, głębokiego uczenia się i innych algorytmów sztucznej inteligencji, aby stworzyć model przewidywania ryzyka dla ciężkiego COVID-19. Wyniki dają prawdopodobieństwo ciężkości pacjenta i klasyfikują ryzyko ciężkości pacjenta. Oceń zdolność modelu do identyfikacji pacjentów wysokiego i niskiego ryzyka za pomocą wskaźników takich jak czułość, swoistość i wstępnie zweryfikuj stabilność modelu.

2.2.3 Weryfikacja zastosowania klinicznego Po ustaleniu modelu predykcyjnego będzie on nadal używany w kolejnym wieloośrodkowym gromadzeniu dodatkowych danych klinicznych pacjentów, będzie wykorzystywał dane z obserwacji pacjenta w celu weryfikacji jego czułości i swoistości oraz będzie stale uwzględniał nowo zebrane dane do zestawu szkoleniowego modelu w celu ciągłego doskonalenia modelu predykcyjnego. Popraw wydajność aplikacji modeli oceny ryzyka. W ostatecznym rozrachunku zmniejszy współczynnik konwersji ciężkich pacjentów, zmniejszy presję związaną z zarządzaniem łagodnymi pacjentami i lepiej pomoże lekarzom w diagnostyce klinicznej i podejmowaniu decyzji dotyczących leczenia oraz zarządzaniu pacjentami.