Modelo clínico e radiômico de COVID-19
Um modelo clínico e radiológico para prever o prognóstico de pacientes com COVID-19
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Em dezembro de 2019, um novo coronavírus, o coronavírus 2 da síndrome respiratória aguda grave (SARS-CoV-2; anteriormente denominado 2019-nCoV), surgiu em Wuhan, China. A doença causada pelo SARS-CoV-2 é o COVID-19. Em 8 de março de 2020, mais de 100.000 pacientes com COVID-19 foram relatados globalmente (mais de 80.000 casos na China, mais de 20.000 em outros países) e 3.600 pacientes (3.100 na China, 500 fora da China) morreram. O surto de COVID-19 constitui uma Emergência de Saúde Pública de Importância Internacional.
Entre os pacientes com COVID-19, cerca de 80% são pacientes com doenças leves (não graves), que geralmente se curam em duas semanas. No entanto, outros 20% dos pacientes podem evoluir para uma doença grave ou crítica que resulta em uma internação hospitalar mais longa, e a taxa de mortalidade para esses pacientes é de 13,4%. Portanto, a identificação incipiente dos pacientes graves de alto risco é extremamente importante para o manejo do paciente e alocação de recursos médicos. Quarentena geral e tratamento sintomático podem ser usados para a maioria dos pacientes não graves, enquanto um nível mais alto de atendimento e canal verde para a unidade de terapia intensiva (UTI) são úteis para pacientes graves. Estudos anteriores resumiram as características clínicas e radiológicas de pacientes graves com COVID-19, embora ainda não esteja claro quais fatores são preditores importantes.
O aprendizado de máquina é um ramo da inteligência artificial que nos permite aprender conhecimento e leis potenciais a partir dos dados fornecidos e construir um modelo para resolver problemas conforme as necessidades humanas. Nos últimos anos, o aprendizado de máquina foi desenvolvido como uma nova ferramenta para analisar grandes quantidades de dados de registros médicos ou imagens. Estudos de modelagem anteriores focaram na previsão da potencial disseminação internacional do COVID-19.
Portanto, nosso objetivo é desenvolver e validar um modelo de aprendizado de máquina baseado apenas em características clínicas, laboratoriais e radiológicas ou combinação de pacientes com COVID-19 em estágio inicial sem doença grave de vários centros para a previsão de casos graves (ou críticos) doença na internação seguinte para facilitar Avaliação de risco antes e depois dos sintomas e triagem (casa, internação ou UTI).
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
Hubei
-
Wuhan, Hubei, China
- The Central Hospital of Wuhan
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- pacientes com COVID-19 confirmados por sequenciamento de alto rendimento ou ensaio de reação em cadeia da polimerase com transcriptase reversa (RT-PCR) em tempo real para amostras de swab nasal e faríngeo.
Critério de exclusão:
- pacientes com doença grave quando admitidos;
- intervalo de tempo > 2 dias entre a admissão e os exames;
- dados ausentes ou resultados atrasados
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
grupo grave
O grupo grave foi designado quando os pacientes apresentavam um dos seguintes critérios durante a hospitalização emitidos pelo Comitê Nacional de Saúde da China (versão 3-5). 1) Desconforto respiratório com frequência respiratória ≥ 30/min; 2) Saturação de oxigênio do oxímetro de pulso ≤ 93% em repouso; 3) Índice de oxigenação (pressão arterial parcial de oxigênio/fração inspirada de oxigênio, PaO2/FiO2) ≤ 300 mmHg; 4) Uma das seguintes condições: a) ocorre insuficiência respiratória e requer ventilação mecânica; b) Ocorre choque; c) A admissão na UTI é necessária para falência de órgãos combinada.
|
Aprendizado de máquina, como regressão logística, floresta aleatória e aprendizado profundo
|
|
grupo não grave
O grupo não grave foi designado quando os pacientes não se enquadravam nos referidos critérios graves até a alta hospitalar.
|
Aprendizado de máquina, como regressão logística, floresta aleatória e aprendizado profundo
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Desempenho preditivo
Prazo: 1 de janeiro de 2020 a 13 de fevereiro de 2020
|
AUC, precisão, sensibilidade e especificidade
|
1 de janeiro de 2020 a 13 de fevereiro de 2020
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- UM_2020_GY_COVID-19
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .