- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT04208789
Искусственный интеллект для диагностики лекарственно-устойчивого туберкулеза
Искусственная нейронная сеть как средство диагностики рифампицин-резистентного туберкулеза в Индонезии: прогностическое модельное исследование и экономическая оценка
Название: Искусственная нейронная сеть как средство диагностики устойчивого к рифампицину туберкулеза в Индонезии. Прогностическое исследование модели и экономическая оценка.
Справочная информация. Лекарственно-устойчивый туберкулез стал глобальной угрозой, особенно в Индонезии. При рассмотрении этих случаев необходимо повысить уровень выявления с последующим соответствующим лечением. Молекулярный экспресс-тест (специально для выявления устойчивости к рифампицину) в настоящее время используется в службах здравоохранения, особенно на уровне первичной медико-санитарной помощи, с некоторыми проблемами, включая отсутствие контроля качества (включая то, как правильно получить и обработать образец перед исследованием). которые затем влияют на достоверность результатов. Тест на лекарственную чувствительность (ТЛЧ) по-прежнему остается золотым стандартом диагностики лекарственно-устойчивого туберкулеза, но эта процедура требует много времени и средств. Искусственный интеллект, включая исследование данных и моделирование, является многообещающим методом классификации потенциальных случаев лекарственной устойчивости на основе ассоциации нескольких факторов.
Задача :
- Разработать модель с использованием искусственного интеллекта, способную классифицировать возможность возникновения устойчивого к рифампицину туберкулеза.
- Оценить диагностическую способность и точность модели по сравнению с существующими экспресс-тестами и золотым стандартом.
- Оценить экономическую эффективность модели искусственной нейронной сети в веб-приложении по сравнению со стандартными инструментами диагностики.
Методология
- Поперечное исследование, включающее всех пациентов с подозрением на лекарственно-устойчивый туберкулез, направленных в исследовательский центр для прохождения экспресс-теста на молекулярном уровне и теста на ТЛЧ за последние 5 лет.
- Для получения интересующей переменной будет проведена всесторонняя ретроспективная оценка медицинских записей и индивидуальный отчет о туберкулезе.
- Анкетная оценка для подтверждения недостаточности информации.
- Построение модели с помощью машинного обучения и процедуры глубокого обучения
- Проверка модели и тестирование с использованием набора обучающих данных и данных из разных учебных центров
Гипотеза:
Искусственная интеллектуальная модель даст аналогичный или превосходящий результат диагностической способности по сравнению с быстрым молекулярным тестом в соответствии с тестом на чувствительность к лекарственным средствам. (испытание на превосходство)
Обзор исследования
Статус
Подробное описание
ПРОЦЕДУРА
- В соответствии с разрешением, предоставленным исследовательскими центрами, команда получит медицинские записи всех подходящих случаев за последние 5 лет.
Затем исследователи собирают интересующую переменную/параметр, полученную путем сбора анамнеза и дальнейших обследований, а также медицинских счетов и больничной оплаты за услугу. Для участников с медицинским страхованием прямые расходы на лечение будут основаны на оплате INA-CBG (группа на основе пролеченного случая). Затем эти данные заносятся в электронную базу данных.
Параметр для разработки модели:
На основе хоста:
- Наличие сахарного диабета (включая годы постановки диагноза, HbA1c до ТЛЧ и лечения, прием инсулина или пероральных противодиабетических препаратов)
- Наличие ВИЧ ((включая годы постановки диагноза, уровень CD4 до ТЛЧ и лечения, а также антиретровирусные препараты)
- Отказ от курения (индекс Бринкмана)
- Потребление алкоголя
- История использования иммунодепрессантов (стероид)
- Наличие других заболеваний (рак, инсульт, сердечно-сосудистые заболевания)
- История злоупотребления наркотиками
- История побочных реакций на лекарства во время лечения туберкулеза
- Приверженность предыдущей противотуберкулезной терапии
- Наличие ХОБЛ
- Индекс массы тела
Среда
- История контактов с больными туберкулезом
- Здоровый индекс жизненной среды (домашняя толпа)
Агент
- Уровень бактерий в мазке до ТЛЧ
- Расширение поражения на рентгенограмме грудной клетки
- Наличие кавитации
Социально-демографические факторы
- Возраст
- Пол
- Образование
- Уровень доходов
- Медицинская страховка
- Семейное положение
- Статус занятости
- Для получения неполной информации подтверждение в медицинский центр, направляющий случаи, будет сделано с использованием Туберкулезной регистрации или вопросника.
Построение модели будет выполняться с использованием искусственной интеллектуальной модели в R. Выбранная модель представляет собой искусственную нейронную сеть, использующую либо радиальную базовую функцию, либо многослойный персептрон. Несколько важных процедур, включая:
- Определите значимый параметр
- Работа с классом данных Insufficient and Imbalanced (избыточная или недостаточная выборка)
- Нормализация (Пакетная, Мин-Макс)
- Слой и дизайн
- Обучение и тестовая раздача (70:30)
- Выбор модели
- Внешняя проверка будет проводиться в назначенном учебном центре. Точность: (истинно положительный + истинно отрицательный)/все случаи
- Будет выполнено дополнительное моделирование соотношения затрат и эффективности, сравнивая лучшую модель с золотым стандартом и GeneXpert, что даст экономию на единицу эффективности.
Тип исследования
Регистрация (Действительный)
Контакты и местонахождение
Места учебы
-
-
East Kalimantan
-
Balikpapan, East Kalimantan, Индонезия, 76115
- Kanudjoso Djatiwibowo General Hospital
-
-
North Kalimantan
-
Tarakan, North Kalimantan, Индонезия, 77113
- Tarakan General Hospital
-
-
South Sulawesi
-
Makasar, South Sulawesi, Индонезия, 90132
- Labuang Baji General Hospital
-
Makasar, South Sulawesi, Индонезия
- Balai Besar Kesehatan Paru Masyarakat
-
Makassar, South Sulawesi, Индонезия, 76124
- Wahidin Sudirohusodo General Hospital
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- Случаи по умолчанию в соответствии с критериями ВОЗ
- Случаи отказа по критериям ВОЗ
- Направленные врачом случаи предполагаемого лекарственно-устойчивого ТБ:
С состоянием иммунодефицита или без него, С какой-либо побочной реакцией на противотуберкулезный препарат или без нее, С какими-либо сопутствующими заболеваниями (такими как сахарный диабет, болезни сердца) или без них
Критерий исключения:
- Неполная информация о результатах быстрых молекулярных тестов и результатах посева
- Участники или члены семьи не могут/не желают предоставить дополнительную информацию, полученную с помощью анкеты.
Учебный план
Как устроено исследование?
Детали дизайна
- Наблюдательные модели: Кейс-контроль
- Временные перспективы: Ретроспектива
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
---|---|
Положительный рифампицин-резистентный туберкулез
Все случаи с подозрением на устойчивый к рифампицину туберкулез в соответствии с тестом золотого стандарта (посев на среду Левенштейна-Йенсена)
|
Анализ GeneXpert MTB/RIF представляет собой тест амплификации нуклеиновых кислот (NAA), который одновременно выявляет ДНК комплекса Mycobacterium tuberculosis (MTBC) и устойчивость к рифампицину (RIF) (т.е. мутацию гена rpoB) менее чем за два часа.
Эта система объединяет и автоматизирует обработку образцов, амплификацию нуклеиновых кислот и обнаружение целевых последовательностей.
Праймеры в анализе XpertMTB/RIF амплифицируют часть гена rpoB, содержащую «ядерную» область из 81 пары оснований.
Зонды способны различать консервативную последовательность дикого типа и мутации в сердцевинной области, связанные с устойчивостью к рифампицину.
Результат этой процедуры обнаружен, не обнаружен или не определен.
Другие имена:
Модель искусственного интеллекта — это модель, которая была разработана на основе нескольких связанных факторов с помощью машинного обучения и метода глубокого обучения, чтобы классифицировать вероятность лекарственно-устойчивого туберкулеза.
Искусственная нейронная сеть будет построена с использованием программного обеспечения для глубокого обучения.
Другие имена:
В этой процедуре используется среда Левенштейна-Йенсена (LJ) для определения чувствительности изолятов M.tuberculosis к противотуберкулезным агентам.
Среду, содержащую критическую концентрацию противотуберкулезного агента, засевают разведением культуральной суспензии (обычно 10-2 разведения суспензии МакФарланда 1), а контрольную среду без противотуберкулезного препарата засевают обычно 10-4 разведение суспензии MacFarland 1.
Рост (т.е. количество колоний) на среде, содержащей агент, сравнивают с ростом на контрольной среде без агента.
Рассчитывают отношение количества колоний на среде, содержащей противотуберкулезный препарат, к количеству колоний (с поправкой на коэффициент разбавления) на среде без противотуберкулезного препарата, и пропорцию выражают в процентах.
Предварительные результаты для восприимчивых изолятов могут быть прочитаны через 3-4 недели инкубации; окончательные результаты можно прочитать через 6 недель инкубации.
О резистентности можно сообщить в течение 3-4 недель.
Другие имена:
|
Отрицательный рифампицин-резистентный туберкулез
Все случаи с подозрением на рифампицин-резистентный туберкулез в соответствии с тестом золотого стандарта (посев на среду Левенштейна-Йенсена)
|
Анализ GeneXpert MTB/RIF представляет собой тест амплификации нуклеиновых кислот (NAA), который одновременно выявляет ДНК комплекса Mycobacterium tuberculosis (MTBC) и устойчивость к рифампицину (RIF) (т.е. мутацию гена rpoB) менее чем за два часа.
Эта система объединяет и автоматизирует обработку образцов, амплификацию нуклеиновых кислот и обнаружение целевых последовательностей.
Праймеры в анализе XpertMTB/RIF амплифицируют часть гена rpoB, содержащую «ядерную» область из 81 пары оснований.
Зонды способны различать консервативную последовательность дикого типа и мутации в сердцевинной области, связанные с устойчивостью к рифампицину.
Результат этой процедуры обнаружен, не обнаружен или не определен.
Другие имена:
Модель искусственного интеллекта — это модель, которая была разработана на основе нескольких связанных факторов с помощью машинного обучения и метода глубокого обучения, чтобы классифицировать вероятность лекарственно-устойчивого туберкулеза.
Искусственная нейронная сеть будет построена с использованием программного обеспечения для глубокого обучения.
Другие имена:
В этой процедуре используется среда Левенштейна-Йенсена (LJ) для определения чувствительности изолятов M.tuberculosis к противотуберкулезным агентам.
Среду, содержащую критическую концентрацию противотуберкулезного агента, засевают разведением культуральной суспензии (обычно 10-2 разведения суспензии МакФарланда 1), а контрольную среду без противотуберкулезного препарата засевают обычно 10-4 разведение суспензии MacFarland 1.
Рост (т.е. количество колоний) на среде, содержащей агент, сравнивают с ростом на контрольной среде без агента.
Рассчитывают отношение количества колоний на среде, содержащей противотуберкулезный препарат, к количеству колоний (с поправкой на коэффициент разбавления) на среде без противотуберкулезного препарата, и пропорцию выражают в процентах.
Предварительные результаты для восприимчивых изолятов могут быть прочитаны через 3-4 недели инкубации; окончательные результаты можно прочитать через 6 недель инкубации.
О резистентности можно сообщить в течение 3-4 недель.
Другие имена:
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Точность модели искусственного интеллекта по результатам теста на лекарственную чувствительность
Временное ограничение: через завершение обучения, в среднем 1 год
|
Точность — это количество правильных случаев (результаты, полученные моделью, такие же, как и результаты, полученные культурой), предсказанное моделью на общее количество случаев.
|
через завершение обучения, в среднем 1 год
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Точность быстрого молекулярного теста на лекарственно-устойчивый туберкулез к результатам теста на лекарственную чувствительность
Временное ограничение: через завершение обучения, в среднем 1 год
|
Точность — это количество правильных случаев (результаты, полученные с помощью GeneXpert MTB/RIF, совпадают с результатами, полученными при культивировании), прогнозируемое моделью на общее количество случаев.
|
через завершение обучения, в среднем 1 год
|
Другие показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Диагностическая способность модели искусственного интеллекта к результатам теста на лекарственную чувствительность
Временное ограничение: через завершение обучения, в среднем 1 год
|
Чувствительность, специфичность, отрицательная прогностическая ценность и положительная прогностическая ценность модели искусственного интеллекта к результатам теста на лекарственную чувствительность
|
через завершение обучения, в среднем 1 год
|
Соавторы и исследователи
Спонсор
Соавторы
Следователи
- Директор по исследованиям: Sathirakorn Pongpanich, Prof, Chulalongkorn University
- Главный следователь: Wandee Sirichokchatchawan, Ph.D, Chulalongkorn University
- Главный следователь: Bumi Herman, MD, Hasanuddin University
Публикации и полезные ссылки
Общие публикации
- Alipanah N, Jarlsberg L, Miller C, Linh NN, Falzon D, Jaramillo E, Nahid P. Adherence interventions and outcomes of tuberculosis treatment: A systematic review and meta-analysis of trials and observational studies. PLoS Med. 2018 Jul 3;15(7):e1002595. doi: 10.1371/journal.pmed.1002595. eCollection 2018 Jul.
- GBD Tuberculosis Collaborators. The global burden of tuberculosis: results from the Global Burden of Disease Study 2015. Lancet Infect Dis. 2018 Mar;18(3):261-284. doi: 10.1016/S1473-3099(17)30703-X. Epub 2017 Dec 7.
- Dean AS, Cox H, Zignol M. Epidemiology of Drug-Resistant Tuberculosis. Adv Exp Med Biol. 2017;1019:209-220. doi: 10.1007/978-3-319-64371-7_11.
- Kendall EA, Azman AS, Cobelens FG, Dowdy DW. MDR-TB treatment as prevention: The projected population-level impact of expanded treatment for multidrug-resistant tuberculosis. PLoS One. 2017 Mar 8;12(3):e0172748. doi: 10.1371/journal.pone.0172748. eCollection 2017.
- Dheda K, Gumbo T, Maartens G, Dooley KE, McNerney R, Murray M, Furin J, Nardell EA, London L, Lessem E, Theron G, van Helden P, Niemann S, Merker M, Dowdy D, Van Rie A, Siu GK, Pasipanodya JG, Rodrigues C, Clark TG, Sirgel FA, Esmail A, Lin HH, Atre SR, Schaaf HS, Chang KC, Lange C, Nahid P, Udwadia ZF, Horsburgh CR Jr, Churchyard GJ, Menzies D, Hesseling AC, Nuermberger E, McIlleron H, Fennelly KP, Goemaere E, Jaramillo E, Low M, Jara CM, Padayatchi N, Warren RM. The epidemiology, pathogenesis, transmission, diagnosis, and management of multidrug-resistant, extensively drug-resistant, and incurable tuberculosis. Lancet Respir Med. 2017 Mar 15:S2213-2600(17)30079-6. doi: 10.1016/S2213-2600(17)30079-6. Online ahead of print.
- Collins D, Hafidz F, Mustikawati D. The economic burden of tuberculosis in Indonesia. Int J Tuberc Lung Dis. 2017 Sep 1;21(9):1041-1048. doi: 10.5588/ijtld.16.0898.
- Falzon D, Mirzayev F, Wares F, Baena IG, Zignol M, Linh N, Weyer K, Jaramillo E, Floyd K, Raviglione M. Multidrug-resistant tuberculosis around the world: what progress has been made? Eur Respir J. 2015 Jan;45(1):150-60. doi: 10.1183/09031936.00101814. Epub 2014 Sep 26.
- Falzon D, Jaramillo E, Wares F, Zignol M, Floyd K, Raviglione MC. Universal access to care for multidrug-resistant tuberculosis: an analysis of surveillance data. Lancet Infect Dis. 2013 Aug;13(8):690-7. doi: 10.1016/S1473-3099(13)70130-0. Epub 2013 Jun 4.
- van Kampen SC, Susanto NH, Simon S, Astiti SD, Chandra R, Burhan E, Farid MN, Chittenden K, Mustikawati DE, Alisjahbana B. Effects of Introducing Xpert MTB/RIF on Diagnosis and Treatment of Drug-Resistant Tuberculosis Patients in Indonesia: A Pre-Post Intervention Study. PLoS One. 2015 Jun 15;10(6):e0123536. doi: 10.1371/journal.pone.0123536. eCollection 2015.
- Soeroto AY, Lestari BW, Santoso P, Chaidir L, Andriyoko B, Alisjahbana B, van Crevel R, Hill PC. Evaluation of Xpert MTB-RIF guided diagnosis and treatment of rifampicin-resistant tuberculosis in Indonesia: A retrospective cohort study. PLoS One. 2019 Feb 28;14(2):e0213017. doi: 10.1371/journal.pone.0213017. eCollection 2019.
- Prada-Medina CA, Fukutani KF, Pavan Kumar N, Gil-Santana L, Babu S, Lichtenstein F, West K, Sivakumar S, Menon PA, Viswanathan V, Andrade BB, Nakaya HI, Kornfeld H. Systems Immunology of Diabetes-Tuberculosis Comorbidity Reveals Signatures of Disease Complications. Sci Rep. 2017 May 17;7(1):1999. doi: 10.1038/s41598-017-01767-4.
- Pradipta IS, Forsman LD, Bruchfeld J, Hak E, Alffenaar JW. Risk factors of multidrug-resistant tuberculosis: A global systematic review and meta-analysis. J Infect. 2018 Dec;77(6):469-478. doi: 10.1016/j.jinf.2018.10.004. Epub 2018 Oct 16.
- Wang MG, Huang WW, Wang Y, Zhang YX, Zhang MM, Wu SQ, Sandford AJ, He JQ. Association between tobacco smoking and drug-resistant tuberculosis. Infect Drug Resist. 2018 Jun 12;11:873-887. doi: 10.2147/IDR.S164596. eCollection 2018.
- Tegegne BS, Mengesha MM, Teferra AA, Awoke MA, Habtewold TD. Association between diabetes mellitus and multi-drug-resistant tuberculosis: evidence from a systematic review and meta-analysis. Syst Rev. 2018 Oct 15;7(1):161. doi: 10.1186/s13643-018-0828-0.
- Darsey JA, Griffin WO, Joginipelli S, Melapu VK. Architecture and biological applications of artificial neural networks: a tuberculosis perspective. Methods Mol Biol. 2015;1260:269-83. doi: 10.1007/978-1-4939-2239-0_17.
- Souza Filho JBOE, Sanchez M, Seixas JM, Maidantchik C, Galliez R, Moreira ADSR, da Costa PA, Oliveira MM, Harries AD, Kritski AL. Screening for active pulmonary tuberculosis: Development and applicability of artificial neural network models. Tuberculosis (Edinb). 2018 Jul;111:94-101. doi: 10.1016/j.tube.2018.05.012. Epub 2018 May 19.
- Dande P, Samant P. Acquaintance to Artificial Neural Networks and use of artificial intelligence as a diagnostic tool for tuberculosis: A review. Tuberculosis (Edinb). 2018 Jan;108:1-9. doi: 10.1016/j.tube.2017.09.006. Epub 2017 Sep 20.
- de O Souza Filho JB, de Seixas JM, Galliez R, de Braganca Pereira B, de Q Mello FC, Dos Santos AM, Kritski AL. A screening system for smear-negative pulmonary tuberculosis using artificial neural networks. Int J Infect Dis. 2016 Aug;49:33-9. doi: 10.1016/j.ijid.2016.05.019. Epub 2016 May 24.
- Herman B, Sirichokchatchawan W, Pongpanich S, Nantasenamat C. Development and performance of CUHAS-ROBUST application for pulmonary rifampicin-resistance tuberculosis screening in Indonesia. PLoS One. 2021 Mar 25;16(3):e0249243. doi: 10.1371/journal.pone.0249243. eCollection 2021.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- 0111190912
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .