Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

Диагностика и прогнозирование COVID-19 с помощью искусственного интеллекта с использованием электрокардиограмм (AI-COV-19)

24 августа 2021 г. обновлено: Imperial College London

Диагностика и прогнозирование COVID-19 с помощью искусственного интеллекта с использованием электрокардиограмм и изображений

Коронавирусная болезнь 2019 года (COVID-19) широко распространилась по всему миру с декабря 2019 года. Он очень заразен, и тяжелые случаи могут привести к острой дыхательной недостаточности или полиорганной недостаточности. 11 марта 2020 года ВОЗ сделала оценку, что COVID-19 можно охарактеризовать как пандемию. С развитием машинного обучения технология искусственного интеллекта (ИИ), основанная на глубоком обучении, продемонстрировала огромный успех в области анализа медицинских данных благодаря своей способности извлекать разнообразные функции из изображений и сложных наборов клинических данных. В этом исследовании мы стремимся использовать клинические данные, собранные в рамках обычной клинической помощи (кардиограммы сердца, рентген и компьютерная томография), для обучения алгоритмов искусственного интеллекта и машинного обучения, чтобы точно прогнозировать течение заболевания у пациентов с Covid-19. инфекции, используя эти наборы данных.

Обзор исследования

Статус

Рекрутинг

Условия

Вмешательство/лечение

Подробное описание

Коронавирусная болезнь 2019 года (COVID-19) широко распространилась по всему миру с декабря 2019 года. Он очень заразен, и тяжелые случаи могут привести к острой дыхательной недостаточности или полиорганной недостаточности и, в конечном итоге, к смерти. Заболевание может быть подтверждено с помощью теста полимеразной цепной реакции с обратной транскрипцией (ОТ-ПЦР). ЭКГ, рентгенограммы грудной клетки и компьютерная томография — это богатые источники данных, которые дают представление о заболеваниях, которые в противном случае были бы недоступны.

Знание того, кого следует госпитализировать или реанимировать, спасает жизни, поскольку помогает смягчить нехватку ресурсов. Новые инструменты искусственного интеллекта, такие как глубокое обучение, позволят проводить комплексную оценку изображений и клинических данных, которые потенциально могут помочь клиницистам ставить более быстрый и точный диагноз, лучше сортировать пациентов и оценивать реакцию на лечение и, в конечном итоге, лучше прогнозировать результат. Наша группа имеет значительный опыт внедрения алгоритмов машинного обучения на большом количестве ЭКГ, например, из британского биобанка, и предлагает распространить наши методы на данные пациентов с Covid-19.

Это ретроспективное исследование данных о пациентах с подозрением и подтвержденным диагнозом COVID-19.

Исследование направлено на набор до 2000 пациентов, которым будут направлены на ЭКГ, рентгенографию грудной клетки или компьютерную томографию в Челси и Вестминстерскую больницу NHS Foundation Trust, Imperial College Healthcare NHS Trust и London North West London University Healthcare NHS Trust.

Чтобы быть включенным в это исследование, пациент должен:

  • пройти ЭКГ, рентген грудной клетки и/или КТ грудной клетки (с контрастом или без него)
  • лабораторный тест на нуклеиновую кислоту вируса Covid-19 (анализ RTPCR с образцами мазка из зева) или клиническое подозрение на инфекцию Covid19
  • быть в возрасте старше 18 лет. Пациенты с субоптимальными ЭКГ, рентгенограммами грудной клетки и КТ-исследованиями из-за артефактов будут исключены. Пациенты также будут исключены, если временной интервал между ЭКГ, КТ органов грудной клетки и анализом ОТ-ПЦР превышает 7 дней.

Это исследование получило одобрение HRA и Health and Care Research Wales (HCRW) 18 мая 2020 г. после рассмотрения Комитетом по этике исследований на заседании, состоявшемся 13 мая 2020 г. (номер протокола: 20HH5967; ссылка REC: 20/HRA/2467).

Тип исследования

Наблюдательный

Регистрация (Ожидаемый)

2000

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Места учебы

  • Соединенное Королевство
      • London, Соединенное Королевство, HA1 3UJ
        • Рекрутинг
        • London North West University Healthcare NHS Trust
        • Контакт:
          • Jaymin Shah, MRCP PhD
          • Номер телефона: 02075949832
          • Электронная почта: jaymin.shah@nhs.net
      • London, Соединенное Королевство, TW7 6AF
        • Рекрутинг
        • Chelsea and Westminster Hospital NHS Foundation Trust
        • Контакт:
        • Контакт:
      • London, Соединенное Королевство, W12 0NN
        • Активный, не рекрутирующий
        • Imperial College London (Hammersmith campus)
      • London, Соединенное Королевство, W2 1NY
        • Рекрутинг
        • St Mary's Hospital
        • Контакт:
          • Fu Siong Ng
          • Номер телефона: 02075943614
          • Электронная почта: f.ng@imperial.ac.uk
        • Контакт:

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

14 лет и старше (Взрослый, Пожилой взрослый)

Принимает здоровых добровольцев

Нет

Полы, имеющие право на обучение

Все

Метод выборки

Невероятностная выборка

Исследуемая популяция

Это ретроспективное исследование данных о пациентах с подозрением и подтвержденным диагнозом COVID-19.

Исследование направлено на набор до 2000 пациентов, которым будут направлены на ЭКГ, рентгенографию грудной клетки или компьютерную томографию в Челси и Вестминстерскую больницу NHS Foundation Trust, Imperial College Healthcare NHS Trust и London North West London University Healthcare NHS Trust.

Описание

Критерии включения:

  • пройти ЭКГ, рентген грудной клетки и/или КТ грудной клетки (с контрастом или без него)
  • положительный лабораторный тест на нуклеиновую кислоту вируса Covid-19 (анализ RTPCR с образцами мазка из горла) или клиническое подозрение на инфекцию Covid-19
  • быть старше 18 лет

Критерий исключения:

  • Субоптимальные ЭКГ, рентгенограммы грудной клетки или КТ-исследования для методов глубокого обучения из-за артефактов, в том числе тяжелых
  • артефакты движения, которые вызывают размытие контуров или значительные артефакты из-за металлических протезов, которые вызывают ухудшение изображения
  • Временной интервал между ЭКГ, КТ органов грудной клетки и анализом ОТ-ПЦР превышал 7 дней.

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

  • Наблюдательные модели: Когорта
  • Временные перспективы: Ретроспектива

Что измеряет исследование?

Первичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
Точность машинного обучения для прогнозирования исхода коронавирусной (COVID-19) инфекции
Временное ограничение: По окончании анализа данных, примерно через 1 год
Точность, с которой компьютерный анализ (машинное обучение) может диагностировать и/или прогнозировать Covid-19 Количество участников с COVID19, которые умерли или выжили после госпитализации
По окончании анализа данных, примерно через 1 год
Точность машинного обучения для предсказания прогноза заражения коронавирусом (COVID-19)
Временное ограничение: По окончании анализа данных, примерно через 1 год
Количество участников, которым потребовалась инвазивная вентиляция легких по сравнению с неинвазивной вентиляцией легких по сравнению с уходом в палате по сравнению с умершими
По окончании анализа данных, примерно через 1 год

Вторичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
Точность машинного обучения для прогнозирования поражения сердца коронавирусной (COVID-19) инфекцией
Временное ограничение: По окончании анализа данных, примерно через 1 год
Количество участников, у которых были проблемы с сердцем, связанные с COVID19.
По окончании анализа данных, примерно через 1 год
Точность машинного обучения по сравнению с оценкой человека для диагностики коронавирусной (COVID-19) инфекции
Временное ограничение: По окончании анализа данных, примерно через 1 год
Количество участников, у которых можно определить наличие COVID19 с помощью машинного обучения в сравнении с человеческим или другим клиническим тестом или оценкой
По окончании анализа данных, примерно через 1 год

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Imperial College London

Соавторы

Imperial College Healthcare NHS Trust
London North West Healthcare NHS Trust
Chelsea and Westminster Hospital NHS Foundation Trust

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

26 мая 2020 г.

Первичное завершение (Ожидаемый)

1 мая 2022 г.

Завершение исследования (Ожидаемый)

1 мая 2022 г.

Даты регистрации исследования

Первый отправленный

7 августа 2020 г.

Впервые представлено, что соответствует критериям контроля качества

11 августа 2020 г.

Первый опубликованный (Действительный)

12 августа 2020 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

30 августа 2021 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

24 августа 2021 г.

Последняя проверка

1 августа 2021 г.

Дополнительная информация

Термины, связанные с этим исследованием

Ключевые слова

Дополнительные соответствующие термины MeSH

Другие идентификационные номера исследования

  • 20HH5967

Планирование данных отдельных участников (IPD)

Планируете делиться данными об отдельных участниках (IPD)?

Да

Описание плана IPD

Это исследование с использованием ретроспективных псевдоанонимных данных, которые были получены в рамках рутинной клинической помощи пациентам. Прямых рисков для здоровья пациентов нет. Основные проблемы связаны с безопасностью и хранением данных. Чтобы решить эту проблему, члены группы непосредственного ухода, которые не являются членами исследовательской группы, будут выполнять псевдоанонимизацию данных и передавать набор псевдоанонимных данных исследовательской группе без доступа к псевдоанонимизации. код. Поэтому исследовательская группа не сможет идентифицировать пациентов по этим данным. Псевдоанонимизированные данные также будут надежно храниться для дальнейшего снижения рисков.

Сроки обмена IPD

в течение срока обучения

Критерии совместного доступа к IPD

Исследователи исследования

Совместное использование IPD Поддерживающий тип информации

  • Протокол исследования
  • План статистического анализа (SAP)

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

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. .

Клинические исследования Коронавирус

Клинические исследования Нулевое вмешательство

Искать похожие исследования

Спонсоры и соавторы

Заболевания

Медикаментозные вмешательства

CROs by country

CROs in Cameroon

Заболевания

Редкие заболевания

Медикаментозные вмешательства

Пищевые добавки

Спонсор / Соавторы

Места

Подписаться