Artificial Intelligence-SARS-CoV-2 (Covid-19) Riskutvärdering (AI-SCoRE)
Artificiell intelligens-SARS-CoV-2 riskutvärdering
Hanteringen av covid-19-patienter på överväldigat sjukhus som står inför pandemin är en klinisk utmaning.
Förbättringen av beslutsfattandet kan möjliggöra en bättre fördelning av tillgängliga resurser och en bättre behandling av patienter med högre risk.
Bröst CT har antagits i stor utsträckning för diagnos av covid-19. Flera erfarenheter dokumenterade förmågan hos artificiell intelligens att förbättra och fästa covid-19 lunginflammationsdetektering, främst med röntgenstråle.
Syftet med den aktuella studien var att utveckla och validera en konstgjord intelligensmetod som integrerar kliniska och avbildningsdata (automatiskt extraherad genom antagandet av dedikerade neurala nätverk) för skapandet av en molnplattform som kan utföra automatisk patienter riskstratifiering. Ett sådant tillvägagångssätt kan användas för triage av covid-19-patienter på akutmottagningen, i syfte att förbättra beslutsfattande och fördelning av resurser under hälsoeffekter.
Studieöversikt
Status
Status
Betingelser
Betingelser
Studietyp
Studietyp
Inskrivning (Faktisk)
Inskrivning
Kontakter och platser
Studiekontakt
Studiekontakt
- Namn: Antonio Esposito, MD
- Telefonnummer: +390226436102
- E-post: esposito.antonio@unisr.it
Studera Kontakt Backup
- Namn: Carlo Tacchetti, MD
- E-post: tacchetti.carlo@hsr.it
Studieorter
-
-
-
Milano, Italien, 20132
- IRCCS San Raffaele
-
-
Deltagandekriterier
Urvalskriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inkluderingskriterier:
- Bekräftad SARS-COV-2-infektion med RT-PCR
- Non Contrast Chest CT -skanning utförd inom 72 timmar efter inträde till akutmottagningen
Uteslutningskriterier:
- Ålder <18 ys
Studieplan
Hur är studien utformad?
Designdetaljer
Antal grupper/kohorter
Kohorter och interventioner
Grupp / KohortGrupp / Kohort |
|---|
|
Covid-19 första vågpatienter
1700 patienter registrerade retrospektivt på 15 italienska sjukhus från 16/2/2020 till 29/4/2020.
|
|
Covid-19 andra vågpatienter
300 patienter inskrivna prospektivt på IRCCS San Raffaele Hospital 19/10/2020 till 31/12/2020.
|
Vad mäter studien?
Primära resultatmått
Primära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Träning, testning och validering av en AI-plattform för att förutsäga italienska första vågen Covid-19-patienter prognos.
Tidsram: 9 månader
|
9 månader
|
Sekundära resultatmått
Sekundära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Validering av den utvecklade AI-plattformen på italiensk andra våg av covid-19-patienter
Tidsram: 3 månader
|
3 månader
|
Samarbetspartners och utredare
Sponsor
Sponsor
Samarbetspartners
Samarbetspartners
Utredare
Utredare
- Huvudutredare: Antonio Esposito, MD, IRCCS San Raffaele
Publikationer och användbara länkar
Allmänna publikationer
- Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, Tao Q, Sun Z, Xia L. Correlation of Chest CT and RT-PCR Testing for Coronavirus Disease 2019 (COVID-19) in China: A Report of 1014 Cases. Radiology. 2020 Aug;296(2):E32-E40. doi: 10.1148/radiol.2020200642. Epub 2020 Feb 26.
- Li L, Qin L, Xu Z, Yin Y, Wang X, Kong B, Bai J, Lu Y, Fang Z, Song Q, Cao K, Liu D, Wang G, Xu Q, Fang X, Zhang S, Xia J, Xia J. Using Artificial Intelligence to Detect COVID-19 and Community-acquired Pneumonia Based on Pulmonary CT: Evaluation of the Diagnostic Accuracy. Radiology. 2020 Aug;296(2):E65-E71. doi: 10.1148/radiol.2020200905. Epub 2020 Mar 19.
- Emanuel EJ, Persad G, Upshur R, Thome B, Parker M, Glickman A, Zhang C, Boyle C, Smith M, Phillips JP. Fair Allocation of Scarce Medical Resources in the Time of Covid-19. N Engl J Med. 2020 May 21;382(21):2049-2055. doi: 10.1056/NEJMsb2005114. Epub 2020 Mar 23. No abstract available.
- Ciceri F, Castagna A, Rovere-Querini P, De Cobelli F, Ruggeri A, Galli L, Conte C, De Lorenzo R, Poli A, Ambrosio A, Signorelli C, Bossi E, Fazio M, Tresoldi C, Colombo S, Monti G, Fominskiy E, Franchini S, Spessot M, Martinenghi C, Carlucci M, Beretta L, Scandroglio AM, Clementi M, Locatelli M, Tresoldi M, Scarpellini P, Martino G, Bosi E, Dagna L, Lazzarin A, Landoni G, Zangrillo A. Early predictors of clinical outcomes of COVID-19 outbreak in Milan, Italy. Clin Immunol. 2020 Aug;217:108509. doi: 10.1016/j.clim.2020.108509. Epub 2020 Jun 12.
- Patel D, Kher V, Desai B, Lei X, Cen S, Nanda N, Gholamrezanezhad A, Duddalwar V, Varghese B, Oberai AA. Machine learning based predictors for COVID-19 disease severity. Sci Rep. 2021 Feb 25;11(1):4673. doi: 10.1038/s41598-021-83967-7.
- Palmisano A, Scotti GM, Ippolito D, Morelli MJ, Vignale D, Gandola D, Sironi S, De Cobelli F, Ferrante L, Spessot M, Tonon G, Tacchetti C, Esposito A. Chest CT in the emergency department for suspected COVID-19 pneumonia. Radiol Med. 2021 Mar;126(3):498-502. doi: 10.1007/s11547-020-01302-y. Epub 2020 Nov 9.
- Park JH, Lee SG, Ahn S, Kim JY, Song J, Moon S, Cho H. Strategies to prevent COVID-19 transmission in the emergency department of a regional base hospital in Korea: From index patient until pandemic declaration. Am J Emerg Med. 2021 Aug;46:247-253. doi: 10.1016/j.ajem.2020.07.056. Epub 2020 Jul 24.
- Wehbe RM, Sheng J, Dutta S, Chai S, Dravid A, Barutcu S, Wu Y, Cantrell DR, Xiao N, Allen BD, MacNealy GA, Savas H, Agrawal R, Parekh N, Katsaggelos AK. DeepCOVID-XR: An Artificial Intelligence Algorithm to Detect COVID-19 on Chest Radiographs Trained and Tested on a Large U.S. Clinical Data Set. Radiology. 2021 Apr;299(1):E167-E176. doi: 10.1148/radiol.2020203511. Epub 2020 Nov 24.
- Schalekamp S, Huisman M, van Dijk RA, Boomsma MF, Freire Jorge PJ, de Boer WS, Herder GJM, Bonarius M, Groot OA, Jong E, Schreuder A, Schaefer-Prokop CM. Model-based Prediction of Critical Illness in Hospitalized Patients with COVID-19. Radiology. 2021 Jan;298(1):E46-E54. doi: 10.1148/radiol.2020202723. Epub 2020 Aug 13.
- Cheng FY, Joshi H, Tandon P, Freeman R, Reich DL, Mazumdar M, Kohli-Seth R, Levin M, Timsina P, Kia A. Using Machine Learning to Predict ICU Transfer in Hospitalized COVID-19 Patients. J Clin Med. 2020 Jun 1;9(6):1668. doi: 10.3390/jcm9061668.
- Liang W, Yao J, Chen A, Lv Q, Zanin M, Liu J, Wong S, Li Y, Lu J, Liang H, Chen G, Guo H, Guo J, Zhou R, Ou L, Zhou N, Chen H, Yang F, Han X, Huan W, Tang W, Guan W, Chen Z, Zhao Y, Sang L, Xu Y, Wang W, Li S, Lu L, Zhang N, Zhong N, Huang J, He J. Early triage of critically ill COVID-19 patients using deep learning. Nat Commun. 2020 Jul 15;11(1):3543. doi: 10.1038/s41467-020-17280-8.
- Wong HYF, Lam HYS, Fong AH, Leung ST, Chin TW, Lo CSY, Lui MM, Lee JCY, Chiu KW, Chung TW, Lee EYP, Wan EYF, Hung IFN, Lam TPW, Kuo MD, Ng MY. Frequency and Distribution of Chest Radiographic Findings in Patients Positive for COVID-19. Radiology. 2020 Aug;296(2):E72-E78. doi: 10.1148/radiol.2020201160. Epub 2020 Mar 27.
- Chorath A, Choi Y, Turkbey EB, Ahlman MA, Sibley CT, Liu S, Bluemke DA, Sandfort V. Coronary CT Angiography and Carotid MRI Improve Phenotyping of Disease Extent Compared with ACC/AHA Risk Score Alone. Radiol Cardiothorac Imaging. 2020 Feb 27;2(1):e190068. doi: 10.1148/ryct.2020190068.
- Neri E, Miele V, Coppola F, Grassi R. Use of CT and artificial intelligence in suspected or COVID-19 positive patients: statement of the Italian Society of Medical and Interventional Radiology. Radiol Med. 2020 May;125(5):505-508. doi: 10.1007/s11547-020-01197-9. Epub 2020 Apr 29.
- Giannini F, Toselli M, Palmisano A, Cereda A, Vignale D, Leone R, Nicoletti V, Gnasso C, Monello A, Manfrini M, Khokhar A, Sticchi A, Biagi A, Turchio P, Tacchetti C, Landoni G, Boccia E, Campo G, Scoccia A, Ponticelli F, Danzi GB, Loffi M, Muri M, Pontone G, Andreini D, Mancini EM, Casella G, Iannopollo G, Nannini T, Ippolito D, Bellani G, Franzesi CT, Patelli G, Besana F, Costa C, Vignali L, Benatti G, Sverzellati N, Scarnecchia E, Lombardo FP, Anastasio F, Iannaccone M, Vaudano PG, Pacielli A, Baffoni L, Gardi I, Cesini E, Sperandio M, Micossi C, De Carlini CC, Spreafico C, Maggiolini S, Bonaffini PA, Iacovoni A, Sironi S, Senni M, Fominskiy E, De Cobelli F, Maggioni AP, Rapezzi C, Ferrari R, Colombo A, Esposito A. Coronary and total thoracic calcium scores predict mortality and provides pathophysiologic insights in COVID-19 patients. J Cardiovasc Comput Tomogr. 2021 Sep-Oct;15(5):421-430. doi: 10.1016/j.jcct.2021.03.003. Epub 2021 Mar 11.
- Esposito A, Palmisano A, Toselli M, Vignale D, Cereda A, Rancoita PMV, Leone R, Nicoletti V, Gnasso C, Monello A, Biagi A, Turchio P, Landoni G, Gallone G, Monti G, Casella G, Iannopollo G, Nannini T, Patelli G, Di Mare L, Loffi M, Sergio P, Ippolito D, Sironi S, Pontone G, Andreini D, Mancini EM, Di Serio C, De Cobelli F, Ciceri F, Zangrillo A, Colombo A, Tacchetti C, Giannini F. Chest CT-derived pulmonary artery enlargement at the admission predicts overall survival in COVID-19 patients: insight from 1461 consecutive patients in Italy. Eur Radiol. 2021 Jun;31(6):4031-4041. doi: 10.1007/s00330-020-07622-x. Epub 2020 Dec 23.
- Ufuk F, Demirci M, Sagtas E, Akbudak IH, Ugurlu E, Sari T. The prognostic value of pneumonia severity score and pectoralis muscle Area on chest CT in adult COVID-19 patients. Eur J Radiol. 2020 Oct;131:109271. doi: 10.1016/j.ejrad.2020.109271. Epub 2020 Sep 9.
- Monaco CG, Zaottini F, Schiaffino S, Villa A, Della Pepa G, Carbonaro LA, Menicagli L, Cozzi A, Carriero S, Arpaia F, Di Leo G, Astengo D, Rosenberg I, Sardanelli F. Chest x-ray severity score in COVID-19 patients on emergency department admission: a two-centre study. Eur Radiol Exp. 2020 Dec 15;4(1):68. doi: 10.1186/s41747-020-00195-w. Erratum In: Eur Radiol Exp. 2021 Apr 14;5(1):17. doi: 10.1186/s41747-021-00215-3.
- Bai HX, Wang R, Xiong Z, Hsieh B, Chang K, Halsey K, Tran TML, Choi JW, Wang DC, Shi LB, Mei J, Jiang XL, Pan I, Zeng QH, Hu PF, Li YH, Fu FX, Huang RY, Sebro R, Yu QZ, Atalay MK, Liao WH. Artificial Intelligence Augmentation of Radiologist Performance in Distinguishing COVID-19 from Pneumonia of Other Origin at Chest CT. Radiology. 2020 Sep;296(3):E156-E165. doi: 10.1148/radiol.2020201491. Epub 2020 Apr 27. Erratum In: Radiology. 2021 Apr;299(1):E225. doi: 10.1148/radiol.2021219004.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Studiestart
Primärt slutförande (Faktisk)
Primärt slutförande
Avslutad studie (Faktisk)
Avslutad studie
Studieregistreringsdatum
Först inskickad
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Första postat
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste uppdatering publicerad
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
Andra studie-ID-nummer
- AI-SCoRE
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .