- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04395482
Lung-CT-skanningsanalys av SARS-CoV2-inducerad lungskada (TAC-COVID19)
Lung-CT-skanningsanalys av SARS-CoV2-inducerad lungskada genom maskininlärning: en multicenter retrospektiv kohortstudie.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
BAKGRUND:
I februari registrerades det första fallet av SARS-CoV2-positiv patient i Lombardiet (Italien), ett virus som kan orsaka en allvarlig form av akut andningssvikt som kallas Coronavirus Disease 2019 (COVID-19).
Kvalitativa bedömningar av lungmorfologi har identifierats för att beskriva makroskopiska egenskaper hos denna infektion vid intagning och under sjukhusvistelse av patienter.
För tillfället finns det inga studier som uttömmande har beskrivit den parenkymala lungskadan inducerad av SARS-CoV2 genom kvantitativ analys.
Hypotesen för denna studie är att specifika morfologiska och kvantitativa förändringar av lungparenkymet bedömda med hjälp av CT-skanning hos patienter som lider av allvarlig andningsinsufficiens inducerad av SARS-CoV2 kan ha en inverkan på svårighetsgraden av graden av förändring av andningsutbytena (syresättning och eliminering av CO2) och har en inverkan på patientens resultat.
Förekomsten av karakteristiska lungmorfologiska mönster bedömda med CT-skanning kan möjliggöra igenkänning av specifika patientkluster som kan dra nytta av intensiv behandling på olika sätt, vilket ger ett betydande bidrag till att stratifiera patienters svårighetsgrad och deras risk för dödlighet.
Detta är en explorativ klinisk beskrivande studie av lung-CT-bilder i en helt ny patientpopulation som är nukleinsyraförstärkningstest bekräftade SARS-CoV2 positiva.
PROVSTORLEK (antal patienter):
Studien kommer att samla in alla patienter med inklusionskriterierna; totalt 500 patienter förväntas samlas in.
Cirka 80 patienter kommer att registreras för varje lokalt experimentcenter.
Följande patientdata kommer att analyseras:
- blodgasanalysdata som tilldelats datortomografin, kontroller utförda vid inresa till sjukhuset, vid tidpunkten för utförande av datortomografi, inläggning på intensivvård och 7 dagar efter inresa
- patientegenskaper som ålder, kön och body mass index (BMI)
- samsjuklighet
- förekomst av organdysfunktion med Sequential Organ Failure Assessment (SOFA)
- laboratoriedata avseende sjukhusinläggning och symtom före sjukhusvistelse.
- ventilator och hemodynamiska parametrar vid inresa till sjukhuset, vid tidpunkten för CT-skanning, vid inläggning på intensivvård och 7 dagar efter inresa.
Maskininlärningsmetoden för lung-CT-skanningsanalys kommer att syfta till att utvärdera:
- Kvantitativa och kvalitativa lungförändringar;
- Stratifiering av sådana morfologiska egenskaper i specifika morfologiska lungkluster identifierade med hjälp av artificiell intelligens med hjälp av djupinlärningsalgoritmer.
ETISKA ASPEKTER:
Lung-CT-bilderna kommer att samlas in och anonymiseras. Bilder kommer därefter att skickas av University of Milano-Bicocca Institutional google drive-konto till University of Pennsylvania, Department of Anesthesiology and Critical Care och Department of Radioology i ett avidentifierat format för avancerad kvantitativ analys som drar fördel av artificiell intelligens med algoritmer för djupinlärning.
Data kommer att samlas in på ett pseudo-anonymt sätt genom pappersfallsrapportformulär (CRF) och analyseras av projektets vetenskapliga koordinator.
Med tanke på studiens retrospektiva karaktär och i närvaro av tekniska svårigheter att erhålla ett informerat samtycke från patienter i denna period av pandemisk nödsituation, kommer informerat samtycke att frångås.
STATISTISK ANALYS:
Kontinuerliga data kommer att uttryckas som medelvärde ± standardavvikelse eller median- och interkvartilintervall, enligt datafördelning som kommer att utvärderas med Shapiro-Wilk-testet. Kategoriska variabler kommer att uttryckas som proportioner (frekvens).
Algoritmen för djupinlärning segmenterar lungparenkymet från hela CT-lungan. Analys av lungvolym, lungvikt och opacitetsintensitetsfördelning kommer att tillämpas. För det andra kommer klustringsanalys för att stratifiera patienterna att utföras. Både en intensitets- och en rumslig klustringsalgoritm kommer att testas. För det tredje kommer en modell att tränas för att förutsäga skadeförloppet med hjälp av bilderna och alla andra patientdata. Statistisk signifikans kommer att beaktas i närvaro av ett p<0,05 (tvåsidigt).
Studietyp
Inskrivning (Faktisk)
Kontakter och platser
Studieorter
-
-
-
Bergamo, Italien
- Ospedale Papa Giovanni XXIII
-
Bergamo, Italien
- Policlinico San Marco-San Donato group
-
Ferrara, Italien
- Azienda Ospedaliero-Universitaria di Ferrara
-
Lecco, Italien
- ASST di Lecco Ospedale Alessandro Manzoni
-
Melzo, Italien
- ASST Melegnano-Martesana, Ospedale Santa Maria delle Stelle
-
Monza, Italien
- ASST Monza
-
Rimini, Italien
- AUSL Romagna-Ospedale Infermi di Rimini
-
-
-
-
-
San Marino, San Marino
- Istituto per la Sicurezza Sociale-Ospedale della Repubblica di San Marino
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier (COVID-19-kohort):
- Patienter 18 år eller äldre;
- Positiv bekräftelse med nukleinsyraamplifieringstest eller serologi av SARS-CoV2 genom nasofaryngeal pinne, bronkoaspiratprov eller bronkoalveolär sköljning;
- Lung-CT-skanning utförd inom 7 dagar efter sjukhusinläggning;
Inklusionskriterier (ARDS-kohort):
- Patienter över 18 år eller äldre;
- Patienter inlagda på sjukhuset med diagnosen ARDS enligt Berlinkriterierna;
- Lung-CT-skanning utförd inom 7 dagar efter diagnosen ARDS;
Uteslutningskriterier (ARDS-kohort):
● Positiv bekräftelse med nukleinsyraamplifieringstest eller serologi av SARS-CoV2 genom nasofaryngeal pinne, bronkoaspiratprov eller bronkoalveolär sköljning
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Kohort
- Tidsperspektiv: Retrospektiv
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
---|---|
covid-19 lunginflammation relaterade patienter
Studien syftar till att samla in det högsta möjliga antalet lung-CT-bilder utförda på patienter med COVID-19, för att erhålla en stor provstorlek som gör det möjligt för oss att karakterisera omfattningen av lungskada, förekomsten av specifika mönster av lungförändringar , och deras potentiella samband med resultatet av patienter - i syfte att hjälpa den medicinska personalen att bättre förstå graden av svårighetsnedsättningen hos dessa patienter som kan vara potentiella kandidater till mer intensiva terapeutiska strategier.
|
Detta forskningsprojekt kommer att utvärdera de morfologiska egenskaperna hos lungan genom CT-skanningsanalys hos COVID-19-patienter som kommer att identifieras som specifika mönster med hjälp av artificiell intelligensteknologi och deras inverkan på resultatet.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
En kvalitativ analys av parenkymal lungskada inducerad av COVID-19
Tidsram: Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Beskriv den parenkymala lungskadan som covid-19 inducerar genom en kvalitativ analys med CT från bröstet genom tekniker med artificiell intelligens.
|
Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
En kvantitativ analys av parenkymal lungskada inducerad av COVID-19
Tidsram: Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Beskriv den parenkymala lungskadan som covid-19 inducerar genom en kvantitativ analys med CT av bröstkorgen genom artificiell intelligens.
|
Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Den potentiella effekten av parenkymmorfologiska CT-skanningar hos patienter med svår måttlig andningssvikt.
Tidsram: Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Den potentiella effekten av parenkymmorfologiska CT-skanningar hos patienter med svår måttlig andningssvikt bedömd som intensivvårdsdödlighet.
|
Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Den potentiella effekten av parenkymmorfologiska CT-skanningar hos patienter med svår måttlig andningssvikt.
Tidsram: Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Den potentiella effekten av parenkymala morfologiska CT-skanningar hos patienter med svår måttlig andningssvikt bedömd som sjukhusmortalitet.
|
Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Den potentiella effekten av parenkymmorfologiska CT-skanningar hos patienter med svår måttlig andningssvikt.
Tidsram: Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Den potentiella effekten av parenkymmorfologiska CT-skanningar hos patienter med svår måttlig andningssvikt bedömd som dagar fria från mekanisk ventilation.
|
Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Automatiserad segmentering av lungskanningar av patienter med COVID-19 och ARDS.
Tidsram: Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Hypotesen är att användningen av djupa neurala nätverksmodeller för lungsegmentering vid akut andningsbesvärssyndrom (ARDS) i djurmodeller och kronisk obstruktiv lungsjukdom (KOL) hos patienter som skulle kunna användas för att självsegmentera lungorna hos patienter med covid-19 genom en inlärningsöverföringsmekanism med artificiell intelligens.
|
Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Kunskap om bröst-CT-funktioner hos COVID-19-patienter och deras detaljer genom användning av maskininlärning och andra kvantitativa tekniker.
Tidsram: Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Utöka kunskapen om bröst-CT-funktioner hos COVID-19-patienter och deras detaljer genom att använda maskininlärning och andra kvantitativa tekniker som jämför CT-mönster hos COVID-19-patienter med patienter med ARDS.
|
Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Förmågan inom vilken analys av artificiell intelligens som använder djupinlärningsmodeller kan användas för att förutsäga kliniska resultat
Tidsram: Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Bestäm den kapacitet inom vilken den artificiella intelligensanalysen som använder djupinlärningsmodeller kan användas för att förutsäga kliniska resultat från analysen av egenskaperna hos bröst-CT erhållen inom 7 dagar efter sjukhusinläggning; kombinerar kvantitativa CT-data med kliniska data.
|
Fram till patientens utskrivning från sjukhuset (cirka 6 månader)
|
Samarbetspartners och utredare
Sponsor
Publikationer och användbara länkar
Allmänna publikationer
- Huang C, Wang Y, Li X, Ren L, Zhao J, Hu Y, Zhang L, Fan G, Xu J, Gu X, Cheng Z, Yu T, Xia J, Wei Y, Wu W, Xie X, Yin W, Li H, Liu M, Xiao Y, Gao H, Guo L, Xie J, Wang G, Jiang R, Gao Z, Jin Q, Wang J, Cao B. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020 Feb 15;395(10223):497-506. doi: 10.1016/S0140-6736(20)30183-5. Epub 2020 Jan 24. Erratum In: Lancet. 2020 Jan 30;:
- Chen N, Zhou M, Dong X, Qu J, Gong F, Han Y, Qiu Y, Wang J, Liu Y, Wei Y, Xia J, Yu T, Zhang X, Zhang L. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. Lancet. 2020 Feb 15;395(10223):507-513. doi: 10.1016/S0140-6736(20)30211-7. Epub 2020 Jan 30.
- Wang D, Hu B, Hu C, Zhu F, Liu X, Zhang J, Wang B, Xiang H, Cheng Z, Xiong Y, Zhao Y, Li Y, Wang X, Peng Z. Clinical Characteristics of 138 Hospitalized Patients With 2019 Novel Coronavirus-Infected Pneumonia in Wuhan, China. JAMA. 2020 Mar 17;323(11):1061-1069. doi: 10.1001/jama.2020.1585. Erratum In: JAMA. 2021 Mar 16;325(11):1113.
- Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, Xiang J, Wang Y, Song B, Gu X, Guan L, Wei Y, Li H, Wu X, Xu J, Tu S, Zhang Y, Chen H, Cao B. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020 Mar 28;395(10229):1054-1062. doi: 10.1016/S0140-6736(20)30566-3. Epub 2020 Mar 11. Erratum In: Lancet. 2020 Mar 28;395(10229):1038. Lancet. 2020 Mar 28;395(10229):1038.
- Yang X, Yu Y, Xu J, Shu H, Xia J, Liu H, Wu Y, Zhang L, Yu Z, Fang M, Yu T, Wang Y, Pan S, Zou X, Yuan S, Shang Y. Clinical course and outcomes of critically ill patients with SARS-CoV-2 pneumonia in Wuhan, China: a single-centered, retrospective, observational study. Lancet Respir Med. 2020 May;8(5):475-481. doi: 10.1016/S2213-2600(20)30079-5. Epub 2020 Feb 24. Erratum In: Lancet Respir Med. 2020 Apr;8(4):e26.
- Shi H, Han X, Jiang N, Cao Y, Alwalid O, Gu J, Fan Y, Zheng C. Radiological findings from 81 patients with COVID-19 pneumonia in Wuhan, China: a descriptive study. Lancet Infect Dis. 2020 Apr;20(4):425-434. doi: 10.1016/S1473-3099(20)30086-4. Epub 2020 Feb 24.
- 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.
- Pan F, Ye T, Sun P, Gui S, Liang B, Li L, Zheng D, Wang J, Hesketh RL, Yang L, Zheng C. Time Course of Lung Changes at Chest CT during Recovery from Coronavirus Disease 2019 (COVID-19). Radiology. 2020 Jun;295(3):715-721. doi: 10.1148/radiol.2020200370. Epub 2020 Feb 13.
- Chung M, Bernheim A, Mei X, Zhang N, Huang M, Zeng X, Cui J, Xu W, Yang Y, Fayad ZA, Jacobi A, Li K, Li S, Shan H. CT Imaging Features of 2019 Novel Coronavirus (2019-nCoV). Radiology. 2020 Apr;295(1):202-207. doi: 10.1148/radiol.2020200230. Epub 2020 Feb 4.
- Remuzzi A, Remuzzi G. COVID-19 and Italy: what next? Lancet. 2020 Apr 11;395(10231):1225-1228. doi: 10.1016/S0140-6736(20)30627-9. Epub 2020 Mar 13.
- Grasselli G, Pesenti A, Cecconi M. Critical Care Utilization for the COVID-19 Outbreak in Lombardy, Italy: Early Experience and Forecast During an Emergency Response. JAMA. 2020 Apr 28;323(16):1545-1546. doi: 10.1001/jama.2020.4031. No abstract available.
- Dong E, Du H, Gardner L. An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis. 2020 May;20(5):533-534. doi: 10.1016/S1473-3099(20)30120-1. Epub 2020 Feb 19. No abstract available. Erratum In: Lancet Infect Dis. 2020 Sep;20(9):e215.
- Zhou S, Wang Y, Zhu T, Xia L. CT Features of Coronavirus Disease 2019 (COVID-19) Pneumonia in 62 Patients in Wuhan, China. AJR Am J Roentgenol. 2020 Jun;214(6):1287-1294. doi: 10.2214/AJR.20.22975. Epub 2020 Mar 5.
- Xiong Y, Sun D, Liu Y, Fan Y, Zhao L, Li X, Zhu W. Clinical and High-Resolution CT Features of the COVID-19 Infection: Comparison of the Initial and Follow-up Changes. Invest Radiol. 2020 Jun;55(6):332-339. doi: 10.1097/RLI.0000000000000674.
- Salehi S, Abedi A, Balakrishnan S, Gholamrezanezhad A. Coronavirus Disease 2019 (COVID-19): A Systematic Review of Imaging Findings in 919 Patients. AJR Am J Roentgenol. 2020 Jul;215(1):87-93. doi: 10.2214/AJR.20.23034. Epub 2020 Mar 14.
- Dai WC, Zhang HW, Yu J, Xu HJ, Chen H, Luo SP, Zhang H, Liang LH, Wu XL, Lei Y, Lin F. CT Imaging and Differential Diagnosis of COVID-19. Can Assoc Radiol J. 2020 May;71(2):195-200. doi: 10.1177/0846537120913033. Epub 2020 Mar 4.
- Li Y, Xia L. Coronavirus Disease 2019 (COVID-19): Role of Chest CT in Diagnosis and Management. AJR Am J Roentgenol. 2020 Jun;214(6):1280-1286. doi: 10.2214/AJR.20.22954. Epub 2020 Mar 4.
- Xie X, Zhong Z, Zhao W, Zheng C, Wang F, Liu J. Chest CT for Typical Coronavirus Disease 2019 (COVID-19) Pneumonia: Relationship to Negative RT-PCR Testing. Radiology. 2020 Aug;296(2):E41-E45. doi: 10.1148/radiol.2020200343. Epub 2020 Feb 12.
- Fang Y, Zhang H, Xie J, Lin M, Ying L, Pang P, Ji W. Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR. Radiology. 2020 Aug;296(2):E115-E117. doi: 10.1148/radiol.2020200432. Epub 2020 Feb 19. No abstract available.
- Bai HX, Hsieh B, Xiong Z, Halsey K, Choi JW, Tran TML, Pan I, Shi LB, Wang DC, Mei J, Jiang XL, Zeng QH, Egglin TK, Hu PF, Agarwal S, Xie FF, Li S, Healey T, Atalay MK, Liao WH. Performance of Radiologists in Differentiating COVID-19 from Non-COVID-19 Viral Pneumonia at Chest CT. Radiology. 2020 Aug;296(2):E46-E54. doi: 10.1148/radiol.2020200823. Epub 2020 Mar 10.
- Bernheim A, Mei X, Huang M, Yang Y, Fayad ZA, Zhang N, Diao K, Lin B, Zhu X, Li K, Li S, Shan H, Jacobi A, Chung M. Chest CT Findings in Coronavirus Disease-19 (COVID-19): Relationship to Duration of Infection. Radiology. 2020 Jun;295(3):200463. doi: 10.1148/radiol.2020200463. Epub 2020 Feb 20.
- Guo L, Wei D, Zhang X, Wu Y, Li Q, Zhou M, Qu J. Clinical Features Predicting Mortality Risk in Patients With Viral Pneumonia: The MuLBSTA Score. Front Microbiol. 2019 Dec 3;10:2752. doi: 10.3389/fmicb.2019.02752. eCollection 2019. Erratum In: Front Microbiol. 2020 Jun 09;11:1304.
- Ki M; Task Force for 2019-nCoV. Epidemiologic characteristics of early cases with 2019 novel coronavirus (2019-nCoV) disease in Korea. Epidemiol Health. 2020;42:e2020007. doi: 10.4178/epih.e2020007. Epub 2020 Feb 9.
Användbara länkar
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- TAC-COVID19
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 .
Kliniska prövningar på covid19
-
Anavasi DiagnosticsHar inte rekryterat ännu
-
Ain Shams UniversityRekrytering
-
Israel Institute for Biological Research (IIBR)Avslutad
-
Colgate PalmoliveAvslutad
-
Christian von BuchwaldAvslutad
-
Luye Pharma Group Ltd.Shandong Boan Biotechnology Co., LtdAktiv, inte rekryterande
-
University of ZurichLabor Speiz; Swiss Armed Forces; Universitätsspital ZürichAnmälan via inbjudan
-
Alexandria UniversityAvslutad
-
Henry Ford Health SystemAvslutad