Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Artificiell intelligens-assisterad diagnos och prognostisering vid covid-19 med hjälp av elektrokardiogram (AI-COV-19)

24 augusti 2021 uppdaterad av: Imperial College London

Artificiell intelligens-assisterad diagnos och prognostisering vid covid-19 med hjälp av elektrokardiogram och bildbehandling

Coronavirus Disease 2019 (COVID-19) har varit utbredd över hela världen sedan december 2019. Det är mycket smittsamt och allvarliga fall kan leda till akut andnöd eller multipel organsvikt. Den 11 mars 2020 gjorde WHO bedömningen att COVID-19 kan karakteriseras som en pandemi. Med utvecklingen av maskininlärning har djupinlärningsbaserad artificiell intelligens (AI)-teknik visat enorm framgång inom området medicinsk dataanalys på grund av dess förmåga att extrahera rika funktioner från bildbehandling och komplexa kliniska datauppsättningar. I denna studie syftar vi till att använda kliniska data som samlats in som en del av rutinmässig klinisk vård (hjärtspårning, röntgen och CT-skanningar) för att träna artificiell intelligens och maskininlärningsalgoritmer, för att exakt förutsäga sjukdomsförloppet hos patienter med Covid-19 infektion med dessa datauppsättningar.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Coronavirus Disease 2019 (COVID-19) har varit utbredd över hela världen sedan december 2019. Det är mycket smittsamt och allvarliga fall kan leda till akut andnöd eller multipel organsvikt och i slutändan död. Sjukdomen kan bekräftas genom att använda testet för omvänd transkriptionspolymeraskedjereaktion (RT-PCR). EKG, lungröntgen och CT-skanningar är rika källor till data som ger insikt om sjukdomar som annars inte skulle vara tillgängliga.

Att veta vem som ska läggas in på sjukhuset eller intensivvården räddar liv eftersom det hjälper till att mildra resursbristen. Nya verktyg för artificiell intelligens som djupinlärning kommer att möjliggöra en komplex bedömning av bildbehandlingen och kliniska data som potentiellt kan hjälpa kliniker att göra en snabbare och mer exakt diagnos, bättre triage patienter och bedöma behandlingssvar och i slutändan bättre förutsägelse av resultatet. Vår grupp har betydande erfarenhet av att implementera maskininlärningsalgoritmer på stora mängder EKG, såsom från den brittiska biobanken, och föreslår att vi utökar vår teknik till data från patienter med Covid-19.

Detta är en retrospektiv datastudie på patienter med misstänkt och bekräftad covid-19.

Studien syftar till att rekrytera upp till 2000 patienter som kommer att hänvisas till EKG, lungröntgen eller datortomografi vid Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust och London North West London University Healthcare NHS Trust.

För att inkluderas i denna studie måste patienten:

  • har EKG, lungröntgen och/eller CT-bilder (med eller utan kontrast)
  • laboratorietest av Covid-19-virusnukleinsyra (RTPCR-analys med svalgprover) eller klinisk misstanke om Covid19-infektion
  • vara i åldern >18 år Patienter med suboptimala EKG, lungröntgen och CT-studier på grund av artefakter kommer att exkluderas. Patienter kommer också att uteslutas om tidsintervallet mellan EKG, CT-thorax och RT-PCR-analysen var längre än 7 dagar.

Denna studie fick HRA och Health and Care Research Wales (HCRW) godkännande den 18 maj 2020 efter granskning av forskningsetiska kommittén vid ett möte som hölls den 13 maj 2020 (Protokollnummer: 20HH5967; REC-referens: 20/HRA/2467).

Studietyp

Observationell

Inskrivning (Förväntat)

2000

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

  • Storbritannien
      • London, Storbritannien, HA1 3UJ
        • Rekrytering
        • London North West University Healthcare NHS Trust
        • Kontakt:
      • London, Storbritannien, TW7 6AF
      • London, Storbritannien, W12 0NN
        • Aktiv, inte rekryterande
        • Imperial College London (Hammersmith campus)
      • London, Storbritannien, W2 1NY

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

14 år och äldre (Vuxen, Äldre vuxen)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Detta är en retrospektiv datastudie på patienter med misstänkt och bekräftad covid-19.

Studien syftar till att rekrytera upp till 2000 patienter som kommer att hänvisas till EKG, lungröntgen eller datortomografi vid Chelsea and Westminster Hospital NHS Foundation Trust, Imperial College Healthcare NHS Trust och London North West London University Healthcare NHS Trust.

Beskrivning

Inklusionskriterier:

  • har EKG, lungröntgen och/eller CT-bilder (med eller utan kontrast)
  • positivt laboratorietest för Covid-19-virusnukleinsyra (RTPCR-analys med svalgprover) eller klinisk misstanke om Covid-19-infektion
  • vara >18 år

Exklusions kriterier:

  • Suboptimala EKG, lungröntgenbilder eller CT-studier för metoder för djupinlärning på grund av artefakter inklusive allvarliga
  • rörelseartefakter som orsakar suddiga konturer av eller betydande artefakter på grund av metallproteser som orsakar bildförsämring
  • Tidsintervallet mellan EKG, bröst-CT och RT-PCR-analysen var längre än 7 dagar

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

  • Observationsmodeller: Kohort
  • Tidsperspektiv: Retrospektiv

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Noggrannhet i maskininlärning för att kunna förutsäga resultatet av infektion med coronavirus (COVID-19).
Tidsram: I slutet av dataanalyser, cirka 1 år
Noggrannhet med vilken datorbaserad analys (maskininlärning) kan diagnostisera och/eller prognostisera Covid-19 Antal deltagare med COVID19 som dog eller överlevde efter sjukhusinläggning
I slutet av dataanalyser, cirka 1 år
Noggrannhet av maskininlärning för att kunna förutsäga prognos för infektion med coronavirus (COVID-19).
Tidsram: I slutet av dataanalyser, cirka 1 år
Antal deltagare som behövde invasiv vs icke-invasiv ventilation vs avdelningsbaserad vård vs död
I slutet av dataanalyser, cirka 1 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Noggrannhet i maskininlärning för att kunna förutsäga hjärtinblandning av infektion med coronavirus (COVID-19).
Tidsram: I slutet av dataanalyser, cirka 1 år
Antal deltagare som hade covid19-relaterade hjärtproblem.
I slutet av dataanalyser, cirka 1 år
Noggrannhet av maskininlärning kontra mänsklig bedömning för att diagnostisera infektion med coronavirus (COVID-19).
Tidsram: I slutet av dataanalyser, cirka 1 år
Antal deltagare som kan identifieras ha covid19 med hjälp av maskininlärning kontra mänskliga eller andra kliniska tester eller bedömningar
I slutet av dataanalyser, cirka 1 år

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Imperial College London

Samarbetspartners

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

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

26 maj 2020

Primärt slutförande (Förväntat)

1 maj 2022

Avslutad studie (Förväntat)

1 maj 2022

Studieregistreringsdatum

Först inskickad

7 augusti 2020

Först inskickad som uppfyllde QC-kriterierna

11 augusti 2020

Första postat (Faktisk)

12 augusti 2020

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

30 augusti 2021

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

24 augusti 2021

Senast verifierad

1 augusti 2021

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • 20HH5967

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

Ja

IPD-planbeskrivning

Detta är en studie som använder retrospektiva, pseudo-anonymiserade data som inhämtats som en del av rutinmässig klinisk vård för patienterna. Det finns inga direkta risker för patienternas hälsa. Huvudfrågorna kretsar kring datasäkerhet och lagring. För att komma till rätta med detta kommer medlemmar av direktvårdsteamet som inte är medlemmar i forskargruppen att utföra pseudo-anonymiseringen av data och skicka en uppsättning pseudo-anonymiserade data till forskargruppen utan tillgång till pseudo-anonymiseringen koda. Forskargruppen kommer därför inte att kunna identifiera patienterna utifrån dessa data. De pseudo-anonymiserade uppgifterna kommer också att lagras säkert för att ytterligare minimera riskerna.

Tidsram för IPD-delning

inom studietiden

Kriterier för IPD Sharing Access

Forskare av studien

IPD-delning som stöder informationstyp

  • Studieprotokoll
  • Statistisk analysplan (SAP)

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

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 .

Prenumerera