Prognosmodeller för diagnos och prognos av allvarlig covid-19

1. Forskningssyfte

   Forskargruppen samlade in den kliniska CT-diagnostiken och bröstkorgs-CT av 1 000 COVID-19-patienter från flera sjukhus. Vi planerar att använda dessa data för att utforska avbildningsfunktionerna hos covid-19 och utveckla en bekväm, lättanvänd, mycket tillförlitlig avbildnings-AI-modell för att upptäcka och förutsäga den svåra covid-19. Modellen används för bildutvärdering av covid-19-patienter, för att uppnå syftet med tidig diagnos, rimlig hantering av patienter och förutsägelse av allvarlig covid-19.

2. Forskningsdesign och metoder:

Denna forskning är en retrospektiv studie. Projektets forskningsperiod har 6 månader. Starttid: datumet för etiskt godkännande.

Sluttid: 20 augusti 2020.

2.1 Etablera en AI-modell för detektering av covid-19 bröst-CT-lesioner Baserat på befintliga modeller och data, snabb upptäckt av lesioner på bröstkorgen högupplösta CT-bilder (HRCT) av covid-19, identifiering av lesionernas karaktär inklusive volymen av lesionerna.

2.1.1 Forskningsdata COVID-19-grupp: 1 000 fall av COVID-19-patienter som testades positiva för nukleinsyra från SARS-CoV-2 på mer än tio utsedda sjukhus inom och utanför Zhejiang-provinsen. alla genomgick bröst-HRCT-undersökning och relativt fullständiga kliniska och laboratoriedata.

Kontrollgrupp: patienter med annan viral och bakteriell lunginflammation. En samling av 1000 patienter med andra typer av lunginflammation på flera centra, alla genomgick en HRCT-undersökning i bröstet och relativt kompletta kliniska data.

2.1.2 Forskningsmetoder

1. Lesionsdetektering, segmentering och kvantifiering. Baserat på analysfunktionen för artificiell intelligens utvecklad av Yitu Technology, analyseras patientens CT-bilddata från bröstet, inklusive: a. Upptäcka lungskador; b. Kvantitativ och radiomikromatisk analys av viktiga avbildningsfunktioner såsom formen, omfattningen och densiteten av lesionerna, och exakt beräkning av den kumulativa lunginflammationsbördan av sjukdomen; c. För fokala lesioner, diffusa lesioner, kvantitativ analys av svårighetsgraden av olika lunginflammationssjukdomar som involverar hela lungan.
2. Baserat på ovan nämnda resultat för upptäckt av lesionssegmentering, analysera de karakteristiska manifestationerna av COVID-19. Observera skillnaderna i antal, form, räckvidd, densitet och radiomikaliska egenskaper hos lungskador hos patienter med COVID-19 och annan lunginflammation, och kvantifiera deras unika lungegenskaper. Jämföra och analysera sambandet mellan lungkaraktäristika och kliniska symtom och riktlinjeklassificeringskarakteristika, och klargör värdet av kvantitativa matematiska egenskaper i hjälpdiagnosklassificering.

2.2 Etablera en AI-modell för att förutsäga allvarlig covid-19 Etablera en tillförlitlig AI-modell för att förutsäga svår covid-19 genom CT-bilder från bröstet av patienten, grundläggande patientinformation, epidemiologisk historia, kliniska symtom och underliggande sjukdomar. Det är planerat att etablera ett allvarligt riskbedömningssystem för covid-19 som inte bara kan hjälpa läkare i den kritiska utvärderingen av patienter på sjukhus, utan också varna för den allvarliga risken för patienter i hemisolering. Systemet kommer att innehålla enkla och exakta modeller. Den förstnämnda använder endast patientbilder, grundläggande demografiska egenskaper, symtom och annan information som är lätt att samla in. Denna modell kan användas i Wuhan City som har grundläggande data för milda fall men inte har några behandlingsförhållanden. Tillåt dem att isoleras hemma eller andra patienter utan medicinska resurser, och tidig varning om risken för allvarlig omvandling i sjukhussystemet för preliminära tester, för att underlätta efterföljande patienthantering och behandling. Den komplexa modellen kommer att inkludera mer komplex och detaljerad information, såsom flera bilder av patienter och blodprovsdata, för att etablera en mer exakt prediktiv modell, som kan användas för att ge referens för diagnos och behandlingsstrategier för patienter på sjukhuset, och kan orsaka fler covid-19-faktorer relaterade till lunginflammation.

2.2.1 Forskningsobjekt 1 000 patienter med lindriga fall av ny coronavirus-lunginflammation diagnostiserades och delades in i svår grupp och icke-svår grupp baserat på efterföljande kliniska resultat.

Definition av lindrig sjukdom: Patienten uppvisade endast symtom som feber och luftvägar i allmänhet och inga allvarliga symtom förekom vid besök och uppföljning.

Definition av allvarlig sjukdom: Patienter som har något av följande tillstånd under behandlingen: 1. Andningsbesvär, RR≥30 slag/min; 2. I vilotillstånd, genomsnittlig syremättnad ≤93 %; 3. Arteriellt syrepartialtryck (PaO2)/Inandningssyrekoncentration (FiO2) ≤300mmHg (1mmHg=0,133kPa); 4. Andningssvikt uppstår och mekanisk ventilation krävs; 5. Chock uppstår; 6. ICU-övervakning och behandling krävs för kombinerad annan organsvikt.

2.2.2 Forskningsmetoder Denna studie använder artificiell intelligens för att förutsäga svårighetsgraden hos patienter med mild sjukdom. De data som krävs för dess modellering kommer från flera källor: (1) Använd radiomikanalysteknik, extrahera CT-bilden av patienten inklusive bröst-CT-värdet, formen och storleken på lesionen högdimensionella radiomikromatiska egenskaper såsom textur och wavelet-funktioner för att få mer exakt och heltäckande bilddatainformation. Yitus befintliga verktyg för extraktion av raidomics-funktioner kan extrahera upp till 5 900 CT-bildfunktioner för att göra lungtillstånd mer exakt bedömning och förutsägelse. Det blir möjligt; (2) Insamling av information om den subjektiva utvärderingen av CT-bildtecken av bildbehandlingsläkare, såväl som multidimensionell information såsom grundläggande patientinformation, sjukdomshistoria, laboratorietestresultat och kliniska symtom; (3) Baserat på den utvecklade bröst-CT-bildanalysen Funktion för att extrahera kvantitativa parametrar såsom lunginflammationsbelastningsindex, patch semi-kvantitativ information och så vidare med hjälp av djupinlärningsteknik.

Den totala insamlade datamängden är uppdelad i utbildningsuppsättning och intern verifieringsuppsättning. För det första analyseras informationen med traditionell medicin och multidimensionell AI-algoritm, analyserar heltäckande och kvantitativt om datakolumnen ingår i prediktionsmodellen och vikten i modellen, och letar efter starkt relaterade faktorer. Försök att använda maskininlärning, djupinlärning och andra AI-algoritmer för att upprätta en riskprediktionsmodell för allvarlig covid-19. Och resultaten visar sannolikheten för patientens svårighetsgrad och klassificerar risken för patientens svårighetsgrad. Utvärdera modellens förmåga att identifiera högrisk- och lågriskpatienter med indikatorer som sensitivitet, specificitet och preliminärt verifiera modellens stabilitet.

2.2.3 Verifiering av klinisk applikation Efter att prediktionsmodellen har etablerats kommer prediktionsmodellen att fortsätta att användas i den efterföljande multicenterinsamlingen av kompletterande klinisk patientdata, använda patientuppföljningsdata för att verifiera dess känslighet och specificitet och kontinuerligt inkorporera de nyligen insamlade data i modellträningsuppsättningen för att kontinuerligt förbättra prediktionsmodellen. Förbättra tillämpningseffektiviteten för riskbedömningsmodeller. I slutändan kommer det att minska omvandlingsfrekvensen för svåra patienter, minska hanteringstrycket för milda patienter och bättre hjälpa läkare i klinisk diagnos och behandlingsbeslut och patienthantering.