动态量化 COVID-19 疾病严重程度的神经网络模型的回顾性研究
2024年2月22日 更新者：Jianguo Sun、Xinqiao Hospital of Chongqing
该研究旨在收集大样本的 COVID-19 疾病患者的临床症状、实验室和影像学检查数据。
筛选与重大疾病发生相关的生物学指标。
然后，研究人员使用人工智能 (AI) 技术的深度学习方法来寻找可以动态量化 COVID-19 疾病严重程度的预测模型。
研究概览
研究类型
观察性的
注册 (实际的)
1000
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
-
Chongqing、中国、400000
- Xinqiao Hospital of Chongqing
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
18年 至 80年 (成人、年长者)
接受健康志愿者
不适用
取样方法
概率样本
研究人群
COVID-19 病患者
描述
纳入标准：
- 病毒核酸RT-PCR和CT确诊的COVID-19病患者
排除标准：
- 未确诊疑似病例
- 怀孕和哺乳期间的患者
- 临床资料不全
- 研究人员认为患者不符合试验条件
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
观察组
通过 RT-PCR 和 CT 成像检测出 COVID-19 疾病的患者。
|
临床诊断
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
歧视
大体时间：长达 3 个月
|
我们的预测模型的性能通过接受者操作特征 (ROC) 曲线、曲线下面积 (AUC) 和一致性指数 (c-index) 进行评估。
|
长达 3 个月
|
|
校准
大体时间：长达 3 个月
|
校准曲线分析用于显示预测模型预测的临床表型与实际临床表型之间的误差。
|
长达 3 个月
|
|
净收益
大体时间：长达 3 个月
|
通过比较任何阈值的净收益，使用决策曲线分析来确定模型是否可以被视为用于临床决策的有用工具。
|
长达 3 个月
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2020年1月17日
初级完成 (实际的)
2020年8月30日
研究完成 (实际的)
2020年12月31日
研究注册日期
首次提交
2020年3月18日
首先提交符合 QC 标准的
2020年4月12日
首次发布 (实际的)
2020年4月15日
研究记录更新
最后更新发布 (实际的)
2024年2月23日
上次提交的符合 QC 标准的更新
2024年2月22日
最后验证
2024年2月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.