用于 COVID-19 预后的人工智能 CT 生物标志物识别 (COVID 19-IA)
2025年3月7日 更新者：Centre Hospitalier Universitaire de Nīmes
通过深度学习识别胸部 CT 扫描生物标志物以评估 COVID-19 疾病患者的预后
研究假设是低剂量计算机断层扫描 (LDCT) 与深度学习人工智能相结合，将产生与患者短期和中期预后相关的成像生物标志物。
本研究的目的是基于多种生物标志物（临床、生物学、胸部成像扫描仪）允许个性化医疗和更好地预测患者在护理组织方面的演变。
研究概览
研究类型
观察性的
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。
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
- 孩子
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
经 RT-PCR 确认并接受 CT 扫描的 Covid-19 住院患者
描述
纳入标准：
- 根据 2020 年 3 月 1 日至 5 月 31 日期间的 RT-PCR 检测，SARS-CoV-2 阳性患者
- 接受低剂量 CT 扫描以确定 Covid-19 肺损伤的患者
- 可用于至少 8 天的随访
排除标准：
• 反对回顾性使用其数据的患者
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 |
|---|---|
|
SARS-CoV-2 阳性患者
|
低剂量计算机断层扫描
|
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 |
|---|---|---|
|
生命状况
大体时间：第八天
|
死/活
|
第八天
|
|
需要超过 3 升氧气以维持饱和度 >95% 的患者（重症监护病房或复苏部门）
大体时间：第八天
|
是/否
|
第八天
|
|
CT 上受影响的肺百分比
大体时间：第 0 天
|
通过深度学习计算的 % 毛玻璃和凝结
|
第 0 天
|
|
扫描时受磨玻璃影影响的肺百分比
大体时间：第 0 天
|
深度学习计算的百分比
|
第 0 天
|
|
扫描时受冷凝影响的肺百分比
大体时间：第 0 天
|
深度学习计算的百分比
|
第 0 天
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
生命状况
大体时间：第 16 天
|
死/活
|
第 16 天
|
|
生命状况
大体时间：第 30 天
|
死/活
|
第 30 天
|
|
住院时间
大体时间：最长 30 天
|
天
|
最长 30 天
|
|
再入院
大体时间：第 30 天
|
是/否
|
第 30 天
|
|
插管时间
大体时间：第 30 天
|
天
|
第 30 天
|
|
CT 上受影响的肺百分比
大体时间：第 16 天
|
通过深度学习计算的 % 毛玻璃和凝结
|
第 16 天
|
|
扫描时受磨玻璃影影响的肺百分比
大体时间：第 16 天
|
深度学习计算的百分比
|
第 16 天
|
|
扫描时受冷凝影响的肺百分比
大体时间：第 16 天
|
深度学习计算的百分比
|
第 16 天
|
|
软件运行时间
大体时间：研究结束（2020 年 8 月）
|
取决于扫描仪品牌的图像加载和图像处理速度
|
研究结束（2020 年 8 月）
|
|
C反应蛋白水平
大体时间：入学第0天
|
毫克/升
|
入学第0天
|
|
乳酸脱氢酶
大体时间：入学第0天
|
上/下
|
入学第0天
|
|
淋巴细胞血症
大体时间：入学第0天
|
克/升
|
入学第0天
|
|
D二聚体水平
大体时间：入学第0天
|
微克/升
|
入学第0天
|
|
出现症状的时间
大体时间：入学第0天
|
天
|
入学第0天
|
|
RT-PCR 阳性结果与第一次扫描之间的时间
大体时间：入学第0天
|
小时
|
入学第0天
|
|
年龄
大体时间：入学第0天
|
年
|
入学第0天
|
|
体重指数> 30
大体时间：入学第0天
|
是/否：
|
入学第0天
|
|
心血管疾病病史
大体时间：入学第0天
|
是/否：高血压、冠状动脉疾病、充血性心力衰竭、心律失常
|
入学第0天
|
|
糖尿病
大体时间：入学第0天
|
是/否
|
入学第0天
|
|
呼吸道疾病病史
大体时间：入学第0天
|
是/否：慢性阻塞性肺病、慢性呼吸衰竭
|
入学第0天
|
|
免疫抑制病史
大体时间：入学第0天
|
是/否：类固醇的使用、预先存在的免疫状况、目前的癌症化疗
|
入学第0天
|
|
当前或以前的吸烟史
大体时间：入学第0天
|
是/否：
|
入学第0天
|
|
根据临床、生物学和 CT 参数计算预后评分
大体时间：第八天
|
深度学习算法
|
第八天
|
|
仅根据临床和生物学参数计算预后评分
大体时间：第八天
|
深度学习算法
|
第八天
|
|
比较有和没有 CT 参数的预后评分的接受者操作曲线
大体时间：第八天
|
第八天
|
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。
调查人员
- 首席研究员：Julien Frandon、CHU Nîmes
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 (估计的)
2020年3月1日
初级完成 (估计的)
2021年9月1日
研究完成 (估计的)
2021年9月1日
研究注册日期
首次提交
2020年6月4日
首先提交符合 QC 标准的
2020年6月4日
首次发布 (实际的)
2020年6月5日
研究记录更新
最后更新发布 (实际的)
2025年3月25日
上次提交的符合 QC 标准的更新
2025年3月7日
最后验证
2025年3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.