重症 COVID-19 诊断和预后的预测模型

1. 研究目的

   研究团队收集了来自多家医院的 1,000 名 COVID-19 患者的临床和胸部 CT。 我们计划利用这些数据探索 COVID-19 的影像特征，开发一种方便、易用、高可靠的影像 AI 模型，用于检测和预测重症 COVID-19。 该模型用于对COVID-19患者进行影像学评估，以达到早期诊断、合理管理患者和预测重症COVID-19的目的。

2. 研究设计和方法：

本研究为回顾性研究。 项目研究期为6个月。 开始时间：伦理批准之日。

结束时间：2020年8月20日。

2.1 建立COVID-19胸部CT病灶检测AI模型 基于现有模型和数据，在COVID-19胸部高分辨率CT（HRCT）图像上快速检测病灶，识别病灶特征包括病变的体积。

2.1.1 研究数据 COVID-19组：浙江省内外十余家定点医院SARS-CoV-2核酸检测呈阳性的1000例COVID-19患者。 均行胸部HRCT检查，临床及实验室资料较为完整。

对照组：合并其他病毒性、细菌性肺炎患者。 收集多中心1000例其他类型肺炎患者，均行胸部HRCT检查，临床资料较为完整。

2.1.2 研究方法

1. 病变检测、分割和量化。 基于依图科技开发的人工智能分析功能，对患者的胸部CT图像数据进行分析，包括：a．检测肺部病变； b. 对病变的形状、范围、密度等关键影像学特征进行定量和放射组学分析，准确计算疾病的累积肺炎负荷； C。 对于局灶性病变、弥漫性病变，定量分析累及全肺的各种肺炎疾病的严重程度。
2. 基于上述病灶分割检测结果，分析COVID-19的特征表现。 观察 COVID-19 和其他肺炎患者肺部病灶数量、形状、范围、密度和放射组学特征的差异，并量化其独特的肺部特征。 比较分析肺部特征与临床症状、指南分类特征的相关性，阐明定量数学特征在辅助诊断分类中的价值。

2.2 建立预测重症COVID-19的AI模型 通过患者的胸部CT影像数据、患者基本信息、流行病学史、临床症状、基础疾病建立可靠的预测重症COVID-19的AI模型。 拟建立重症COVID-19风险评估系统，既能协助医生对住院患者进行危重评估，又能警示居家隔离患者的重症风险。 该系统将包括简单而准确的模型。 前者仅使用患者图像、基本人口特征、症状和其他易于收集的信息。 这种模式可能适用于有轻症基础数据但不具备救治条件的武汉市。 允许他们在家中或其他没有医疗资源的患者进行隔离，并在医院系统中预警重症改造风险，进行初步检测，便于后续患者管理和救治。 复杂模型会融合更多复杂、详细的信息，例如患者的多张影像、验血数据等，建立更准确的预测模型，为医院患者的诊疗策略提供参考，以及可以提示更多与肺炎相关的 COVID-19 因素。

2.2.1研究对象1000例确诊为新型冠状病毒肺炎轻症患者，根据后续临床转归分为重症组和非重症组。

轻症定义：患者仅表现为全身发热、呼吸道等症状，就诊及随访期间未出现严重症状。

重症定义：治疗期间出现下列情况之一的患者： 1.呼吸窘迫，RR≥30次/分； 2、静息状态下，平均血氧饱和度≤93%； 3、动脉血氧分压（PaO2）/吸入氧浓度（FiO2）≤300mmHg（1mmHg=0.133kPa）； 4.发生呼吸衰竭，需要机械通气； 5、发生震动； 6.合并其他脏器功能衰竭需ICU监护治疗。

2.2.2 研究方法本研究采用人工智能技术预测轻症患者的病情严重程度。 其建模所需的数据来自多个来源：（1）利用放射组学分析技术，提取患者的CT图像，包括胸部CT值、病灶形状和大小等高维成像放射组学特征，如纹理和小波特征获取更准确、更全面的图像数据信息。 依图现有影像组学特征提取工具，最多可提取5900张CT图像特征，使肺部状态更准确的评估和预测成为可能； （2）采集影像医师对CT影像征象的主观评价信息，以及患者基本信息、病史、实验室检查结果、临床症状等多维度信息； (3) 基于开发的胸部CT图像分析功能，利用深度学习技术提取肺炎负荷指数、斑块半定量信息等定量参数。

收集的总数据集分为训练集和内部验证集。 首先，通过传统医学和多维AI算法对信息进行分析，综合定量分析该数据列是否被纳入预测模型，以及模型中的权重，寻找强相关因素。 尝试利用机器学习、深度学习等人工智能算法建立重症COVID-19风险预测模型。 并将结果输出患者严重程度的概率，并对患者严重程度的风险进行分类。 通过敏感性、特异性等指标评估模型识别高危和低危患者的能力，初步验证模型的稳定性。

2.2.3 临床应用验证 预测模型建立后，预测模型将继续用于后续多中心补充临床患者数据，利用患者随访数据验证其敏感性和特异性，并不断纳入将新收集的数据放入模型训练集中，不断改进预测模型。 提高风险评估模型的应用效率。 最终将降低重症患者的转化率，减轻轻症患者的管理压力，更好地辅助医生进行临床诊疗决策和患者管理。