免费获得国外相关药品,最快 1 个工作日回馈药物信息

出境医 / 临床实验 / Covid-19使用人工智能(AI)的感染和机器学习

Covid-19使用人工智能(AI)的感染和机器学习

研究描述
简要摘要:

Covid-19的感染目前通过粘膜拭子从粘膜拭子开始,随后是病毒RNA提取和加工和QPCR确认。

我们的研究旨在使用机器学习和人工智能(AI)算法探索一种新的方法,通过对外周血中淋巴细胞亚体的形态学分析来诊断Covid-19感染。我们的研究还将基于上述发现以及其他临床,血液学和生化参数以及以高灵敏度和特异性来预测其临床结果的其他发现以及其他临床,血液学和生化参数的风险。


病情或疾病
COVID-19 COVID SARS-COV 2

详细说明:

这是一项观察性研究,将与萨福克大学(UOS)合作在东萨福克和北埃塞克斯NHS基金会信托(ESNEFT)进行。这项研究由血液学临床团队领导。

我们旨在分析使用机器学习和AI算法的前瞻性血液涂片幻灯片中的淋巴细胞亚群,该算法是从需要医院入院的COVID-19的患者中获得的QPCR检测阳性的患者。对照组将包括来自i)未经抑制病毒感染的患者的存档血液涂片幻灯片数据,以及II)在英国在联合王国的Covid-19感染之前获得了非卵泡19病毒感染的患者。 。总共将分析785张血液涂片玻片。我们研究的目的是基于其他非COVID -19病毒感染患者的淋巴细胞形态建立COVID 19感染的诊断。将使用开源组织病理学成像软件细胞生产膜分析来自COVID 19感染和对照组的高清晰度单细胞淋巴细胞图像,以通过受监督和无监督的机器学习算法来识别细胞的细胞质和核细节,以识别细胞的细胞质和核细节。共同19感染。该研究还将评估其他相关的临床,血液学和生化参数,并结合上述形态学特征,以开发一种风险分层工具,以使用生物信息学管道来预测具有高特异性和敏感性的Covid-19感染患者的临床结果。

学习规划
研究信息的布局表
研究类型观察
估计入学人数 785名参与者
观察模型:队列
时间观点:其他
官方标题:快速诊断使用临床和图像分析参数来评估外周血中的淋巴细胞亚群,快速诊断为人工智能阳性患者(AI)算法(AI)算法
实际学习开始日期 2020年7月6日
估计初级完成日期 2021年7月1日
估计 学习完成日期 2021年7月1日
武器和干预措施
小组/队列
COVID 19组
COVID 19组将包括来自Covid-19的QPCR结果呈阳性的医院患者的外周血涂片幻灯片。
控制组
对照组将包括I)无病毒感染患者的外周血涂片片和非SARS-COV-2病毒感染患者的II)。对照组的外围血液载玻片将随机从设施内的实验室载玻片档案中选择。所使用的实验室幻灯片将包括在英国Covid-19感染出现之前存档的幻灯片。
结果措施
主要结果指标
  1. 使用基于AI的图像分析模型进行诊断Covid-19的特异性和灵敏度。 [时间范围:6个月]
    该研究的主要结果是,使用基于AI的图像分析建模,可以评估单独对淋巴细胞的详细形态分析是否仅能确定,迅速地诊断出具有高特异性和敏感性的Covid-19疾病。


次要结果度量
  1. 风险分层建模[时间范围:6个月]
    该研究的次要结果度量将是创建风险分层建模,以根据我们上述,新颖的诊断工具以及其他临床,血液学和生化参数来帮助预测感染的严重程度和死亡率;确保高特异性,并在医院和门诊环境中促进患者的管理。该模型建议打算使用和评估临床参数,包括在静脉时以及其他重要统计数据,包括:脉冲,血压和呼吸速率,以及其他参数,以及LDH,铁蛋白,C反应蛋白(C-反应蛋白)( CRP),D-二聚体,肾功能,共同有助于预测疾病的结果和严重程度。


资格标准
有资格信息的布局表
符合研究资格的年龄: 18岁以上(成人,老年人)
有资格学习的男女:全部
接受健康的志愿者:
采样方法:非概率样本
研究人群
从成年非SARS-COV-2阳性患者和成年阳性SARS-COV-2患者获得的外周血涂片。
标准

纳入标准:

  • 女或男性参与者
  • 年龄超过18岁(没有年龄上限)
  • 基于QPCR的SARS-COV-2阳性诊断患者(研究Covid 19组)
  • 未经病毒感染的患者的外周血涂片滑片,在英国covid-19感染出现之前,在实验室幻灯片档案中重新库存(对照组)
  • 来自非SARS-COV-2病毒感染的患者的外周血涂片滑片在英国(对照组)的COVID-19感染出现之前,该患者在设施内的实验室滑梯档案中重新库存。

排除标准:

  • 小于18岁的患者
  • SARS-COV-2阴性诊断的患者基于血液学恶性肿瘤,淋巴细胞增多作为主要表现。
  • 过去由于潜在的炎症性疾病而患有淋巴细胞减少症的患者。
  • 由于先前的细胞毒性或免疫抑制治疗而患有淋巴细胞减少症的患者。
  • 人类免疫缺陷病毒(HIV)的阳性诊断。
联系人和位置

联系人
位置联系人的布局表
联系人:Esneft研发部门01473 704343 EXT 6343 r&d@esneft.nhs.uk

位置
位置表的布局表
英国
东萨福克和北埃塞克斯NHS基金会信托基金招募
伊普斯维奇,英国,IP4 5pd
联系人:R&D部门r&d@esneft.nhs.uk
赞助商和合作者
东萨福克和北埃塞克斯NHS基金会信托基金
萨福克大学
调查人员
调查员信息的布局表
首席研究员: Mahesh Prahladan东萨福克和北埃塞克斯NHS基金会信托基金
追踪信息
首先提交日期2021年2月15日
第一个发布日期2021年2月16日
最后更新发布日期2021年2月16日
实际学习开始日期2020年7月6日
估计初级完成日期2021年7月1日(主要结果度量的最终数据收集日期)
当前的主要结果指标
(提交:2021年2月15日)
使用基于AI的图像分析模型进行诊断Covid-19的特异性和灵敏度。 [时间范围:6个月]
该研究的主要结果是,使用基于AI的图像分析建模,可以评估单独对淋巴细胞的详细形态分析是否仅能确定,迅速地诊断出具有高特异性和敏感性的Covid-19疾病。
原始主要结果指标与电流相同
改变历史没有发布更改
当前的次要结果指标
(提交:2021年2月15日)
风险分层建模[时间范围:6个月]
该研究的次要结果度量将是创建风险分层建模,以根据我们上述,新颖的诊断工具以及其他临床,血液学和生化参数来帮助预测感染的严重程度和死亡率;确保高特异性,并在医院和门诊环境中促进患者的管理。该模型建议打算使用和评估临床参数,包括在静脉时以及其他重要统计数据,包括:脉冲,血压和呼吸速率,以及其他参数,以及LDH,铁蛋白,C反应蛋白(C-反应蛋白)( CRP),D-二聚体,肾功能,共同有助于预测疾病的结果和严重程度。
原始的次要结果指标与电流相同
当前其他预先指定的结果指标不提供
其他其他预先指定的结果指标不提供
描述性信息
简短标题Covid-19使用人工智能(AI)的感染和机器学习
官方头衔快速诊断使用临床和图像分析参数来评估外周血中的淋巴细胞亚群,快速诊断为人工智能阳性患者(AI)算法(AI)算法
简要摘要

Covid-19的感染目前通过粘膜拭子从粘膜拭子开始,随后是病毒RNA提取和加工和QPCR确认。

我们的研究旨在使用机器学习和人工智能(AI)算法探索一种新的方法,通过对外周血中淋巴细胞亚体的形态学分析来诊断Covid-19感染。我们的研究还将基于上述发现以及其他临床,血液学和生化参数以及以高灵敏度和特异性来预测其临床结果的其他发现以及其他临床,血液学和生化参数的风险。

详细说明

这是一项观察性研究,将与萨福克大学(UOS)合作在东萨福克和北埃塞克斯NHS基金会信托(ESNEFT)进行。这项研究由血液学临床团队领导。

我们旨在分析使用机器学习和AI算法的前瞻性血液涂片幻灯片中的淋巴细胞亚群,该算法是从需要医院入院的COVID-19的患者中获得的QPCR检测阳性的患者。对照组将包括来自i)未经抑制病毒感染的患者的存档血液涂片幻灯片数据,以及II)在英国在联合王国的Covid-19感染之前获得了非卵泡19病毒感染的患者。 。总共将分析785张血液涂片玻片。我们研究的目的是基于其他非COVID -19病毒感染患者的淋巴细胞形态建立COVID 19感染的诊断。将使用开源组织病理学成像软件细胞生产膜分析来自COVID 19感染和对照组的高清晰度单细胞淋巴细胞图像,以通过受监督和无监督的机器学习算法来识别细胞的细胞质和核细节,以识别细胞的细胞质和核细节。共同19感染。该研究还将评估其他相关的临床,血液学和生化参数,并结合上述形态学特征,以开发一种风险分层工具,以使用生物信息学管道来预测具有高特异性和敏感性的Covid-19感染患者的临床结果。

研究类型观察
学习规划观察模型:队列
时间观点:其他
目标随访时间不提供
生物测量不提供
采样方法非概率样本
研究人群从成年非SARS-COV-2阳性患者和成年阳性SARS-COV-2患者获得的外周血涂片。
健康)状况
  • 新冠肺炎
  • 冠状病毒
  • SARS-CoV-2
干涉不提供
研究组/队列
  • COVID 19组
    COVID 19组将包括来自Covid-19的QPCR结果呈阳性的医院患者的外周血涂片幻灯片。
  • 控制组
    对照组将包括I)无病毒感染患者的外周血涂片片和非SARS-COV-2病毒感染患者的II)。对照组的外围血液载玻片将随机从设施内的实验室载玻片档案中选择。所使用的实验室幻灯片将包括在英国Covid-19感染出现之前存档的幻灯片。
出版物 *不提供

*包括数据提供商提供的出版物以及MEDLINE中临床标识符(NCT编号)确定的出版物。
招聘信息
招聘状况招募
估计入学人数
(提交:2021年2月15日)
785
原始估计注册与电流相同
估计学习完成日期2021年7月1日
估计初级完成日期2021年7月1日(主要结果度量的最终数据收集日期)
资格标准

纳入标准:

  • 女或男性参与者
  • 年龄超过18岁(没有年龄上限)
  • 基于QPCR的SARS-COV-2阳性诊断患者(研究Covid 19组)
  • 未经病毒感染的患者的外周血涂片滑片,在英国covid-19感染出现之前,在实验室幻灯片档案中重新库存(对照组)
  • 来自非SARS-COV-2病毒感染的患者的外周血涂片滑片在英国(对照组)的COVID-19感染出现之前,该患者在设施内的实验室滑梯档案中重新库存。

排除标准:

  • 小于18岁的患者
  • SARS-COV-2阴性诊断的患者基于血液学恶性肿瘤,淋巴细胞增多作为主要表现。
  • 过去由于潜在的炎症性疾病而患有淋巴细胞减少症的患者。
  • 由于先前的细胞毒性或免疫抑制治疗而患有淋巴细胞减少症的患者。
  • 人类免疫缺陷病毒(HIV)的阳性诊断。
性别/性别
有资格学习的男女:全部
年龄18岁以上(成人,老年人)
接受健康的志愿者
联系人
联系人:Esneft研发部门01473 704343 EXT 6343 r&d@esneft.nhs.uk
列出的位置国家英国
删除了位置国家
管理信息
NCT编号NCT04756518
其他研究ID编号20/053
有数据监测委员会是的
美国FDA调节的产品
研究美国FDA调节的药物:
研究美国FDA调节的设备产品:
IPD共享声明
计划共享IPD:
责任方东萨福克和北埃塞克斯NHS基金会信托基金
研究赞助商东萨福克和北埃塞克斯NHS基金会信托基金
合作者萨福克大学
调查人员
首席研究员: Mahesh Prahladan东萨福克和北埃塞克斯NHS基金会信托基金
PRS帐户东萨福克和北埃塞克斯NHS基金会信托基金
验证日期2020年7月
研究描述
简要摘要:

Covid-19的感染目前通过粘膜拭子从粘膜拭子开始,随后是病毒RNA提取和加工和QPCR确认。

我们的研究旨在使用机器学习和人工智能(AI)算法探索一种新的方法,通过对外周血中淋巴细胞亚体的形态学分析来诊断Covid-19感染。我们的研究还将基于上述发现以及其他临床,血液学和生化参数以及以高灵敏度和特异性来预测其临床结果的其他发现以及其他临床,血液学和生化参数的风险。


病情或疾病
COVID-19 COVID SARS-COV 2

详细说明:

这是一项观察性研究,将与萨福克大学(UOS)合作在东萨福克和北埃塞克斯NHS基金会信托(ESNEFT)进行。这项研究由血液学临床团队领导。

我们旨在分析使用机器学习和AI算法的前瞻性血液涂片幻灯片中的淋巴细胞亚群,该算法是从需要医院入院的COVID-19的患者中获得的QPCR检测阳性的患者。对照组将包括来自i)未经抑制病毒感染的患者的存档血液涂片幻灯片数据,以及II)在英国在联合王国的Covid-19感染之前获得了非卵泡19病毒感染的患者。 。总共将分析785张血液涂片玻片。我们研究的目的是基于其他非COVID -19病毒感染患者的淋巴细胞形态建立COVID 19感染的诊断。将使用开源组织病理学成像软件细胞生产膜分析来自COVID 19感染和对照组的高清晰度单细胞淋巴细胞图像,以通过受监督和无监督的机器学习算法来识别细胞的细胞质和核细节,以识别细胞的细胞质和核细节。共同19感染。该研究还将评估其他相关的临床,血液学和生化参数,并结合上述形态学特征,以开发一种风险分层工具,以使用生物信息学管道来预测具有高特异性和敏感性的Covid-19感染患者的临床结果。

学习规划
研究信息的布局表
研究类型观察
估计入学人数 785名参与者
观察模型:队列
时间观点:其他
官方标题:快速诊断使用临床和图像分析参数来评估外周血中的淋巴细胞亚群,快速诊断为人工智能阳性患者(AI)算法(AI)算法
实际学习开始日期 2020年7月6日
估计初级完成日期 2021年7月1日
估计 学习完成日期 2021年7月1日
武器和干预措施
小组/队列
COVID 19组
COVID 19组将包括来自Covid-19的QPCR结果呈阳性的医院患者的外周血涂片幻灯片。
控制组
对照组将包括I)无病毒感染患者的外周血涂片片和非SARS-COV-2病毒感染患者的II)。对照组的外围血液载玻片将随机从设施内的实验室载玻片档案中选择。所使用的实验室幻灯片将包括在英国Covid-19感染出现之前存档的幻灯片。
结果措施
主要结果指标
  1. 使用基于AI的图像分析模型进行诊断Covid-19的特异性和灵敏度。 [时间范围:6个月]
    该研究的主要结果是,使用基于AI的图像分析建模,可以评估单独对淋巴细胞的详细形态分析是否仅能确定,迅速地诊断出具有高特异性和敏感性的Covid-19疾病。


次要结果度量
  1. 风险分层建模[时间范围:6个月]
    该研究的次要结果度量将是创建风险分层建模,以根据我们上述,新颖的诊断工具以及其他临床,血液学和生化参数来帮助预测感染的严重程度和死亡率;确保高特异性,并在医院和门诊环境中促进患者的管理。该模型建议打算使用和评估临床参数,包括在静脉时以及其他重要统计数据,包括:脉冲,血压和呼吸速率,以及其他参数,以及LDH,铁蛋白,C反应蛋白(C-反应蛋白)( CRP),D-二聚体,肾功能,共同有助于预测疾病的结果和严重程度。


资格标准
有资格信息的布局表
符合研究资格的年龄: 18岁以上(成人,老年人)
有资格学习的男女:全部
接受健康的志愿者:
采样方法:非概率样本
研究人群
从成年非SARS-COV-2阳性患者和成年阳性SARS-COV-2患者获得的外周血涂片。
标准

纳入标准:

  • 女或男性参与者
  • 年龄超过18岁(没有年龄上限)
  • 基于QPCR的SARS-COV-2阳性诊断患者(研究Covid 19组)
  • 未经病毒感染的患者的外周血涂片滑片,在英国covid-19感染出现之前,在实验室幻灯片档案中重新库存(对照组)
  • 来自非SARS-COV-2病毒感染的患者的外周血涂片滑片在英国(对照组)的COVID-19感染出现之前,该患者在设施内的实验室滑梯档案中重新库存。

排除标准:

  • 小于18岁的患者
  • SARS-COV-2阴性诊断的患者基于血液学恶性肿瘤,淋巴细胞增多作为主要表现。
  • 过去由于潜在的炎症性疾病而患有淋巴细胞减少症的患者。
  • 由于先前的细胞毒性或免疫抑制治疗而患有淋巴细胞减少症的患者。
  • 人类免疫缺陷病毒(HIV)的阳性诊断。
联系人和位置

联系人
位置联系人的布局表
联系人:Esneft研发部门01473 704343 EXT 6343 r&d@esneft.nhs.uk

位置
位置表的布局表
英国
东萨福克和北埃塞克斯NHS基金会信托基金招募
伊普斯维奇,英国,IP4 5pd
联系人:R&D部门r&d@esneft.nhs.uk
赞助商和合作者
东萨福克和北埃塞克斯NHS基金会信托基金
萨福克大学
调查人员
调查员信息的布局表
首席研究员: Mahesh Prahladan东萨福克和北埃塞克斯NHS基金会信托基金
追踪信息
首先提交日期2021年2月15日
第一个发布日期2021年2月16日
最后更新发布日期2021年2月16日
实际学习开始日期2020年7月6日
估计初级完成日期2021年7月1日(主要结果度量的最终数据收集日期)
当前的主要结果指标
(提交:2021年2月15日)
使用基于AI的图像分析模型进行诊断Covid-19的特异性和灵敏度。 [时间范围:6个月]
该研究的主要结果是,使用基于AI的图像分析建模,可以评估单独对淋巴细胞的详细形态分析是否仅能确定,迅速地诊断出具有高特异性和敏感性的Covid-19疾病。
原始主要结果指标与电流相同
改变历史没有发布更改
当前的次要结果指标
(提交:2021年2月15日)
风险分层建模[时间范围:6个月]
该研究的次要结果度量将是创建风险分层建模,以根据我们上述,新颖的诊断工具以及其他临床,血液学和生化参数来帮助预测感染的严重程度和死亡率;确保高特异性,并在医院和门诊环境中促进患者的管理。该模型建议打算使用和评估临床参数,包括在静脉时以及其他重要统计数据,包括:脉冲,血压和呼吸速率,以及其他参数,以及LDH,铁蛋白,C反应蛋白(C-反应蛋白)( CRP),D-二聚体,肾功能,共同有助于预测疾病的结果和严重程度。
原始的次要结果指标与电流相同
当前其他预先指定的结果指标不提供
其他其他预先指定的结果指标不提供
描述性信息
简短标题Covid-19使用人工智能(AI)的感染和机器学习
官方头衔快速诊断使用临床和图像分析参数来评估外周血中的淋巴细胞亚群,快速诊断为人工智能阳性患者(AI)算法(AI)算法
简要摘要

Covid-19的感染目前通过粘膜拭子从粘膜拭子开始,随后是病毒RNA提取和加工和QPCR确认。

我们的研究旨在使用机器学习和人工智能(AI)算法探索一种新的方法,通过对外周血中淋巴细胞亚体的形态学分析来诊断Covid-19感染。我们的研究还将基于上述发现以及其他临床,血液学和生化参数以及以高灵敏度和特异性来预测其临床结果的其他发现以及其他临床,血液学和生化参数的风险。

详细说明

这是一项观察性研究,将与萨福克大学(UOS)合作在东萨福克和北埃塞克斯NHS基金会信托(ESNEFT)进行。这项研究由血液学临床团队领导。

我们旨在分析使用机器学习和AI算法的前瞻性血液涂片幻灯片中的淋巴细胞亚群,该算法是从需要医院入院的COVID-19的患者中获得的QPCR检测阳性的患者。对照组将包括来自i)未经抑制病毒感染的患者的存档血液涂片幻灯片数据,以及II)在英国在联合王国的Covid-19感染之前获得了非卵泡19病毒感染的患者。 。总共将分析785张血液涂片玻片。我们研究的目的是基于其他非COVID -19病毒感染患者的淋巴细胞形态建立COVID 19感染的诊断。将使用开源组织病理学成像软件细胞生产膜分析来自COVID 19感染和对照组的高清晰度单细胞淋巴细胞图像,以通过受监督和无监督的机器学习算法来识别细胞的细胞质和核细节,以识别细胞的细胞质和核细节。共同19感染。该研究还将评估其他相关的临床,血液学和生化参数,并结合上述形态学特征,以开发一种风险分层工具,以使用生物信息学管道来预测具有高特异性和敏感性的Covid-19感染患者的临床结果。

研究类型观察
学习规划观察模型:队列
时间观点:其他
目标随访时间不提供
生物测量不提供
采样方法非概率样本
研究人群从成年非SARS-COV-2阳性患者和成年阳性SARS-COV-2患者获得的外周血涂片。
健康)状况
  • 新冠肺炎
  • 冠状病毒
  • SARS-CoV-2
干涉不提供
研究组/队列
  • COVID 19组
    COVID 19组将包括来自Covid-19的QPCR结果呈阳性的医院患者的外周血涂片幻灯片。
  • 控制组
    对照组将包括I)无病毒感染患者的外周血涂片片和非SARS-COV-2病毒感染患者的II)。对照组的外围血液载玻片将随机从设施内的实验室载玻片档案中选择。所使用的实验室幻灯片将包括在英国Covid-19感染出现之前存档的幻灯片。
出版物 *不提供

*包括数据提供商提供的出版物以及MEDLINE中临床标识符(NCT编号)确定的出版物。
招聘信息
招聘状况招募
估计入学人数
(提交:2021年2月15日)
785
原始估计注册与电流相同
估计学习完成日期2021年7月1日
估计初级完成日期2021年7月1日(主要结果度量的最终数据收集日期)
资格标准

纳入标准:

  • 女或男性参与者
  • 年龄超过18岁(没有年龄上限)
  • 基于QPCR的SARS-COV-2阳性诊断患者(研究Covid 19组)
  • 未经病毒感染的患者的外周血涂片滑片,在英国covid-19感染出现之前,在实验室幻灯片档案中重新库存(对照组)
  • 来自非SARS-COV-2病毒感染的患者的外周血涂片滑片在英国(对照组)的COVID-19感染出现之前,该患者在设施内的实验室滑梯档案中重新库存。

排除标准:

  • 小于18岁的患者
  • SARS-COV-2阴性诊断的患者基于血液学恶性肿瘤,淋巴细胞增多作为主要表现。
  • 过去由于潜在的炎症性疾病而患有淋巴细胞减少症的患者。
  • 由于先前的细胞毒性或免疫抑制治疗而患有淋巴细胞减少症的患者。
  • 人类免疫缺陷病毒(HIV)的阳性诊断。
性别/性别
有资格学习的男女:全部
年龄18岁以上(成人,老年人)
接受健康的志愿者
联系人
联系人:Esneft研发部门01473 704343 EXT 6343 r&d@esneft.nhs.uk
列出的位置国家英国
删除了位置国家
管理信息
NCT编号NCT04756518
其他研究ID编号20/053
有数据监测委员会是的
美国FDA调节的产品
研究美国FDA调节的药物:
研究美国FDA调节的设备产品:
IPD共享声明
计划共享IPD:
责任方东萨福克和北埃塞克斯NHS基金会信托基金
研究赞助商东萨福克和北埃塞克斯NHS基金会信托基金
合作者萨福克大学
调查人员
首席研究员: Mahesh Prahladan东萨福克和北埃塞克斯NHS基金会信托基金
PRS帐户东萨福克和北埃塞克斯NHS基金会信托基金
验证日期2020年7月