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 |
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 |
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 |
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 |
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: | 不 |
采样方法: | 非概率样本 |
联系人:Esneft研发部门 | 01473 704343 EXT 6343 | r&d@esneft.nhs.uk |
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 |
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 | 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 | 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 |
| ||||
干涉 | 不提供 | ||||
研究组/队列 |
| ||||
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 | 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:
排除标准: | ||||
性别/性别 |
| ||||
年龄 | 18岁以上(成人,老年人) | ||||
接受健康的志愿者 | 不 | ||||
联系人 |
| ||||
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 |
| ||||
IPD共享声明 |
| ||||
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 |
| ||||
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 |
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 |
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 |
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 |
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 |
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: | 不 |
采样方法: | 非概率样本 |
联系人:Esneft研发部门 | 01473 704343 EXT 6343 | r&d@esneft.nhs.uk |
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 |
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 | 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 | 风险分层建模[时间范围:6个月] | ||||
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 |
| ||||
干涉 | 不提供 | ||||
研究组/队列 |
| ||||
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 | 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:
排除标准: | ||||
性别/性别 |
| ||||
年龄 | 18岁以上(成人,老年人) | ||||
接受健康的志愿者 | 不 | ||||
联系人 |
| ||||
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 |
| ||||
IPD共享声明 |
| ||||
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 |
| ||||
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 |