Predict + Protect: Randomizovaná kontrolovaná studie zkoumající účinnost prediktivní zdravotní výchovné intervence o osvojení ochranného chování souvisejícího s onemocněním podobným chřipce (ILI)
Přehled studie
Postavení
Postavení
Podmínky
Podmínky
Intervence / Léčba
Intervence / Léčba
Typ studie
Typ studie
Zápis (Odhadovaný)
Zápis
Fáze
Fáze
- Nelze použít
Kontakty a umístění
Studijní kontakt
Studijní kontakt
- Jméno: Ernesto Ramirez, PhD
- Telefonní číslo: 415-650-4741
- E-mail: help@evidation.com
Studijní záloha kontaktů
- Jméno: Joyce HN Nortey, MPH, MSBH
- Telefonní číslo: 415-650-4741
- E-mail: help@evidation.com
Studijní místa
-
-
California
-
San Mateo, California, Spojené státy, 94402
- Evidation Health
-
-
Kritéria účasti
Kritéria způsobilosti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Popis
Kritéria pro zařazení:
- Člen platformy Evidation
- 18 let nebo starší
- Žije v U.S.
- V současné době vlastní a používá spotřebitelský nositelný sledovač aktivit (Apple Watch, Garmin nebo Fitbit) propojený s jejich účtem Evidation
- Splňuje požadavky na hustotu dat pro nositelná data: Údaje o krocích a srdečním tepu jsou k dispozici za 15 % z posledních 60 dnů (nebo ne méně než 2 celkové dny u účtů Evidation mladších než 60 dnů)
Kritéria vyloučení:
- Nemá účet Evidation
- Ne starší 18 let
- Nežije v U.S.
- Nemá sledování aktivity propojené s jejich účtem Evidation
- Zapsána do programu monitorování a zapojení ILI podporovaného Evidation nebo do klinické studie (např. FluSmart)
Studijní plán
Jak je studie koncipována?
Detaily designu
- Primární účel: Prevence
- Přidělení: Randomizované
- Intervenční model: Faktorové přiřazení
- Maskování: Singl
Počet zbraní
Zbraně a zásahy
Skupina účastníků / ArmSkupina účastníků / Arm |
Intervence / LéčbaIntervence / Léčba |
|---|---|
|
Experimentální: Proaktivní obsah a předpovědi ILI
Účastníci obdrží prediktivní upozornění, reaktivní obsah po nahlášení příznaků nebo obdržení asymptomatické předpovědi a zdravotní vzdělávací obsah související s ILI
|
Účastníci získají vzdělávání týkající se ILI, zpětnou vazbu a příležitosti k sebemonitorování příznaků ILI, navíc také obdrží upozornění na potenciální onemocnění ILI a reaktivní a personalizovaný obsah o ochranném zdravotním chování.
|
|
Experimentální: Žádný proaktivní obsah a předpovědi ILI
Účastníci obdrží prediktivní výstrahy a reaktivní obsah po nahlášení příznaků nebo obdržení asymptomatické předpovědi, ale nebudou dostávat proaktivní obsah ILI
|
Účastníci dostávají upozornění na potenciální onemocnění ILI a reaktivní a personalizovaný obsah o ochranném zdravotním chování.
|
|
Experimentální: Proaktivní obsah ILI a žádné předpovědi
Po nahlášení příznaků nebudou účastníci dostávat prediktivní výstrahy ani reaktivní obsah, ale obdrží proaktivní obsah ILI
|
Účastníci získají vzdělání související s ILI, zpětnou vazbu a příležitosti k sebemonitorování symptomů ILI.
|
|
Experimentální: Žádný proaktivní obsah ILI a žádné předpovědi
Účastníci neobdrží prediktivní výstrahy ani reaktivní obsah po nahlášení příznaků nebo proaktivního obsahu ILI
|
Účastníci neobdrží prediktivní upozornění ani reaktivní obsah po nahlášení příznaků nebo proaktivního zdravotně vzdělávacího obsahu souvisejícího s IILI
|
Co je měření studie?
Primární výstupní opatření
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Primárním cílem této studie je zhodnotit účinnost prediktivního algoritmu detekce ILI a souvisejících upozornění na zdravotní a behaviorální výsledky související s ILI.
Časové okno: Po dokončení studia, přibližně 10 měsíců
|
Rozdíl mezi skupinami s prediktivní výstrahou a skupinou bez prediktivní výstrahy v podílu členů kohorty, kteří provedli jakékoli cílové zdravotní chování 1–4 (tj.
provedl alespoň jeden z: snížené šíření, testoval, vyhledal lékařskou pomoc nebo dodržoval léčbu)
|
Po dokončení studia, přibližně 10 měsíců
|
Sekundární výstupní opatření
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Sekundárním cílem je posoudit přesnost algoritmu detekce ILI pomocí samostatně hlášených symptomů a diagnostiky ILI
Časové okno: Po dokončení studia, přibližně 10 měsíců
|
Vyhodnoťte výkon algoritmu (ve srovnání se štítky z příznaků ILI, které si sami oznámili, a/nebo z pozitivní diagnózy, které si sami oznámili) celkově a podle použitého modelu.
Výkon algoritmu bude hodnocen v různých dimenzích včetně ROC AUC, citlivosti, specificity, PPV a NPV
|
Po dokončení studia, přibližně 10 měsíců
|
Další výstupní opatření
Další výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Průzkumným cílem je posoudit rozdíly v účinnosti mezi čtyřmi skupinami ohledně zdravotních a behaviorálních výsledků souvisejících s ILI
Časové okno: Po dokončení studia, přibližně 10 měsíců
|
Rozdíl mezi všemi skupinami v podílu členů kohorty, kteří prováděli jakékoli cílové zdravotní chování 1-4 (tj.
provedl alespoň jeden z: snížené šíření, testoval, vyhledal lékařskou pomoc nebo dodržoval léčbu)
|
Po dokončení studia, přibližně 10 měsíců
|
Spolupracovníci a vyšetřovatelé
Sponzor
Sponzor
Spolupracovníci
Spolupracovníci
Vyšetřovatelé
Vyšetřovatelé
- Vrchní vyšetřovatel: Ernesto H.N. Ramirez, PhD, Evidation
Publikace a užitečné odkazy
Obecné publikace
- McCambridge J, Witton J, Elbourne DR. Systematic review of the Hawthorne effect: new concepts are needed to study research participation effects. J Clin Epidemiol. 2014 Mar;67(3):267-77. doi: 10.1016/j.jclinepi.2013.08.015. Epub 2013 Nov 22.
- Tokars JI, Olsen SJ, Reed C. Seasonal Incidence of Symptomatic Influenza in the United States. Clin Infect Dis. 2018 May 2;66(10):1511-1518. doi: 10.1093/cid/cix1060.
- Wiemken TL, Khan F, Puzniak L, Yang W, Simmering J, Polgreen P, Nguyen JL, Jodar L, McLaughlin JM. Seasonal trends in COVID-19 cases, hospitalizations, and mortality in the United States and Europe. Sci Rep. 2023 Mar 8;13(1):3886. doi: 10.1038/s41598-023-31057-1.
- Temple DS, Hegarty-Craver M, Furberg RD, Preble EA, Bergstrom E, Gardener Z, Dayananda P, Taylor L, Lemm NM, Papargyris L, McClain MT, Nicholson BP, Bowie A, Miggs M, Petzold E, Woods CW, Chiu C, Gilchrist KH. Wearable Sensor-Based Detection of Influenza in Presymptomatic and Asymptomatic Individuals. J Infect Dis. 2023 Apr 12;227(7):864-872. doi: 10.1093/infdis/jiac262.
- Mezlini A, Shapiro A, Daza EJ, Caddigan E, Ramirez E, Althoff T, Foschini L. Estimating the Burden of Influenza-like Illness on Daily Activity at the Population Scale Using Commercial Wearable Sensors. JAMA Netw Open. 2022 May 2;5(5):e2211958. doi: 10.1001/jamanetworkopen.2022.11958.
- Shapiro A, Marinsek N, Clay I, Bradshaw B, Ramirez E, Min J, Trister A, Wang Y, Althoff T, Foschini L. Characterizing COVID-19 and Influenza Illnesses in the Real World via Person-Generated Health Data. Patterns (N Y). 2020 Dec 13;2(1):100188. doi: 10.1016/j.patter.2020.100188. eCollection 2021 Jan 8.
- Hunter V, Shapiro A, Chawla D, Drawnel F, Ramirez E, Phillips E, Tadesse-Bell S, Foschini L, Ukachukwu V. Characterization of Influenza-Like Illness Burden Using Commercial Wearable Sensor Data and Patient-Reported Outcomes: Mixed Methods Cohort Study. J Med Internet Res. 2023 Mar 23;25:e41050. doi: 10.2196/41050.
- Mayer C, Tyler J, Fang Y, Flora C, Frank E, Tewari M, Choi SW, Sen S, Forger DB. Consumer-grade wearables identify changes in multiple physiological systems during COVID-19 disease progression. Cell Rep Med. 2022 Apr 19;3(4):100601. doi: 10.1016/j.xcrm.2022.100601. eCollection 2022 Apr 19.
- Nestor B, Hunter J, Kainkaryam R, Drysdale E, Inglis JB, Shapiro A, Nagaraj S, Ghassemi M, Foschini L, Goldenberg A. Machine learning COVID-19 detection from wearables. Lancet Digit Health. 2023 Apr;5(4):e182-e184. doi: 10.1016/S2589-7500(23)00045-6. No abstract available.
- Merrill MA, Safranchik E, Kolbeinsson A, Gade P, Ramirez E, Schmidt L, Foshchini L, Althoff T. Homekit2020: A benchmark for time series classification on a large mobile sensing dataset with laboratory tested ground truth of influenza infections. Proceedings of Machine Learning Research LEAVE UNSET:1-22, 2023.
- Rosenstock, I. M. (2000). Health Belief Model. In A. E. Kazdin (Ed.), Encyclopedia of psychology (Vol. 4, pp. 78-80). Oxford University Press.
- Zewdie A, Mose A, Sahle T, Bedewi J, Gashu M, Kebede N, Yimer A. The health belief model's ability to predict COVID-19 preventive behavior: A systematic review. SAGE Open Med. 2022 Jul 22;10:20503121221113668. doi: 10.1177/20503121221113668. eCollection 2022.
- Mercadante AR, Law AV. Will they, or Won't they? Examining patients' vaccine intention for flu and COVID-19 using the Health Belief Model. Res Social Adm Pharm. 2021 Sep;17(9):1596-1605. doi: 10.1016/j.sapharm.2020.12.012. Epub 2020 Dec 30.
- Gutierrez F, Wolfe J. Using the Health Belief Model to improve influenza vaccination rates. JAAPA. 2022 Oct 1;35(10):46-47. doi: 10.1097/01.JAA.0000873832.52485.65.
- Richardson KM, Jospe MR, Saleh AA, Clarke TN, Bedoya AR, Behrens N, Marano K, Cigan L, Liao Y, Scott ER, Guo JS, Aguinaga A, Schembre SM. Use of Biological Feedback as a Health Behavior Change Technique in Adults: Scoping Review. J Med Internet Res. 2023 Sep 25;25:e44359. doi: 10.2196/44359.
- LaFave SE, Granbom M, Cudjoe TKM, Gottsch A, Shorb G, Szanton SL. Attention control group activities and perceived benefit in a trial of a behavioral intervention for older adults. Res Nurs Health. 2019 Dec;42(6):476-482. doi: 10.1002/nur.21992. Epub 2019 Oct 24.
- Lee JL, Foschini L, Kumar S, Juusola J, Liska J, Mercer M, Tai C, Buzzetti R, Clement M, Cos X, Ji L, Kanumilli N, Kerr D, Montanya E, Muller-Wieland D, Ostenson CG, Skolnik N, Woo V, Burlet N, Greenberg M, Samson SI. Digital intervention increases influenza vaccination rates for people with diabetes in a decentralized randomized trial. NPJ Digit Med. 2021 Sep 17;4(1):138. doi: 10.1038/s41746-021-00508-2.
- Mansournia MA, Higgins JP, Sterne JA, Hernan MA. Biases in Randomized Trials: A Conversation Between Trialists and Epidemiologists. Epidemiology. 2017 Jan;28(1):54-59. doi: 10.1097/EDE.0000000000000564. Erratum In: Epidemiology. 2018 Sep;29(5):e49. doi: 10.1097/EDE.0000000000000846.
Užitečné odkazy
- Centers for Disease Control and Prevention, National Center for Immunization and Respiratory Diseases (NCIRD). Past Seasons Estimated Influenza Disease Burden
- Centers for Disease Control and Prevention, National Center for Immunization and Respiratory Diseases (NCIRD). Past Seasons Estimated Influenza Disease Burden
- Centers for Disease Control and Prevention. COVID Data Tracker.
- Centers for Disease Control and Prevention, Office of Public Health Data, Surveillance, and Technology. 2023. RESP-NET Interactive Dashboard.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Začátek studia
Primární dokončení (Aktuální)
Primární dokončení
Dokončení studie (Odhadovaný)
Dokončení studie
Termíny zápisu do studia
První předloženo
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
První zveřejněno
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Poslední zveřejněná aktualizace
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
Další identifikační čísla studie
- Predict + Protect Study
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .