- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT04689711
Prognostické modely pro péči o COVID-19
Generalizovatelné prognostické modely pro rozhodnutí zaměřená na pacienta v COVID-19
Přibližně 20 % pacientů hospitalizovaných s COVID-19 vyžaduje intenzivní péči a případně invazivní mechanickou ventilaci (MV). Preference pacientů s COVID-19 pro MV se mohou lišit, protože intubace u těchto pacientů je často prodloužená (několik týdnů), je prováděna v prostředích charakterizovaných sociální izolací a je spojena s velmi vysokou průměrnou úmrtností. Podpora pacientů stojících před tímto rozhodnutím vyžaduje poskytnutí přesné prognózy jejich pravděpodobných výsledků na základě jejich individuálních charakteristik.
Cílem vyšetřovatelů je proto:
Vytvořte 3 CPM v každém ze 2 nemocničních systémů (tj. 6 různých modelů), abyste mohli předvídat:
i) potřeba MV u pacientů hospitalizovaných s COVID-19; ii) mortalita u pacientů dostávajících MV; iii) délka pobytu na JIP.
Vyhodnoťte geografickou a časovou přepravitelnost těchto modelů a prozkoumejte přístupy k aktualizaci.
- K vyhodnocení geografické přenositelnosti použijí výzkumníci rámec hodnocení a aktualizace vyvinutý (v mateřském grantu PCORI) k posouzení platnosti a zobecnitelnosti CPM napříč různými soubory dat.
- Pro vyhodnocení časové přenositelnosti budou vyšetřovatelé zkoumat jak hlavní vliv kalendářního času, tak i kalendářní čas jako modifikátor účinku.
- Zapojit zúčastněné strany, aby usnadnily co nejlepší využití těchto CPM v péči o pacienty s COVID-19.
Přehled studie
Postavení
Podmínky
Detailní popis
V literatuře napříč zdravotnickými systémy došlo k rozšíření klinických predikčních modelů COVID-19 (CPM), ale platnost a potenciální zobecnění těchto modelů na jiná prostředí není známa. Obecně platí, že většina nemocnic (a systémů) nemá dostatečný počet případů (a výsledků) k vytvoření modelů vhodných pro jejich místní populaci a prediktorové proměnné nejsou jednotně a spolehlivě získávány napříč systémy. Proto je naléhavě potřeba sdružování a harmonizace datových zdrojů a posouzení zobecnitelnosti napříč různými weby, aby bylo možné vytvořit nástroje, které mohou pomoci při rozhodování v různých prostředích. Kromě toho, protože osvědčené postupy se v průběhu času rychle vyvíjejí (např. protahování, minimalizace paralytik, objemy ochrany plic, remdesivir, dexamethason nebo jiná léčba), je aktualizace a rekalibrace těchto CPM zásadně důležitá.
V současném projektu PCORI Methods výzkumníci vyvinuli rámec pro hodnocení a aktualizaci CPM zahrnující jak konvenční, tak nová měřítka výkonnosti. Vyšetřovatelé použijí tento rámec k vyhodnocení prognostických modelů COVID-19 v největší kohortě dosud vyšetřených pacientů s COVID-19, zahrnující 2 soubory dat z velmi odlišných prostředí. Vzhledem k tomu, že pandemie COVID-19 postihuje různé regiony s očekávanými následnými vlnami, je zapotřebí identifikace nejpřesnějších, nejrobustnějších a nejobecnějších prognostických nástrojů, které by vedly k rozhodování zaměřenému na pacienta napříč různými populacemi a prostředími.
Typ studie
Zápis (Aktuální)
Kontakty a umístění
Studijní místa
-
-
Massachusetts
-
Boston, Massachusetts, Spojené státy, 02111
- Tufts Medical Center
-
-
New York
-
Manhasset, New York, Spojené státy, 11030
- Northwell Health (The Feinstein Institutes for Medical Research)
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Pohlaví způsobilá ke studiu
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Pacient, který přežil COVID-19
- Rodinný příslušník/pečovatel pacienta hospitalizovaného kvůli COVID-19
- Lékař se zkušenostmi s péčí o pacienty s COVID-19
- Jiný poskytovatel (pastorační péče, ošetřovatelství, respirační terapie) se zkušenostmi s péčí o pacienty s COVID-19
Kritéria vyloučení:
- Nedokáže číst nebo mluvit anglicky
Studijní plán
Jak je studie koncipována?
Detaily designu
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Změny v diskriminaci modelů (Model 1: potřeba MV u pacientů hospitalizovaných s COVID-19)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledek: Změny v oblasti pod křivkou provozní charakteristiky přijímače (AUC) [delta AUC] pro modely předpovídající pravděpodobnost: potřeby MV u pacientů hospitalizovaných s COVID-19.
|
30 dní od hospitalizace
|
|
Změny v diskriminaci modelu (Model 2: úmrtnost u pacientů léčených MV)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledek: Změny v oblasti pod křivkou provozní charakteristiky přijímače (AUC) [delta AUC] pro modely předpovídající pravděpodobnost: úmrtnosti u pacientů dostávajících MV.
|
30 dní od hospitalizace
|
|
Změny v diskriminaci modelu (Model 3: délka pobytu na JIP)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledek: Změny v oblasti pod křivkou provozní charakteristiky přijímače (AUC) [delta AUC] pro modely předpovídající pravděpodobnost: délky pobytu na JIP.
|
30 dní od hospitalizace
|
|
Změny v kalibraci modelu (Model 1: potřeba MV u pacientů hospitalizovaných s COVID-19)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledek – změny v Harrell's E pro modely předpovídající pravděpodobnost: potřeby MV u pacientů hospitalizovaných s COVID-19.
|
30 dní od hospitalizace
|
|
Změny v kalibraci modelu (Model 2: mortalita u pacientů léčených MV)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledky – změny v Harrellově E pro modely předpovídající pravděpodobnost: úmrtnosti u pacientů dostávajících MV.
|
30 dní od hospitalizace
|
|
Změny v kalibraci modelu (Model 3: délka pobytu na JIP)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledky – změny v Harrellově E pro modely předpovídající pravděpodobnost: délky pobytu na JIP.
|
30 dní od hospitalizace
|
|
Změny v čistém přínosu (Model 1: potřeba MV u pacientů hospitalizovaných s COVID-19)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledek – změny čistého přínosu pro modely předpovídající pravděpodobnost: potřeby MV u pacientů hospitalizovaných s COVID-19.
|
30 dní od hospitalizace
|
|
Změny v čistém přínosu (Model 2: mortalita u pacientů léčených MV)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledky – změny čistého přínosu pro modely predikující pravděpodobnost: úmrtnosti u pacientů dostávajících MV.
|
30 dní od hospitalizace
|
|
Změny čistého přínosu (Model 3: délka pobytu na JIP)
Časové okno: 30 dní od hospitalizace
|
Cíl 1 Výsledek – změny čistého přínosu pro modely predikující pravděpodobnost: délky pobytu na JIP.
|
30 dní od hospitalizace
|
|
Změny v diskriminaci modelů v externí databázi po aktualizaci (Model 1: potřeba MV u pacientů hospitalizovaných s COVID-19)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny v oblasti pod křivkou provozní charakteristiky přijímače (AUC) [delta AUC] pro modely předpovídající pravděpodobnost: potřeby MV u pacientů hospitalizovaných s COVID-19.
|
30 dní od hospitalizace
|
|
Změny v diskriminaci modelu v externí databázi po aktualizaci (Model 2: úmrtnost u pacientů léčených MV)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny v oblasti pod křivkou operační charakteristiky přijímače (AUC) [delta AUC] pro modely předpovídající pravděpodobnost: úmrtnosti u pacientů dostávajících MV.
|
30 dní od hospitalizace
|
|
Změny v diskriminaci modelů v externí databázi po aktualizaci (Model 3: délka pobytu na JIP)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny v oblasti pod křivkou provozní charakteristiky přijímače (AUC) [delta AUC] pro modely předpovídající pravděpodobnost: délky pobytu na JIP.
|
30 dní od hospitalizace
|
|
Změny v kalibraci modelu v externí databázi po aktualizaci (Model 1: potřeba MV u pacientů hospitalizovaných s COVID-19)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny v Harrell's E pro modely předpovídající pravděpodobnost: potřeby MV u pacientů hospitalizovaných s COVID-19.
|
30 dní od hospitalizace
|
|
Změny v kalibraci modelu v externí databázi po aktualizaci (Model 2: mortalita u pacientů léčených MV)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny v Harrell's E pro modely předpovídající pravděpodobnost: úmrtnosti u pacientů dostávajících MV.
|
30 dní od hospitalizace
|
|
Změny v kalibraci modelu v externí databázi po aktualizaci (Model 3: délka pobytu na JIP)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny v Harrellově E pro modely předpovídající pravděpodobnost: délky pobytu na JIP.
|
30 dní od hospitalizace
|
|
Změny čistého přínosu v externí databázi po aktualizaci (Model 1: potřeba MV u pacientů hospitalizovaných s COVID-19)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny čistého přínosu pro modely předpovídající pravděpodobnost: potřeby MV u pacientů hospitalizovaných s COVID-19.
|
30 dní od hospitalizace
|
|
Změny v čistém přínosu v externí databázi po aktualizaci (Model 2: mortalita u pacientů léčených MV)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny čistého přínosu pro modely předpovídající pravděpodobnost: úmrtnosti u pacientů dostávajících MV.
|
30 dní od hospitalizace
|
|
Změny čistého přínosu v externí databázi po aktualizaci (Model 3: délka pobytu na JIP)
Časové okno: 30 dní od hospitalizace
|
Cíl 2 Výsledky – změny čistého přínosu pro modely předpovídající pravděpodobnost: délky pobytu na JIP.
|
30 dní od hospitalizace
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Vnímání, přesvědčení a názory zúčastněných stran na modely předpovědi COVID
Časové okno: 6 měsíců
|
Cíl 3 Výsledek – Výsledek bude posouzen pomocí číselníku odvozeného deduktivně z naší příručky pro strukturované rozhovory, aby bylo možné identifikovat témata, která se objevují v polostrukturovaných sezeních.
Prostřednictvím fokusních skupin pořádaných prostřednictvím synchronních videokonferencí se zapojíme s pacienty a klinickými poskytovateli, abychom identifikovali témata hlášená pacienty a poskytovateli, která se objevují v tom, jak mohou klinické predikční modely podpořit rozhodování v péči o pacienty s COVID-19.
Témata budou identifikována prostřednictvím kvalitativní analýzy zpětné vazby pacientů a poskytovatelů.
Očekáváme, že vyvoláme přesvědčení, názory a hodnoty pacientů a poskytovatelů ohledně vědeckých, etických a pragmatických aspektů použití těchto modelů k podpoře rozhodování.
|
6 měsíců
|
Spolupracovníci a vyšetřovatelé
Sponzor
Vyšetřovatelé
- Vrchní vyšetřovatel: David M Kent, MD, MS, Tufts Medical Center
Publikace a užitečné odkazy
Obecné publikace
- Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, Xiang J, Wang Y, Song B, Gu X, Guan L, Wei Y, Li H, Wu X, Xu J, Tu S, Zhang Y, Chen H, Cao B. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020 Mar 28;395(10229):1054-1062. doi: 10.1016/S0140-6736(20)30566-3. Epub 2020 Mar 11. Erratum In: Lancet. 2020 Mar 28;395(10229):1038. Lancet. 2020 Mar 28;395(10229):1038.
- Lim WS, van der Eerden MM, Laing R, Boersma WG, Karalus N, Town GI, Lewis SA, Macfarlane JT. Defining community acquired pneumonia severity on presentation to hospital: an international derivation and validation study. Thorax. 2003 May;58(5):377-82. doi: 10.1136/thorax.58.5.377.
- Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, Bonten MMJ, Dahly DL, Damen JAA, Debray TPA, de Jong VMT, De Vos M, Dhiman P, Haller MC, Harhay MO, Henckaerts L, Heus P, Kammer M, Kreuzberger N, Lohmann A, Luijken K, Ma J, Martin GP, McLernon DJ, Andaur Navarro CL, Reitsma JB, Sergeant JC, Shi C, Skoetz N, Smits LJM, Snell KIE, Sperrin M, Spijker R, Steyerberg EW, Takada T, Tzoulaki I, van Kuijk SMJ, van Bussel B, van der Horst ICC, van Royen FS, Verbakel JY, Wallisch C, Wilkinson J, Wolff R, Hooft L, Moons KGM, van Smeden M. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 2020 Apr 7;369:m1328. doi: 10.1136/bmj.m1328. Erratum In: BMJ. 2020 Jun 3;369:m2204.
- Richardson S, Hirsch JS, Narasimhan M, Crawford JM, McGinn T, Davidson KW; the Northwell COVID-19 Research Consortium; Barnaby DP, Becker LB, Chelico JD, Cohen SL, Cookingham J, Coppa K, Diefenbach MA, Dominello AJ, Duer-Hefele J, Falzon L, Gitlin J, Hajizadeh N, Harvin TG, Hirschwerk DA, Kim EJ, Kozel ZM, Marrast LM, Mogavero JN, Osorio GA, Qiu M, Zanos TP. Presenting Characteristics, Comorbidities, and Outcomes Among 5700 Patients Hospitalized With COVID-19 in the New York City Area. JAMA. 2020 May 26;323(20):2052-2059. doi: 10.1001/jama.2020.6775. Erratum In: JAMA. 2020 May 26;323(20):2098.
- Clarification of Mortality Rate and Data in Abstract, Results, and Table 2. JAMA. 2020 May 26;323(20):2098. doi: 10.1001/jama.2020.7681. No abstract available.
- Levy TJ, Richardson S, Coppa K, et al. Development and Validation of a Survival Calculator for Hospitalized Patients with COVID-19. medRxiv. 2020:2020.2004.2022.20075416.
- Tibshirani R. Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society Series B (Methodological). 1996;58(1):267-288.
- Putter H, Fiocco M, Geskus RB. Tutorial in biostatistics: competing risks and multi-state models. Stat Med. 2007 May 20;26(11):2389-430. doi: 10.1002/sim.2712.
- de Wreede LC, Fiocco M, Putter H. The mstate package for estimation and prediction in non- and semi-parametric multi-state and competing risks models. Comput Methods Programs Biomed. 2010 Sep;99(3):261-74. doi: 10.1016/j.cmpb.2010.01.001. Epub 2010 Mar 15.
- van Klaveren D, Steyerberg EW, Gonen M, Vergouwe Y. The calibrated model-based concordance improved assessment of discriminative ability in patient clusters of limited sample size. Diagn Progn Res. 2019 Jun 6;3:11. doi: 10.1186/s41512-019-0055-8. eCollection 2019.
- Jones AE, Trzeciak S, Kline JA. The Sequential Organ Failure Assessment score for predicting outcome in patients with severe sepsis and evidence of hypoperfusion at the time of emergency department presentation. Crit Care Med. 2009 May;37(5):1649-54. doi: 10.1097/CCM.0b013e31819def97.
- Griffith GJ, Morris TT, Tudball MJ, Herbert A, Mancano G, Pike L, Sharp GC, Sterne J, Palmer TM, Davey Smith G, Tilling K, Zuccolo L, Davies NM, Hemani G. Collider bias undermines our understanding of COVID-19 disease risk and severity. Nat Commun. 2020 Nov 12;11(1):5749. doi: 10.1038/s41467-020-19478-2.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (AKTUÁLNÍ)
Primární dokončení (AKTUÁLNÍ)
Dokončení studie (AKTUÁLNÍ)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (AKTUÁLNÍ)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (AKTUÁLNÍ)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- PCORI-ME-1606-35555
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
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 .
Klinické studie na Covid19
-
Anavasi DiagnosticsZatím nenabíráme
-
Ain Shams UniversityNábor
-
Israel Institute for Biological Research (IIBR)Dokončeno
-
Colgate PalmoliveDokončeno
-
Christian von BuchwaldDokončeno
-
Luye Pharma Group Ltd.Shandong Boan Biotechnology Co., LtdAktivní, ne nábor
-
University of ZurichLabor Speiz; Swiss Armed Forces; Universitatsspital ZurichZápis na pozvánku
-
Alexandria UniversityDokončeno