Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Effekt af prædiktiv model på ED lægevurderinger af patientdisposition

7. april 2026 opdateret af: William La Cava, Boston Children's Hospital

Målet med denne undersøgelse er at måle virkningen af ​​retfærdighedsbevidste algoritmer på lægens forudsigelser om indlæggelse af ED-patienter. Ved hjælp af en eksperimentelt valideret maskinlæringsmodel, der er indstillet til retfærdige resultater, kvantificerer efterforskerne virkningen af ​​modelanbefalinger på ED-lægers vurderinger af indlæggelsesrisiko i en tavs, prospektiv undersøgelse. Efterforskerne undersøger ED-læger, der i øjeblikket ikke tager sig af patienter, der bruger live-site-data. For at kvantificere modellens indvirkning på ED-lægers vurderinger af indlæggelsesrisiko, indsamler efterforskerne lægevurderinger før og efter konsultation af den (originale eller opdaterede) modelforudsigelse.

Efterforskerne måler ED-lægers overholdelse af modelforslag sammen med den forudsigelige nøjagtighed og retfærdighed af downstream-patientresultater. Resultatet af denne undersøgelse er et empirisk mål for, i hvilket omfang retfærdige ML-modeller kan påvirke indlæggelsesbeslutninger for at afbøde uligheder i sundhedsvæsenet.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Specifikke mål/mål:

  1. Mål effekten af ​​deling af en modelforudsigelse af indlæggelse på en behandlende læges vurdering af patientdisposition inden for en time fra præsentation på et tertiært akademisk pædiatrisk hospital.
  2. Mål effekten af ​​deling af en modelforudsigelse fra en model indstillet til ensartet undergruppepræstation på en behandlende læges vurdering af patientdisposition inden for en time fra præsentationen på et tertiært akademisk pædiatrisk hospital.

Baggrund og betydning:

Maskinlæringsmodeller (ML) giver i stigende grad klinisk beslutningsstøtte (CDS) til plejeteams for at hjælpe med at prioritere individer til specifik pleje baseret på deres forudsagte sundhedsbehov og -resultater. AI/ML-metoder kan have en særlig stor indflydelse på ressourceallokeringen i akutmodtagelser (ED'er) på tværs af USA, som er blevet beskrevet af Institute for Medicine som "nærende til bristepunktet" af overkapacitet. Desværre klarer modellerne ofte dårligt på disinvesterede delpopulationer i forhold til befolkningen som helhed. Som et resultat heraf kan ML-modeller forværre downstream-sundhedsforskelle ved at underpræstere på marginaliserede patientsubpopulationer, især når modellerne udvides til flere plejecentre og eller bruges uden undergruppeovervågning i lange perioder.

Mange forudsigelsesmodeller er blevet udviklet i de senere år for at forudsige patientdisposition fra ED, inklusive et forudsigelsesværktøj udviklet af vores gruppe og i øjeblikket i pilotfaser på Boston Children's Hospital, South Shore Hospital og Children's Hospital of Los-Angeles. Vores forudsigelsesværktøj, Predictor of Patient Placement (POPP) giver en nøjagtig sandsynlighed for indlæggelse i realtid baseret på data, der er tilgængelige i den elektroniske patientjournal på tidspunktet for besøget. Forudgående meddelelse om sandsynlige indlæggelser kan have en vigtig indflydelse på ED vente- og boardingtider med potentiale til at forbedre flow og patienttilfredshed.

Til dette formål har undersøgelsesteamet indsendt et forslag til bevilling til National Library of Medicine (NLM) [1R01LM014300 - 01A1], der forsker i udvikling og validering af retfærdighedsbevidste forudsigelsesmodeller for patientindlæggelse. Mål 2 for denne bevilling studerer effekten af ​​disse modeller på ED-lægers vurderinger af patientdisposition og svarer til denne protokol. NLM har tilkendegivet sin hensigt om at finansiere dette forslag, og efterforskerne er i gang med at indsende dokumenter for at færdiggøre prisen. Denne del af undersøgelsen er beregnet til studiets 3. år.

Forundersøgelser

Efterforskerne gennemførte en række indledende retrospektive undersøgelser, der fastslog, at patientindlæggelse kunne forudsiges med maskinlæringsmodeller på forhånd i BCH ED, gradvist under besøget såvel som på tværs af andre medicinske centre med god nøjagtighed (AUROC 0,9-0,93) .

Dernæst fandt efterforskerne, at nøjagtigheden af ​​POPP til at forudsige indlæggelsessandsynlighed tilføjede værdi til gestaltvurderingerne af ED behandlende læger. Den positive prædiktive værdi for forudsigelsen af ​​indlæggelse var 66 % for klinikerne, 73 % for POPP og 86 % for en hybridmodel, der kombinerede de to.

Endelig udviklede efterforskerne metoder til efterbehandling af ED-forudsigelsesmodellerne for at gøre dem velkalibrerede på tværs af patientdemografiske grupper defineret efter race, køn og forsikringsprodukt.

Modelforudsigelserne bruges i øjeblikket til at hjælpe med sengekoordinering, men på grund af deres høje værdi kan de også forbedre beslutningstagningen ved sengen. Med denne undersøgelse er vores mål nu at teste, i en simuleret, sikker og realistisk indstilling, hvordan modelanbefalinger påvirker vurderingen af ​​indlæggelsessandsynlighed hos læger, der behandler ED.

Undersøgelsestype

Interventionel

Tilmelding (Anslået)

10

Fase

  • Ikke anvendelig

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Undersøgelse Kontakt Backup

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Beskrivelse

Inklusionskriterier:

  • Bestyrelsescertificeret akutafdeling, der behandler læger, der i øjeblikket er ansat ved Boston Children's Hospital

Ekskluderingskriterier:

  • Læger er udelukket fra fuldstændige undersøgelser for patienter, som de i øjeblikket plejer

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Primært formål: Andet
  • Tildeling: Randomiseret
  • Interventionel model: Sekventiel tildeling
  • Maskning: Tredobbelt

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Ingen indgriben: Lægevurdering før intervention
Ingen indgriben. Lægen bliver spurgt for at give deres vurdering af patientens disposition.
Aktiv komparator: Lægevurdering efter baseline modelintervention
Lægen får vist en basismodelanbefaling for patientdisposition, herunder beskrivelse af faktorer, der driver modelforudsigelsen.
Modelforudsigelse af patientdisposition, herunder karakteristikkens betydning, der driver forudsigelse.
Aktiv komparator: Lægevurdering efter fairness-bevidst modelintervention
Lægen får vist en modelanbefaling fra en model, der er indstillet til undergruppepræstationer for patientdisposition, herunder beskrivelse af faktorer, der driver modelforudsigelsen.
Modelforudsigelse af patientdisposition, herunder karakteristikkens betydning, der driver forudsigelse. Denne model er blevet tunet til at minimere undergruppekalibreringsfejl.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Læge-vurderet ED disposition (sandsynlighed for indlæggelse)
Tidsramme: Inden for 24 timer efter undersøgelse
Det primære resultat er lægevurderet ED-disposition (kategoriseret som indlæggelse eller udskrivning), før og efter visning af en modelforudsigelse sammenlignet med patientens endelige disposition
Inden for 24 timer efter undersøgelse
Patientens endelige disposition (indlagt/udskrevet)
Tidsramme: Inden for 24 timer efter undersøgelse
Den endelige disposition af patienten, hvad enten den er indlagt i døgnbehandling eller udskrevet
Inden for 24 timer efter undersøgelse

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Modelvurderet ED disposition
Tidsramme: Inden for 24 timer efter undersøgelse
Modelforudsigelsens vurdering af ED disposition sammenlignet med endelig disposition af patient
Inden for 24 timer efter undersøgelse

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Anslået)

1. januar 2027

Primær færdiggørelse (Anslået)

1. maj 2027

Studieafslutning (Anslået)

1. september 2027

Datoer for studieregistrering

Først indsendt

20. maj 2024

Først indsendt, der opfyldte QC-kriterier

23. maj 2024

Først opslået (Faktiske)

30. maj 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

13. april 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

7. april 2026

Sidst verificeret

1. april 2026

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • IRB-P00048537

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .