Machine Learning Sepsis Alert Notification unter Verwendung klinischer Daten (HindSight P2)
Verwendung klinischer Behandlungsdaten in einem maschinellen Lernansatz zur Sepsiserkennung
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Voraussichtlich)
Einschreibung
Phase
Phase
- Phase 2
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Jana Hoffman, PhD
- Telefonnummer: 2158806619
- E-Mail: jana@dascena.com
Studieren Sie die Kontaktsicherung
- Name: Gina Barnes, MPH
- Telefonnummer: 2158806619
- E-Mail: gbarnes@dascena.com
Studienorte
-
-
Massachusetts
-
Springfield, Massachusetts, Vereinigte Staaten, 01199
- Rekrutierung
- Baystate Health
-
Kontakt:
- Gregory Braden
-
-
New Jersey
-
Camden, New Jersey, Vereinigte Staaten, 08103
- Rekrutierung
- Cooper University Health Care
-
Kontakt:
- Sharad Patel
-
Kontakt:
- Snehal Gandhi
-
Cape May, New Jersey, Vereinigte Staaten, 08210
- Rekrutierung
- Cape Regional Medical Center
-
Kontakt:
- Andrea McCoy
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Beschreibung
Einschlusskriterien:
- Während des Studienzeitraums werden alle Patienten über 18 Jahren, die sich in der Notaufnahme vorstellen oder in einer stationären Einheit in den teilnehmenden Einrichtungen aufgenommen werden, automatisch in die Studie aufgenommen, bis das Einschreibungsziel für die Studie erreicht ist
Ausschlusskriterien:
- Patienten unter 18 Jahren
- Gefangene
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: ANDERE
- Zuteilung: ZUFÄLLIG
- Interventionsmodell: PARALLEL
- Maskierung: VERDREIFACHEN
Anzahl der Arme
Waffen und Interventionen
Teilnehmergruppe / ArmTeilnehmergruppe / Arm |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
EXPERIMENTAL: Experimental
Der experimentelle Arm umfasst Patienten, die von HindSight überwacht werden.
|
HindSight untersucht die dynamischen Trends klinischer Messungen aus der EHR eines Patienten und analysiert Korrelationen zwischen Vitalfunktionen, um auf das Einsetzen einer Sepsis aufmerksam zu machen. Dieses auf maschinellem Lernen basierende Tool wird durch einen Encoder optimiert und nutzt regelmäßiges Neutraining, um seine Leistung im Laufe der Zeit zu verbessern.
Andere Namen:
|
|
ACTIVE_COMPARATOR: Kontrolle
Der Kontrollarm umfasst Patienten, die von InSight überwacht werden.
|
Verglichen mit der Fähigkeit der InSight-Software, den Beginn einer Sepsis zu erkennen, mit der Leistung von HindSight.
Die Studie ermittelt, ob die HindSight-Software eine gleichwertige oder bessere Leistung als die InSight-Software aufweist.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Reduktionsrate von Fehlalarmen
Zeitfenster: Bis zum Abschluss der Studie dauert die Beteiligung der Probanden durchschnittlich acht Monate
|
Das primäre Ergebnismaß von Interesse wird die Reduzierung von Fehlalarmen sein.
Der erfolgreiche Abschluss von Ziel 1 wird durch einen positiven prädiktiven Wert (PPV) in einer klinischen Live-Umgebung nachgewiesen, für den die untere Grenze des 95-%-Konfidenzintervalls die Benchmark aus früheren retrospektiven Studien erreicht oder übersteigt.
Das Erfüllen des retrospektiven PPV-Benchmarks weist darauf hin, dass die prospektive CDS-Qualität die retrospektive CDS-Qualität widerspiegelt und ausreichend hoch ist, um die Alarmermüdung zu reduzieren und den klinischen Nutzen zu verbessern.
Der Erfolg von Ziel 2 hängt davon ab, ob im Vergleich zwischen den beiden Behandlungsarmen eine relative Reduzierung von Fehlalarmen um 15 % erreicht wird (p < 0,05; Fisher's Exact Test).
|
Bis zum Abschluss der Studie dauert die Beteiligung der Probanden durchschnittlich acht Monate
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Ermittler
Ermittler
- Hauptermittler: Jana Hoffman, PhD, Dascena
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Desautels T, Calvert J, Hoffman J, Mao Q, Jay M, Fletcher G, Barton C, Chettipally U, Kerem Y, Das R. Using Transfer Learning for Improved Mortality Prediction in a Data-Scarce Hospital Setting. Biomed Inform Insights. 2017 Jun 12;9:1178222617712994. doi: 10.1177/1178222617712994. eCollection 2017.
- Calvert J, Mao Q, Rogers AJ, Barton C, Jay M, Desautels T, Mohamadlou H, Jan J, Das R. A computational approach to mortality prediction of alcohol use disorder inpatients. Comput Biol Med. 2016 Aug 1;75:74-9. doi: 10.1016/j.compbiomed.2016.05.015. Epub 2016 May 24.
- Calvert JS, Price DA, Barton CW, Chettipally UK, Das R. Discharge recommendation based on a novel technique of homeostatic analysis. J Am Med Inform Assoc. 2017 Jan;24(1):24-29. doi: 10.1093/jamia/ocw014. Epub 2016 Mar 28.
- Calvert J, Mao Q, Hoffman JL, Jay M, Desautels T, Mohamadlou H, Chettipally U, Das R. Using electronic health record collected clinical variables to predict medical intensive care unit mortality. Ann Med Surg (Lond). 2016 Sep 6;11:52-57. doi: 10.1016/j.amsu.2016.09.002. eCollection 2016 Nov.
- Shimabukuro DW, Barton CW, Feldman MD, Mataraso SJ, Das R. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res. 2017 Nov 9;4(1):e000234. doi: 10.1136/bmjresp-2017-000234. eCollection 2017.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (TATSÄCHLICH)
Studienbeginn
Primärer Abschluss (ERWARTET)
Primärer Abschluss
Studienabschluss (ERWARTET)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (TATSÄCHLICH)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (TATSÄCHLICH)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- 19-569185
- 2R44AA030000-02 (NIH)
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .