Verfeinerung und Anpassung von Reinforcement Learning zur Personalisierung von Verhaltensbotschaften für gesunde Gewohnheiten (REINFORCE2)
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Tatsächlich)
Einschreibung
Phase
Phase
- Unzutreffend
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Julie Lauffenburger, PharmD, PhD
- Telefonnummer: 617-525-8865
- E-Mail: jlauffenburger@bwh.harvard.edu
Studienorte
-
-
Massachusetts
-
Boston, Massachusetts, Vereinigte Staaten, 02118
- Boston Medical Center
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Beschreibung
Einschlusskriterien:
- Diagnose von Diabetes mellitus Typ 2 (T2DM)
- Verschrieben zwischen 1-3 täglichen oralen Medikamenten gegen Diabetes
- Letzter HbA1c-Wert von 7,5 % oder höher
- Suboptimale Adhärenz, definiert durch den Anteil der abgedeckten Tage (PDC) < 0,80, basierend auf einer Diagrammüberprüfung
- Muss ein Smartphone haben, für das sie der einzige Benutzer sind
- Grundkenntnisse in Englisch oder Spanisch müssen vorhanden sein
Ausschlusskriterien:
- Verwenden Sie derzeit eine Pillendose und / oder sind Sie nicht bereit, elektronische Pillenfläschchen für 6 Monate zu verwenden
- Lassen Sie sich täglich zu Hause bei der Einnahme von Medikamenten helfen
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Versorgungsforschung
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Doppelt
Anzahl der Arme
Waffen und Interventionen
Teilnehmergruppe / ArmTeilnehmergruppe / Arm |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Experimental: Reinforcement Learning Intervention Arm
Bis zu täglichen, maßgeschneiderten Textnachrichten.
|
Die Teilnehmer des Interventionsarms erhalten bis zu täglich maßgeschneiderte Textnachrichten basierend auf ihrer von der elektronischen Tablettenflasche gemessenen Adhärenz.
Angesichts der grundlegenden Eigenschaften der Teilnehmer und der zeitlich variierenden Antworten auf die Nachrichten liefert ein Reinforcement-Learning-Algorithmus verschiedene Textnachrichten und passt sich im Laufe der Zeit an, um zu bestimmen, welche Art von Nachrichten für jeden einzelnen Teilnehmer am besten funktioniert.
|
|
Kein Eingriff: Steuerarm
Bis hin zu täglichen, unangepassten Textnachrichten.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Therapietreue bei Diabetes
Zeitfenster: 6 Monate
|
Anteil der korrekten Dosen, die von elektronischen Pillenfläschchen im 6-monatigen Nachbeobachtungszeitraum aufgezeichnet wurden, gemittelt über die Studienmedikation
|
6 Monate
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Glykämische Kontrolle
Zeitfenster: 6 Monate
|
Veränderung zwischen dem für die Identifizierung verwendeten HbA1c-Ausgangswert und dem 6-monatigen Interventionszeitraum unter Verwendung von Laborwerten in der EHR
|
6 Monate
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Tatsächlich)
Primärer Abschluss
Studienabschluss (Tatsächlich)
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
Zusätzliche relevante MeSH-Bedingungen
- Erkrankungen des endokrinen Systems
- Stoffwechselerkrankungen
- Störungen des Glukosestoffwechsels
- Diabetes Mellitus
- Verhalten
- Ernährungs- und Stoffwechselerkrankungen
- Therapietreue und Compliance
- Gesundheitsverhalten
- Zuverlässigkeit des Patienten
- Patientenakzeptanz der Gesundheitsversorgung
- Diabetes mellitus, Typ 2
- Medikamentenhaftung
- Maschinelles Lernen
- Künstliche Intelligenz
- Algorithmen
- Mathematische Konzepte
- Verstärkung maschinelles Lernen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- 2023P000293
- P30AG064199-04 (US NIH Stipendium/Vertrag)
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
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .