- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT03882476
RCT des Sepsis Machine Learning Algorithmus
Randomisierte kontrollierte Studie eines maschinellen Lernalgorithmus zur Sepsis-Früherkennung
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Von Januar 2020 bis einschließlich Februar 2021 werden Prüfärzte eine multizentrische randomisierte kontrollierte Studie (RCT) bei CRMC, OH und UCSF durchführen. Alle Ziele dieser Studie wurden vom Pearl Institutional Review Board mit einem Verzicht auf Einverständniserklärung zur Genehmigung eingereicht.
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 die Zielrekrutierung für die Studie erreicht ist. Die Registrierung beinhaltet eine Randomisierung entweder in den Kontroll- oder den experimentellen Arm. Die Zuteilung der Patienten in die Versuchs- oder Kontrollgruppe erfolgt anhand einer zufälligen Zuteilungssequenz, die von einem Computerprogramm vor Beginn der Studie durch einfache Randomisierung mit einem Zuteilungsverhältnis von 1:1 generiert wird. Diese Zuordnungssequenz wird gegenüber Patienten, Gesundheitsdienstleistern und Studienprüfern geheim gehalten. Die Studie wird jedoch ein Open-Label-Design haben, da eine vollständige Verblindung nicht möglich ist, da einige Gruppenzuordnungen nach Erhalt telefonischer Benachrichtigungen auf natürliche Weise aufgedeckt werden.
Es wird zwei Arme in der Studie geben. Der Kontrollarm umfasst Patienten mit dem üblichen Behandlungsstandard, und der experimentelle Arm umfasst Patienten, die von InSight überwacht werden. Wenn der anwendbare Algorithmus feststellt, dass ein Patient ein hohes Risiko für Sepsis hat, wird eine telefonische Benachrichtigung an die diensthabende Krankenschwester am aktuellen Aufenthaltsort des Patienten gesendet. Die Reaktion auf Warnungen folgt dem Protokoll unserer vorherigen klinischen Sepsisstudie. Das Verfahren besteht aus einer Krankenschwester, die eine Untersuchung des Patienten am Krankenbett durchführt, um eine vermutete Infektion auszuschließen. Dazu gehören die Bewertung der Vitalfunktionen des Patienten, EHR-Notizen und aktuelle Laborergebnisse. Wenn die Pflegekraft eine Sepsis vermutet, untersucht ein Arzt anschließend den Patienten und verordnet gegebenenfalls die Verabreichung des Standard-Sepsis-Behandlungsbündels.
Bei der Verwaltung klinischer Studien werden einige Open-Label-Studien cluster-randomisiert, während andere auf individueller Patientenebene randomisiert werden. Cluster-Randomisierung wird häufig verwendet, um die "Kontamination" zwischen Behandlungs- und Kontrollgruppen zu minimieren, da die Exposition von Anbietern gegenüber Patienten aus beiden Armen in einer offenen Studie häufig zu unbeabsichtigten Verhaltensverzerrungen führt. Diese Verzerrungen können dazu führen, dass Anbieter ihre Interventionen in der Kontrollgruppe anpassen, um ihre Aktionen in der experimentellen Gruppe nachzuahmen, wodurch die Wirkung der Intervention maskiert und die Studienergebnisse gegen Null verzerrt werden. Obwohl offene, cluster-randomisierte Studien die Kontamination zwischen Gruppen wirksam minimieren, haben sie mehrere erhebliche Nachteile, darunter eine größere Komplexität in Design und Analyse sowie größere Anforderungen an die Patientenrekrutierung, um die gleiche statistische Aussagekraft zu erreichen. Da größere Stichprobenumfänge häufig eine Erhöhung der Kosten, der Länge oder der Komplexität einer Studie erfordern, hat die aktuelle Forschung gezeigt, dass die Studienteilnehmer aufgrund der Nachteile der Clusterzuordnung nach Möglichkeit eine individuelle Randomisierung verwenden sollten. Angesichts dieser Überlegungen kamen die Forscher zu dem Schluss, dass die individuelle Randomisierung die beste Strategie für die Studie war, da sie eine signifikante Steigerung der statistischen Aussagekraft bietet und es ermöglicht, dass jedes Patientenergebnis unabhängig von jedem anderen Patienten bewertet wird. Um mögliche Vorurteile zu minimieren, beschlossen die Ermittler außerdem, den Text des automatisierten Telefonanrufs in beiden Armen identisch zu gestalten. Die erfolgreiche Anwendung der Randomisierung auf Patientenebene in einer früheren klinischen Studie zur Sepsis, die von Prüfärzten durchgeführt wurde, gibt Vertrauen in dieses Studiendesign.
Nach der Entlassung des letzten aufgenommenen Patienten bewerten die Prüfärzte, ob der primäre Endpunkt der SIRS-basierten Mortalität im Krankenhaus erreicht wird. Zusätzliche Ergebnismessungen, die für jede SIRS-basierte Gruppe von Interesse sind, umfassen: Zeit bis zum Abschluss jedes Elements des Pakets der Surviving Sepsis Campaign (SSC); beatmungsfreie Tage; Tage auf der Intensivstation; und 30-Tage-Krankenhaus-Wiederaufnahmerate. Das 1-stündige SSC-Paket besteht aus der Entnahme von Blutkulturen, der Messung des Laktatspiegels, der Verabreichung von Breitbandantibiotika, der Verabreichung von 30 ml/kg kristalloider Flüssigkeit bei Bluthochdruck oder Laktat >4 mmol/l und der Anwendung von Vasopressoren, wenn der Patient während oder nach der Behandlung hypotonisch ist Flüssigkeitsreanimation.
Die Ermittler planen, auf EHR-basierte klinische Daten für die primäre Endpunktanalyse zurückzugreifen, im Gegensatz zu anspruchsbasierten Daten, da diese in der Lage sind, objektivere Messungen der Patientenergebnisse zu liefern.
Am Ende der Studie werden wesentliche Ergebnisse als wissenschaftliche Arbeiten veröffentlicht.
Studientyp
Phase
- Phase 2
Teilnahmekriterien
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
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Diagnose
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Verdreifachen
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: Experimental
Der experimentelle Arm umfasst Patienten, die von InSight überwacht werden.
|
Klinisches Entscheidungsunterstützungssystem (CDS) zur Sepsiserkennung
|
|
Kein Eingriff: Kontrolle
Der Kontrollarm wird keine Intervention haben und Patienten mit dem üblichen Behandlungsstandard einbeziehen.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
SIRS-basierte Mortalität im Krankenhaus
Zeitfenster: Bis zum Studienabschluss durchschnittlich acht Monate
|
Sterblichkeitsrate, die Patienten zugeschrieben wird, die zu irgendeinem Zeitpunkt während ihres Aufenthalts zwei oder mehr SIRS-Kriterien erfüllen
|
Bis zum Studienabschluss durchschnittlich acht Monate
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- 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.
- 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 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 (Voraussichtlich)
Primärer Abschluss (Voraussichtlich)
Studienabschluss (Voraussichtlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 19-494662
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 .