Aktivitätsbewusste Aufforderung zur Verbesserung der Medikamentenadhärenz bei Patienten mit Herzinsuffizienz
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Die Forscher stellen die Hypothese auf, dass viele Personen, die eine medizinische Intervention benötigen, ihre medizinische Behandlung besser einhalten können, wenn Aufforderungen zur richtigen Zeit und im richtigen Kontext gegeben werden. Sie werden die Hypothese validieren, indem sie auf maschinellem Lernen basierende Softwarealgorithmen entwerfen und evaluieren, die tägliche Aktivitäten erkennen, aktivitätsbewusste Arzneimittelerinnerungsinterventionen bereitstellen und Einblicke in Interventionszeiten geben, die zu einer erfolgreichen Compliance führen.
Erstes Ziel des Projekts ist die Erweiterung und Validierung von Softwarealgorithmen, die tägliche Aktivitäten und Aktivitätsübergänge mit mobilen Endgeräten erkennen. Die Hypothese ist, dass tägliche Verhaltenskontexte mit minimalen Benutzereingaben charakterisiert und verfolgt werden können, indem maschinelles Lernen in Kombination mit automatisierter Aktivitätserkennung verwendet wird. In früheren Arbeiten hatten die Forscher den Erfolg unserer Algorithmen in Smart Homes nachgewiesen. In diesem Projekt schlagen sie vor, die Techniken für mobile Geräte anzupassen.
Das zweite Ziel des Projekts ist die Entwicklung einer aktivitätssensitiven medizinischen Aufforderung und die Bewertung der Auswirkungen der aktivitätssensitiven Aufforderung auf das primäre Ergebnis der Medikationsadhärenzrate und das sekundäre Ergebnis der Lebensqualität. Zu diesem Zweck kann dieses Ziel in zwei Aufgaben zerlegt werden, einschließlich (a) Entwicklung einer aktivitätssensitiven Aufforderung; (b) Bewertung der Auswirkungen aktivitätssensitiver Aufforderungen auf die Patientenergebnisse. Die Ermittler werden eine Aktivitätsaufforderungsschnittstelle mit Aktivitätserkennung kombinieren, um Aufforderungen in Kontexten mit nachgewiesenem Erfolg bereitzustellen.
Schließlich entwerfen die Ermittler im dritten Ziel maschinelle Lernalgorithmen, um Erfolgs- und Misserfolgssituationen bei der Erinnerung an Medikamente zu analysieren. Sie stellen die Hypothese auf, dass maschinelle Lerntechniken verwendet werden können, um die Prompt-Compliance automatisch vorherzusagen, indem Computeralgorithmen verwendet werden, um zu lernen, wie man erfolgreiche von erfolglosen Prompt-Situationen unterscheidet. In ihrem Ansatz nutzen die Forscher Sensordaten, um das tägliche Verhalten zu analysieren und den Verhaltenskontext mit der Medikamenteneinhaltung zu verknüpfen.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Beschreibung
Einschlusskriterien:
- eine Herzinsuffizienz-Diagnose haben und kürzlich wegen einer Herzinsuffizienz-Exazerbation ins Krankenhaus eingeliefert wurden
- Alter ≥ 21 Jahre;
- unabhängig leben (nicht in einer institutionellen Umgebung); Und
- bereit, das Smartphone den ganzen Tag zu tragen.
Ausschlusskriterien:
- alle schwerwiegenden Begleiterkrankungen (z. Bösartigkeit, neurologische Störung),
- beeinträchtigte Wahrnehmung,
- Unfähigkeit, Englisch oder Spanisch zu verstehen, zu lesen, zu schreiben oder zu sprechen
- Schwerwiegender oder unkorrigierter Hör- oder Sehverlust.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Sonstiges
- Zuteilung: N / A
- Interventionsmodell: Einzelgruppenzuweisung
- Maskierung: Keine (Offenes Etikett)
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Medikationsadhärenzrate
Zeitfenster: Bis Studienabschluss durchschnittlich 1 Jahr
|
Der Russell's Adhärenz-Score wird verwendet, um die Medikationsadhärenzrate zu messen.
Es wird ein 3-Stunden-Fenster berücksichtigt, das um die vorgeschriebene Dosierungszeit zentriert ist.
Eine innerhalb dieses Zeitfensters eingenommene Dosis erhält die volle Punktzahl für diese Einnahmezeit; Eine Dosis, die außerhalb des Zeitfensters, aber innerhalb eines 6-Stunden-Fensters eingenommen wird, erhält eine halbe Punktzahl für diese Einnahmezeit; und vergessene Dosen erhalten eine Punktzahl von 0. Jedem Teilnehmer wird für jeden Tag eine Punktzahl von 0,0 bis 1,0 zugewiesen.
Die Ergebnisse für jedes Fach werden gemittelt, um wöchentliche Einhaltungsquoten zu erhalten.
Die Gesamtadhärenzrate wird berechnet, indem ein anderer Durchschnitt über den gesamten Studienzeitraum genommen wird.
|
Bis Studienabschluss durchschnittlich 1 Jahr
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
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
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 16243-001
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
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 .