Trauma-Nachsorgeprognose (Projekt 2: Ziel 2)
Nutzung datenadaptiver Methoden zur Optimierung der Nachsorge verletzter Patienten nach Krankenhausentlassung in Kamerun (Ziel 2)
Ungefähr 9 % der Todesfälle weltweit, mehr als 5 Millionen Todesfälle jährlich, sind auf Verletzungen zurückzuführen. In Ländern mit hohem Einkommen, in denen die Epidemiologie und die Folgen traumatischer Verletzungen gut charakterisiert sind, betrifft ein Trauma hauptsächlich junge, produktive Mitglieder der Bevölkerung und ist mit einer erheblichen langfristigen Behinderung verbunden. In Ländern Subsahara-Afrikas (SSA) wie Kamerun sehen sich Verletzte bei der Traumaversorgung mit zahlreichen Hindernissen konfrontiert, einschließlich einer möglicherweise lebensrettenden Nachsorge nach der Entlassung aus dem Krankenhaus. Die gemeindebasierte Untersuchung der Ermittler unter 8.065 Patienten im Südwesten Kameruns ergab, dass 34,6 % der verletzten Befragten nach einer Verletzung keine sofortige formelle Versorgung suchten und weitere 9,9 % nur nach alternativen Mitteln, wie z.
In Kamerun können für die 65,4 % der Verletzten, die nach einer Verletzung eine formelle Versorgung suchen5, therapeutische Wege komplex sein und oft schlecht unterstützte Überweisungen an andere Einrichtungen oder den Übergang von der formellen Versorgung beinhalten. Infolgedessen können formelle Versorgungssysteme Traumapatienten nicht für die Nachsorge behalten, eine verpasste Gelegenheit, da diese Patienten bereits erhebliche finanzielle und persönliche Herausforderungen überwunden haben, um eine Erstversorgung für ihre Verletzungen zu suchen. Folglich verzögern entlassene Traumapatienten, die von einer Nachsorge profitieren könnten, die Versorgung oft, bis sich fortgeschrittene Komplikationen entwickeln.
Das Ziel dieser Studie ist es, ein für maschinelles Lernen optimiertes telefonbasiertes Screening-Tool zu evaluieren, das vorhersagt, welche Traumapatienten am ehesten von einer Nachsorge profitieren werden. In 10 Krankenhäusern in Kamerun wird ein randomisierter kontrollierter Studienversuch mit 852 Traumapatienten durchgeführt. Die Kontrollgruppe verwendet das vorhandene standardmäßige mHealth-Screening-Tool, während die Intervention die optimierte Version des mHealth-Screening-Tools (Intervention) unter Verwendung des maschinellen Lernansatzes verwendet. Die Patienten werden über einen Zeitraum von 6 Monaten nachbeobachtet, um den Anteil der Traumapatienten nach der Entlassung zu bestimmen, die eine Nachsorge per Mobiltelefon benötigen.
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Die technologische Konvergenz von mHealth und maschinellem Lernen bietet eine beispiellose Gelegenheit, die Versorgung von Verletzungen in SSA zu verändern, insbesondere für benachteiligte Bevölkerungsgruppen. Die Allgegenwart von Mobiltelefonen und das Aufkommen von mHealth bietet eine neue Möglichkeit, die Versorgung von Verletzungen in SSA zu verbessern. Angesichts der hohen Verbreitung von Mobiltelefonen in Kamerun (85 % bis 95 %) und anderswo in SSA haben die Ermittler ein mHealth-, telefonbasiertes 7-Punkte-Screening-Tool für Traumapatienten entwickelt und getestet, um die Notwendigkeit einer persönlichen Nachsorge vorherzusagen. Nachsorge nach der Entlassung. Wenn dieser Ansatz effektiv ist, könnte er die Untergruppe von Patienten effizient identifizieren, die am wahrscheinlichsten von einer Nachsorge profitieren, die praktikabler, skalierbarer und kostengünstiger ist als eine pauschale Beratung für die Versorgung nach der Entlassung. Die Ermittler stellten fest, dass eine telefonische Nachsorge machbar und akzeptabel ist, und eine Validierungsstudie ergab eine gute Korrelation des Screening-Tools mit einer unabhängigen, persönlichen Untersuchung.
Die Ermittler werden auf ihrer früheren Forschung aufbauen und die Datenwissenschaft nutzen, um das mHealth-Screening-Tool zu verbessern, zu implementieren und zu bewerten, mit dem ultimativen Ziel, die lähmende Belastung durch Verletzungen zu verringern. Dies wird durch die Nutzung von maschinellem Lernen erreicht, das sich bei der Optimierung von Traumaversorgung und Traumasystemen als vielversprechend erwiesen hat. Die neuartige Kombination aus mHealth und maschinellem Lernen bietet eine hervorragende Möglichkeit, den Zugang zur Gesundheitsversorgung für diejenigen zu verändern, die am wenigsten wahrscheinlich davon betroffen sind. Aufbauend auf dem vorhandenen Wissen stellen die Forscher die Hypothese auf, dass ein datenadaptiver, maschinell lernender Ansatz zur Ergebnisvorhersage das Überleben radikal verbessern und die Morbidität nach Verletzungen bei SSA reduzieren könnte.
Die Ermittler werden einen maschinellen Lernansatz anwenden, um das mHealth-Triage-Tool adaptiv zu optimieren und das Telefonanruf-Timing und den Algorithmus zu verbessern, der die Notwendigkeit einer Nachsorge über eine cluster-randomisierte kontrollierte Studie vorhersagt. Dies wird unter Verwendung von SuperLearner zur Vorhersage und kreuzvalidierten gezielten Maximum-Likelihood-Schätzung (CV-TMLE) für variable Wichtigkeit unter Verwendung des Traumaregisters, der Kontaktversuche und der in Ziel 1 gesammelten Screening-Umfragedaten erreicht. Das übergeordnete Ziel besteht darin, die Vorhersage des mHealth-Tools zu verbessern, ob gefährdete Patienten nach der Entlassung einer Nachsorge bedürfen. Diese Studie soll über einen Zeitraum von 18 Monaten durchgeführt werden; Einschreibung in 6 Monaten und Follow-up-Teilnehmer für 12 Monate. Die Ermittler werden die Auswirkungen des optimierten Ansatzes in einer randomisierten Studie in 10 Krankenhäusern mit 852 verletzten Patienten mit dem primären Ergebnis des Glasgow Outcomes Scale-Extended (GOSE)24,25-Scores nach 3 Monaten bewerten.
Studientyp
Einschreibung (Voraussichtlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienkontakt
- Name: Alain Chichom-Mefire, MD
- Telefonnummer: +237677530532
- E-Mail: chichom.mefire@ubuea.cm
Studieren Sie die Kontaktsicherung
- Name: Fanny JN Dissak-Delon, MD, PhD
- Telefonnummer: +237697582185
- E-Mail: fannynadia@gmail.com
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Beschreibung
Einschlusskriterien:
Traumaregister (CTR): Patienten, die die folgenden Aufnahmekriterien erfüllen, werden in das Register aufgenommen:
- Patienten mit akuter traumatischer Verletzung, d. h. innerhalb von 2 Wochen nach Vorstellung zur Pflege.
- Traumapatienten, die formell stationär ins Krankenhaus eingeliefert werden.
- Traumapatienten, die bei der Ankunft in der Notaufnahme oder während des Krankenhausaufenthalts sterben.
- Traumapatienten, die in andere Gesundheitseinrichtungen verlegt werden.
- Traumapatienten mit Indikation zur stationären Aufnahme (basierend auf ärztlicher Einschätzung), aber Entlassung gegen ärztlichen Rat
- Traumapatienten, die länger als 24 Stunden in der Notaufnahme überwacht werden
Eignung für das Standard-mHealth-Triage-Tool: Das mHealth-Triage-Tool wird einer Untergruppe von Patienten verabreicht, die im Traumaregister enthalten sind, die aufgenommen und nach der Behandlung nach Hause entlassen werden.
Optimierte Version des mHealth-Screening-Tools (Intervention) Berechtigung: Die optimierte Version des mHealth-Screening-Tools wird einer Untergruppe von Patienten verabreicht, die in das Traumaregister aufgenommen werden und nach der Behandlung nach Hause entlassen werden.
Ausschlusskriterien:
- Ausschlusskriterien des Traumaregisters: Patienten werden nicht aufgrund von Alter, Geschlecht, Rasse oder Nationalität ausgeschlossen. Wenn Patienten oder ihre stellvertretenden Entscheidungsträger der Teilnahme nicht zustimmen, werden diese Patienten ausgeschlossen.
Gemäß der Verletzungsdefinition der Weltgesundheitsorganisation (WHO) wird Folgendes von der Definition von „Verletzung“ ausgenommen: „Während die obige Definition einer Verletzung Ertrinken (Sauerstoffmangel), Hypothermie (Wärmemangel), Strangulation ( Sauerstoffmangel), Dekompressionskrankheit oder "The Bends" (überschüssige Stickstoffverbindungen) und Vergiftungen (durch toxische Substanzen) umfasst NICHT Zustände, die durch Dauerstress entstehen, wie Karpaltunnelsyndrom, chronische Rückenschmerzen und Vergiftungen durch Infektionen . Psychische Störungen und chronische Behinderungen, obwohl dies eventuelle Folgen einer körperlichen Verletzung sein können, sind ebenfalls von der obigen Definition ausgeschlossen.“ Obwohl sie in der WHO-Definition enthalten sind, werden Vergiftungen von der CTR ausgeschlossen, da diese bisher äußerst seltene Ereignisse in der CTR waren und in den meisten anderen Kontexten normalerweise nicht in Traumaregistern enthalten sind.
Patienten, die nicht formell aufgenommen und innerhalb von 24 Stunden aus der Notaufnahme entlassen werden, werden ausgeschlossen.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Verhütung
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Single
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Kein Eingriff: Standard-mHealth-Screening-Tool
Hierbei handelt es sich um ein getestetes Standard-Telefon-Screening-Tool, das die Notwendigkeit einer persönlichen Nachsorge nach der Entlassung eines Patienten feststellt.
Einwilligende Traumapatienten werden 0,5, 1, 3 und 6 Monate nach der Entlassung von einem Forschungsassistenten per Mobiltelefon kontaktiert, um das Screening abzuschließen, das anhand der Anzahl der markierten Patienten entscheidet, ob der Patient eine Nachsorge in Anspruch nehmen sollte oder nicht Antworten auf ≥1 Frage in der 7-Punkte-Screening-Umfrage.
|
|
|
Experimental: Optimierte Version des mHealth-Screening-Tools (Intervention) unter Verwendung des maschinellen Lernansatzes
Dieser Arm erhält eine Verbesserung des mHealth-Triage-Tools unter Verwendung eines maschinellen Lernansatzes.
Die Patienten werden mit dem optimierten Tool zu den Ergebniszeitpunkten (3 Monate, 6 Monate und 12 Monate) angerufen.
Bei jedem Anruf vervollständigen die Forschungsassistenten die GOSE-Umfrage und das mHealth-Triage-Tool und geben die Anrufergebnisse und Patientenantworten direkt in das mHealth-System ein.
Wenn eine Nachsorge indiziert ist, teilt der wissenschaftliche Mitarbeiter diese Informationen dem Patienten mit und bietet an, einen Termin zu vereinbaren.
|
Eine Verbesserung des mHealth-Triage-Tools unter Verwendung eines maschinellen Lernansatzes, der die Effizienz des Anrufplans optimiert und die Vorhersage, welche Patienten am ehesten von der Nachsorge profitieren werden, anhand von Daten, die im Krankenhaus über das Cameroon Trauma Registry gesammelt wurden, sowie telefonische Kontaktversuche nach der Entlassung und Umfrageinformationen.
Das Rückgrat der Schätzer ist der Ensemble-Algorithmus für maschinelles Lernen, der Superlearner, der auf medizinische Zusammenhänge, einschließlich Verletzungen und Traumata, angewendet wurde.
Es handelt sich um eine theoriegeleitete Methode, die auf Kreuzvalidierung basiert und potenziell viele verschiedene Lernende (z. B. Standardregression, Baumregression, Random Forest, neuronale Netze) so kombiniert, dass das gewählte Modell (ein gewichteter Durchschnitt der Lernenden) asymptotisch äquivalent ist zum sogenannten "Oracle" - dem Lerner, der optimal zur datenerzeugenden Verteilung passt.
Beachten Sie, dass doppelt robuste CV-TMLE-Versionen dieses Schätzers als tmle3mopttx-Funktion in tlverse verfügbar sind.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bewertung der Glasgow Outcomes Scale-Extended (GOSE) Punktzahl
Zeitfenster: Mit 3 Monaten
|
Dieses Ergebnis misst die Erholung nach einer traumatischen Verletzung und reicht von 1 (Tod), 2 (vegetativer Zustand) bis 8 (gute obere Erholung).
|
Mit 3 Monaten
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
GOSE-Punktzahl
Zeitfenster: Mit 6 und 12 Monaten
|
Dieses Ergebnis misst die Erholung nach einer traumatischen Verletzung und reicht von 1 (Tod), 2 (vegetativer Zustand) bis 8 (gute obere Erholung).
|
Mit 6 und 12 Monaten
|
|
Anteil, der von Mobiltelefonen erreicht wird
Zeitfenster: Nach 0,5, 1, 3 und 6 Monaten
|
Anzahl und Anteil stationärer Traumapatienten, die nach der Entlassung in beiden Armen per Handy erreicht werden
|
Nach 0,5, 1, 3 und 6 Monaten
|
|
Anteil, der eine Nachsorge benötigt
Zeitfenster: Nach 0,5, 1, 3 und 6 Monaten
|
Anzahl und Anteil stationärer Traumapatienten, die nach der Entlassung per Handy erreicht werden und die durch das Screening-Tool als nachsorgebedürftig identifiziert werden.
|
Nach 0,5, 1, 3 und 6 Monaten
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Ermittler
- Hauptermittler: Alain Chichom-Mefire, MD, University of Buea
- Hauptermittler: Catherine Juillard, MD, MPH, University of California, Los Angeles
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
- GRANT13254336 - Aim 2
- U54TW012087 (US NIH Stipendium/Vertrag)
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 .