Entwicklung eines passiven digitalen Markers für Asthmarisiken im Kindesalter
23. Juni 2026 aktualisiert von: Arthur H. Owora, MPH, PhD, Indiana University
Unterdiagnostik und Unterbehandlung sind ein großes Problem bei der Behandlung von Asthma im Kindesalter, insbesondere bei Kindern im Vorschulalter. Gegenwärtige prognostische Ansätze, die auf Risiko-Scores basierende Tools verwenden, haben eine schlechte bis mäßige Genauigkeit, sind unpraktisch und haben nur begrenzte Beweise für die Wirksamkeit in klinischen Umgebungen und werden daher in der Praxis nicht weit verbreitet.
Ziel der Studie ist es, die Verwendbarkeit, Akzeptanz, Durchführbarkeit und vorläufige Wirksamkeit des passiven digitalen Markers (PDM) für Asthma im Kindesalter bei Kinderärzten zu bestimmen. An der Studie werden praktizierende Kinderärzte des IU Health Network teilnehmen.
Studienübersicht
Status
Beendet
Bedingungen
Intervention / Behandlung
Studientyp
Interventionell
Einschreibung (Tatsächlich)
34
Phase
- Unzutreffend
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Indiana
-
Indianapolis, Indiana, Vereinigte Staaten, 46202
- Indiana University
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Ja
Beschreibung
Einschlusskriterien: Praktizierende Kinderärzte innerhalb des IU Health Network
Ausschlusskriterien: Nicht praktizierende Kinderärzte innerhalb des IU Health Network
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Screening
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Single
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Kein Eingriff: Kontrollärzte – nur nach dem Test
N = 25 pädiatrische Kontrollärzte, die nur den Nachtest erhalten.
Jedem Arzt werden 10 zufällig ausgewählte Vignetten von 10 Kindern [5 mit und 5 ohne Asthma] vorgelegt und gebeten, das Asthmarisiko eines Kindes im Alter von 6 bis 10 Jahren vorherzusagen.
|
|
|
Experimental: PDM Intervention Clinicians – nur nach dem Test
N = 25 pädiatrische Interventionsärzte, die nur den Nachtest erhalten.
Unter Verwendung des PDM werden jedem Kliniker 10 zufällig ausgewählte Vignetten von 10 Kindern [5 mit und 5 ohne Asthma] vorgelegt und gebeten, das Asthmarisiko eines Kindes im Alter von 6 bis 10 Jahren vorherzusagen.
|
Ein passiver digitaler Marker (PDM) für Asthma im Kindesalter ist ein ML-Algorithmus, der in der Lage ist, bereits „passiv“ gesammelte Mutter-Kind-Dyaden-Prognosedaten in „digitalen“ elektronischen Patientenakten (EHR) abzurufen und zu synthetisieren, um ein objektives und quantifizierbares „ Marker" des Risikos (Wahrscheinlichkeit) eines Kindes und des damit verbundenen pathophysiologischen Phänotyps, um die Entscheidungsfindung des Arztes am Point-of-Care zu informieren.
Andere Namen:
|
|
Kein Eingriff: Kontrollärzte – Vor- und Nachtest
N = 25 pädiatrische Kontrollärzte, die den Vor- und Nachtest erhalten.
Jedem Arzt werden 10 zufällig ausgewählte Vignetten von 10 Kindern [5 mit und 5 ohne Asthma] vorgelegt und gebeten, das Asthmarisiko eines Kindes im Alter von 6 bis 10 Jahren vorherzusagen.
|
|
|
Aktiver Komparator: PDM-Interventionskliniker – Vor- und Nachtest
N = 25 pädiatrische Interventionsärzte, die den Vor- und Nachtest erhalten.
Unter Verwendung des PDM werden jedem Kliniker 10 zufällig ausgewählte Vignetten von 10 Kindern [5 mit und 5 ohne Asthma] vorgelegt und gebeten, das Asthmarisiko eines Kindes im Alter von 6 bis 10 Jahren vorherzusagen.
|
Ein passiver digitaler Marker (PDM) für Asthma im Kindesalter ist ein ML-Algorithmus, der in der Lage ist, bereits „passiv“ gesammelte Mutter-Kind-Dyaden-Prognosedaten in „digitalen“ elektronischen Patientenakten (EHR) abzurufen und zu synthetisieren, um ein objektives und quantifizierbares „ Marker" des Risikos (Wahrscheinlichkeit) eines Kindes und des damit verbundenen pathophysiologischen Phänotyps, um die Entscheidungsfindung des Arztes am Point-of-Care zu informieren.
Andere Namen:
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Perceived PDM Acceptance
Zeitfenster: 8 to 12 months
|
Mean Perceived PDM acceptance measured using a Behavioral Intention scale (BIS) with a score Likert scale score of 0-5.
Here, higher score values represent a higher acceptability of the PDM (i.e., better outcome).
|
8 to 12 months
|
|
Perceived PDM Usability
Zeitfenster: 8 to 12 months
|
Mean Perceived Usability measured using a modified Simplified System Usability Scale (SUS) with a score Likert scale of 0-5.
Here, higher score values represent a higher perceived usability of the PDM (i.e., better outcome).
|
8 to 12 months
|
|
Study Feasibility
Zeitfenster: 8 to 12 months
|
Percent of successful study enrollment of eligible clinicians (>80%)
|
8 to 12 months
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Prognostic Accuracy
Zeitfenster: 3 to 12 months
|
Clinician prognostic accuracy was defined as the proportion of correctly classified vignettes.
Accuracy was calculated as: correct vignette classifications ÷ total vignettes evaluated.
Values ranged from 0 to 1, with higher values indicating greater prognostic accuracy.
Each clinician assessed 10 vignettes (5 cases and 5 controls) and classified them as either high or low risk.
A correct classification was high risk for a case and low risk for a control vignette.
|
3 to 12 months
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Publikationen und hilfreiche Links
Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
1. Juni 2024
Primärer Abschluss (Tatsächlich)
16. Juni 2025
Studienabschluss (Tatsächlich)
16. Juni 2025
Studienanmeldedaten
Zuerst eingereicht
12. April 2023
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
12. April 2023
Zuerst gepostet (Tatsächlich)
24. April 2023
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
21. Juli 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
23. Juni 2026
Zuletzt verifiziert
1. Juni 2026
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 15873
- K01HL166436 (US NIH Stipendium/Vertrag)
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .