- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT06229444
Predict + Protect: Eine randomisierte kontrollierte Studie zur Untersuchung der Wirksamkeit einer prädiktiven Intervention zur Gesundheitserziehung bei der Einführung von Schutzverhalten im Zusammenhang mit grippeähnlichen Erkrankungen (ILI)
27. August 2024 aktualisiert von: Evidation Health
Das Ziel dieser prospektiven, digitalen, randomisierten, kontrollierten Studie besteht darin, die Wirksamkeit eines prädiktiven ILI-Erkennungsalgorithmus und der damit verbundenen Warnungen während der Grippesaison für Erwachsene zu bewerten, die in den Vereinigten Staaten leben.
Die Hauptziele der Studie bestehen darin, die Wirksamkeit des prädiktiven ILI-Erkennungsalgorithmus und der damit verbundenen Warnungen zu Schutzverhalten im Zusammenhang mit ILI zu bewerten und die Genauigkeit eines prädiktiven ILI-Erkennungsalgorithmus anhand der von den Teilnehmern selbst gemeldeten ILI-Symptome und -Diagnosen zu bewerten.
Studienübersicht
Status
Aktiv, nicht rekrutierend
Studientyp
Interventionell
Einschreibung (Geschätzt)
15000
Phase
- Unzutreffend
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
California
-
San Mateo, California, Vereinigte Staaten, 94402
- Evidation Health
-
-
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:
- Mitglied der Evidation-Plattform
- 18 Jahre oder älter
- Lebt in den USA.
- Besitzt und verwendet derzeit einen tragbaren Aktivitäts-Tracker für Endverbraucher (Apple Watch, Garmin oder Fitbit), der mit seinem Evidation-Konto verknüpft ist
- Erfüllt die Anforderungen an die Datendichte für tragbare Daten: Schritt- und Herzfrequenzdaten sind für 15 % der letzten 60 Tage vorhanden (oder nicht weniger als insgesamt 2 Tage für Evidation-Konten, die weniger als 60 Tage alt sind).
Ausschlusskriterien:
- Verfügt über kein Evidation-Konto
- Nicht 18 Jahre oder älter
- Lebt nicht in den USA.
- Es ist kein Aktivitäts-Tracker mit dem Evidation-Konto verknüpft
- Eingeschrieben in ein von Evidation unterstütztes ILI-Überwachungs- und Engagementprogramm oder eine klinische Studie (z. B. FluSmart)
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Verhütung
- Zuteilung: Zufällig
- Interventionsmodell: Fakultätszuweisung
- Maskierung: Single
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: Proaktive ILI-Inhalte und Vorhersagen
Die Teilnehmer erhalten prädiktive Warnungen, reaktive Inhalte nach der Meldung von Symptomen oder dem Erhalt einer asymptomatischen Vorhersage sowie ILI-bezogene Gesundheitserziehungsinhalte
|
Die Teilnehmer erhalten ILI-bezogene Aufklärung, Feedback und Möglichkeiten zur Selbstüberwachung von ILI-Symptomen. Darüber hinaus erhalten sie Warnungen über mögliche ILI-Erkrankungen sowie reaktive und personalisierte Inhalte zu gesundheitsschützenden Verhaltensweisen.
|
|
Experimental: Keine proaktiven ILI-Inhalte und -Vorhersagen
Teilnehmer erhalten prädiktive Warnungen und reaktive Inhalte, nachdem sie Symptome gemeldet oder eine asymptomatische Vorhersage erhalten haben, erhalten jedoch keine proaktiven ILI-Inhalte
|
Die Teilnehmer erhalten Benachrichtigungen über potenzielle ILI-Erkrankungen sowie reaktive und personalisierte Inhalte zu gesundheitsschützenden Verhaltensweisen.
|
|
Experimental: Proaktive ILI-Inhalte und keine Vorhersagen
Teilnehmer erhalten nach der Meldung von Symptomen keine prädiktiven Warnungen oder reaktiven Inhalte, sondern proaktive ILI-Inhalte
|
Die Teilnehmer erhalten ILI-bezogene Aufklärung, Feedback und Möglichkeiten zur Selbstüberwachung der ILI-Symptome.
|
|
Experimental: Keine proaktiven ILI-Inhalte und keine Vorhersagen
Teilnehmer erhalten keine prädiktiven Warnungen oder reaktiven Inhalte, nachdem sie Symptome oder proaktive ILI-Inhalte gemeldet haben
|
Teilnehmer erhalten keine prädiktiven Warnungen oder reaktiven Inhalte, nachdem sie Symptome oder proaktive IILI-bezogene Gesundheitserziehungsinhalte gemeldet haben
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Das Hauptziel dieser Studie besteht darin, die Wirksamkeit eines prädiktiven ILI-Erkennungsalgorithmus und der damit verbundenen Warnungen zu ILI-bezogenen Gesundheits- und Verhaltensergebnissen zu bewerten
Zeitfenster: Bis zum Abschluss des Studiums ca. 10 Monate
|
Der Unterschied zwischen der prädiktiven Alarmgruppe und den Gruppen ohne prädiktiver Alarm im Anteil der Kohortenmitglieder, die ein angestrebtes Gesundheitsverhalten 1–4 (d. h.
mindestens eine der folgenden Maßnahmen durchgeführt: Ausbreitung reduziert, Tests durchgeführt, ärztliche Hilfe in Anspruch genommen oder die Behandlung eingehalten)
|
Bis zum Abschluss des Studiums ca. 10 Monate
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Das sekundäre Ziel besteht darin, die Genauigkeit eines ILI-Erkennungsalgorithmus anhand selbstberichteter Symptome und der ILI-Diagnose zu bewerten
Zeitfenster: Bis zum Abschluss des Studiums ca. 10 Monate
|
Bewerten Sie die Leistung des Algorithmus (im Vergleich zu Etiketten aus selbst gemeldeten ILI-Symptomen und/oder selbst gemeldeten positiven Diagnosen) insgesamt und pro eingesetztem Modell.
Die Leistung des Algorithmus wird in verschiedenen Dimensionen bewertet, darunter ROC AUC, Sensitivität, Spezifität, PPV und NPV
|
Bis zum Abschluss des Studiums ca. 10 Monate
|
Andere Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Das explorative Ziel besteht darin, Unterschiede in der Wirksamkeit zwischen den vier Gruppen in Bezug auf ILI-bezogene Gesundheits- und Verhaltensergebnisse zu bewerten
Zeitfenster: Bis zum Abschluss des Studiums ca. 10 Monate
|
Der Unterschied zwischen allen Gruppen im Anteil der Kohortenmitglieder, die ein angestrebtes Gesundheitsverhalten 1–4 zeigten (d. h.
mindestens eine der folgenden Maßnahmen durchgeführt: Ausbreitung reduziert, Tests durchgeführt, ärztliche Hilfe in Anspruch genommen oder die Behandlung eingehalten)
|
Bis zum Abschluss des Studiums ca. 10 Monate
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Ermittler
- Hauptermittler: Ernesto H.N. Ramirez, PhD, Evidation
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.
Allgemeine Veröffentlichungen
- McCambridge J, Witton J, Elbourne DR. Systematic review of the Hawthorne effect: new concepts are needed to study research participation effects. J Clin Epidemiol. 2014 Mar;67(3):267-77. doi: 10.1016/j.jclinepi.2013.08.015. Epub 2013 Nov 22.
- Tokars JI, Olsen SJ, Reed C. Seasonal Incidence of Symptomatic Influenza in the United States. Clin Infect Dis. 2018 May 2;66(10):1511-1518. doi: 10.1093/cid/cix1060.
- Wiemken TL, Khan F, Puzniak L, Yang W, Simmering J, Polgreen P, Nguyen JL, Jodar L, McLaughlin JM. Seasonal trends in COVID-19 cases, hospitalizations, and mortality in the United States and Europe. Sci Rep. 2023 Mar 8;13(1):3886. doi: 10.1038/s41598-023-31057-1.
- Temple DS, Hegarty-Craver M, Furberg RD, Preble EA, Bergstrom E, Gardener Z, Dayananda P, Taylor L, Lemm NM, Papargyris L, McClain MT, Nicholson BP, Bowie A, Miggs M, Petzold E, Woods CW, Chiu C, Gilchrist KH. Wearable Sensor-Based Detection of Influenza in Presymptomatic and Asymptomatic Individuals. J Infect Dis. 2023 Apr 12;227(7):864-872. doi: 10.1093/infdis/jiac262.
- Mezlini A, Shapiro A, Daza EJ, Caddigan E, Ramirez E, Althoff T, Foschini L. Estimating the Burden of Influenza-like Illness on Daily Activity at the Population Scale Using Commercial Wearable Sensors. JAMA Netw Open. 2022 May 2;5(5):e2211958. doi: 10.1001/jamanetworkopen.2022.11958.
- Shapiro A, Marinsek N, Clay I, Bradshaw B, Ramirez E, Min J, Trister A, Wang Y, Althoff T, Foschini L. Characterizing COVID-19 and Influenza Illnesses in the Real World via Person-Generated Health Data. Patterns (N Y). 2020 Dec 13;2(1):100188. doi: 10.1016/j.patter.2020.100188. eCollection 2021 Jan 8.
- Hunter V, Shapiro A, Chawla D, Drawnel F, Ramirez E, Phillips E, Tadesse-Bell S, Foschini L, Ukachukwu V. Characterization of Influenza-Like Illness Burden Using Commercial Wearable Sensor Data and Patient-Reported Outcomes: Mixed Methods Cohort Study. J Med Internet Res. 2023 Mar 23;25:e41050. doi: 10.2196/41050.
- Mayer C, Tyler J, Fang Y, Flora C, Frank E, Tewari M, Choi SW, Sen S, Forger DB. Consumer-grade wearables identify changes in multiple physiological systems during COVID-19 disease progression. Cell Rep Med. 2022 Apr 19;3(4):100601. doi: 10.1016/j.xcrm.2022.100601. eCollection 2022 Apr 19.
- Nestor B, Hunter J, Kainkaryam R, Drysdale E, Inglis JB, Shapiro A, Nagaraj S, Ghassemi M, Foschini L, Goldenberg A. Machine learning COVID-19 detection from wearables. Lancet Digit Health. 2023 Apr;5(4):e182-e184. doi: 10.1016/S2589-7500(23)00045-6. No abstract available.
- Merrill MA, Safranchik E, Kolbeinsson A, Gade P, Ramirez E, Schmidt L, Foshchini L, Althoff T. Homekit2020: A benchmark for time series classification on a large mobile sensing dataset with laboratory tested ground truth of influenza infections. Proceedings of Machine Learning Research LEAVE UNSET:1-22, 2023.
- Rosenstock, I. M. (2000). Health Belief Model. In A. E. Kazdin (Ed.), Encyclopedia of psychology (Vol. 4, pp. 78-80). Oxford University Press.
- Zewdie A, Mose A, Sahle T, Bedewi J, Gashu M, Kebede N, Yimer A. The health belief model's ability to predict COVID-19 preventive behavior: A systematic review. SAGE Open Med. 2022 Jul 22;10:20503121221113668. doi: 10.1177/20503121221113668. eCollection 2022.
- Mercadante AR, Law AV. Will they, or Won't they? Examining patients' vaccine intention for flu and COVID-19 using the Health Belief Model. Res Social Adm Pharm. 2021 Sep;17(9):1596-1605. doi: 10.1016/j.sapharm.2020.12.012. Epub 2020 Dec 30.
- Gutierrez F, Wolfe J. Using the Health Belief Model to improve influenza vaccination rates. JAAPA. 2022 Oct 1;35(10):46-47. doi: 10.1097/01.JAA.0000873832.52485.65.
- Richardson KM, Jospe MR, Saleh AA, Clarke TN, Bedoya AR, Behrens N, Marano K, Cigan L, Liao Y, Scott ER, Guo JS, Aguinaga A, Schembre SM. Use of Biological Feedback as a Health Behavior Change Technique in Adults: Scoping Review. J Med Internet Res. 2023 Sep 25;25:e44359. doi: 10.2196/44359.
- LaFave SE, Granbom M, Cudjoe TKM, Gottsch A, Shorb G, Szanton SL. Attention control group activities and perceived benefit in a trial of a behavioral intervention for older adults. Res Nurs Health. 2019 Dec;42(6):476-482. doi: 10.1002/nur.21992. Epub 2019 Oct 24.
- Lee JL, Foschini L, Kumar S, Juusola J, Liska J, Mercer M, Tai C, Buzzetti R, Clement M, Cos X, Ji L, Kanumilli N, Kerr D, Montanya E, Muller-Wieland D, Ostenson CG, Skolnik N, Woo V, Burlet N, Greenberg M, Samson SI. Digital intervention increases influenza vaccination rates for people with diabetes in a decentralized randomized trial. NPJ Digit Med. 2021 Sep 17;4(1):138. doi: 10.1038/s41746-021-00508-2.
- Mansournia MA, Higgins JP, Sterne JA, Hernan MA. Biases in Randomized Trials: A Conversation Between Trialists and Epidemiologists. Epidemiology. 2017 Jan;28(1):54-59. doi: 10.1097/EDE.0000000000000564. Erratum In: Epidemiology. 2018 Sep;29(5):e49. doi: 10.1097/EDE.0000000000000846.
Nützliche Links
- Centers for Disease Control and Prevention, National Center for Immunization and Respiratory Diseases (NCIRD). Past Seasons Estimated Influenza Disease Burden
- Centers for Disease Control and Prevention, National Center for Immunization and Respiratory Diseases (NCIRD). Past Seasons Estimated Influenza Disease Burden
- Centers for Disease Control and Prevention. COVID Data Tracker.
- Centers for Disease Control and Prevention, Office of Public Health Data, Surveillance, and Technology. 2023. RESP-NET Interactive Dashboard.
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)
12. Februar 2024
Primärer Abschluss (Tatsächlich)
5. August 2024
Studienabschluss (Geschätzt)
6. September 2024
Studienanmeldedaten
Zuerst eingereicht
19. Januar 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
19. Januar 2024
Zuerst gepostet (Tatsächlich)
29. Januar 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
29. August 2024
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
27. August 2024
Zuletzt verifiziert
1. August 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- Predict + Protect Study
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 .
Klinische Studien zur COVID-19
-
PfizerAktiv, nicht rekrutierendCOVID-19 | Coronavirus-Krankheit 2019 (COVID-19) | Covid-19 Infektion | Covid-19 Impfungen | SARS-CoV-2-Infektion, COVID19 | COVID-19-Impfung | SARS-CoV-2-Infektion, COVID-19 | COVID-19 (Coronavirus-Krankheit 2019) | COVID-19 SARS-CoV-2-InfektionVereinigte Staaten
-
Shanghai Public Health Clinical CenterNoch keine Rekrutierung
-
Duke UniversityNational Institute on Minority Health and Health Disparities (NIMHD)Abgeschlossen
-
Eggensberger OHGBavarian Health and Food Safety Authority (LGL)RekrutierungZustand nach COVID-19 | Nach COVID-19 | Post-COVID-19-Syndrom | Langes COVID-19-Syndrom | Zustand nach COVID-19 (PCC)Deutschland
-
PfizerRekrutierungErkrankungen der Atemwege | COVID-19 | Lungenentzündung | Lungenkrankheit | Coronavirus Krankheit 2019 | Coronavirus-Krankheit 2019 (COVID-19) | Covid-19 Infektion | Infektionen der oberen Atemwege | Infektion der Atemwege | COVID-19 (Coronavirus-Krankheit 2019) | COVID-19 SARS-CoV-2-InfektionBelgien
-
ModeX Therapeutics, An OPKO Health CompanyRekrutierungCOVID 19 | COVID-19 (Prävention)Vereinigte Staaten
-
Lawson Research Institute of St. Joseph'sCanadian Institutes of Health Research (CIHR); Western University, CanadaRekrutierungErmüdung | Post-COVID-19-Syndrom | Zustand nach COVID-19 | Post-COVID-Syndrom | Lange COVID-19 | Lang-COVID | Post-COVID-ZustandKanada
-
University of Missouri, Kansas CityNational Institute on Minority Health and Health Disparities (NIMHD)Aktiv, nicht rekrutierendCovid-19-TestverhaltenVereinigte Staaten
-
University of Roma La SapienzaQueen Mary University of London; Università degli studi di Roma Foro Italico; Bios...AbgeschlossenPostakute Folgen von COVID-19 | Zustand nach COVID-19 | Lang-COVID | Chronisches COVID-19-SyndromItalien
-
Yang I. PachankisAktiv, nicht rekrutierendCOVID-19 Atemwegsinfektion | COVID-19 Stresssyndrom | COVID-19-Impfstoff-Nebenwirkung | COVID-19-assoziierte Thromboembolie | COVID-19 Post-Intensive-Care-Syndrom | COVID-19-assoziierter SchlaganfallChina