Verwendung von Umfragen zur Untersuchung des Zusammenhangs zwischen der Exposition gegenüber ML-Mortalitätsrisikovorhersagen und der Prognosegenauigkeit und Entscheidungsfindung medizinischer Onkologen
20. November 2024 aktualisiert von: Abramson Cancer Center at Penn Medicine
Fast die Hälfte der Krebspatienten in den USA erhält eine Behandlung, die nicht mit ihren Wünschen vor ihrem Tod übereinstimmt.
Frühzeitige Advanced Care Planning (ACP) und Palliativpflege verbessern die zielgerechte Versorgung und Symptomatik und reduzieren unnötige Inanspruchnahmen.
Eine vielversprechende Strategie zur Verbesserung der ACP- und Palliativversorgung besteht darin, Patienten mit Sterblichkeitsrisiko früher im Krankheitsverlauf zu identifizieren, um diese Dienste gezielt in Anspruch nehmen zu können.
Algorithmen des maschinellen Lernens (ML) werden in verschiedenen Branchen, einschließlich der Medizin, eingesetzt, um das Risiko unerwünschter Folgen genau vorherzusagen und frühere Ressourcen zu lenken.
„Mensch-Maschine-Kooperationen“ – Systeme, die sowohl ML als auch menschliche Intuition nutzen – verbessern nachweislich Vorhersagen und Entscheidungsfindung in verschiedenen Situationen. Es ist jedoch nicht bekannt, ob Mensch-Maschine-Kooperationen die Prognosegenauigkeit verbessern und zu größeren und früheren Ergebnissen führen können ACP und Palliativversorgung.
In dieser Studie haben wir eine nationale Stichprobe medizinischer Onkologen kontaktiert und sie gebeten, an einer vignettenbasierten Umfrage teilzunehmen.
Unser Ziel war es, den Zusammenhang zwischen der Exposition gegenüber ML-Mortalitätsrisikovorhersagen und der Prognosegenauigkeit und Entscheidungsfindung von Ärzten zu untersuchen.
Wir präsentierten eine Reihe von sechs Vignetten, die drei klinische Szenarien beschreiben, die speziell für einen Patienten mit fortgeschrittenem nicht-kleinzelligem Lungenkrebs (aNSCLC) gelten und sich nach Alter, Geschlecht, Leistungsstatus, Rauchergeschichte, Ausmaß der Erkrankung, Symptomen und molekularem Status unterscheiden.
Wir werden diese vignettenbasierten Umfragen verwenden, um den Zusammenhang zwischen der Exposition gegenüber ML-Mortalitätsrisikovorhersagen und der Prognosegenauigkeit und Entscheidungsfindung medizinischer Onkologen zu untersuchen.
Studienübersicht
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
52
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Vereinigte Staaten, 19104
- Abramson Cancer Center of the University of Pennsylvania
-
-
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
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Die Studienpopulation bestand aus einer Stichprobe praktizierender medizinischer Onkologen, die in den USA Lungenkrebs behandelten.
Wir haben medizinische Onkologen über direkte E-Mails an die persönlichen Kontakte des Studienleiters rekrutiert (n=29); Direktnachrichten über Doximity, einen Online-Netzwerkdienst für medizinisches Fachpersonal (n=17), unter Verwendung einer „thorakalen Onkologie“; und Direktnachrichten über X (ehemals Twitter) (n=4).
Es wurden Anstrengungen unternommen, gleichmäßige Stichproben aus vier geografischen Regionen der USA (Nordosten, Süden, Mittlerer Westen, Westen) zu ziehen.
Beschreibung
Einschlusskriterien:
- Medizinische Onkologen, die Lungenkrebs behandeln
Ausschlusskriterien:
- Medizinische Onkologen, die Lungenkrebspatienten nicht behandeln
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
1A 2B 3C
1. Mittelstufe; 1.A. Referenzabhängig; 2. Schlecht; 2.B.
Absolute Prognose; 3. Gut; 3.C.
Beide
|
Die Studie bestand aus einem 3 × 3-Online-Faktorexperiment unter Verwendung eines von Qualtrics gehosteten Umfrageinstruments, in dem drei Patientenvignetten beschrieben wurden.
Die drei Patientenvignetten unterschieden sich durch verschiedene klinische Merkmale, darunter Alter, Geschlecht, Leistungsstatus, Rauchergeschichte, Ausmaß der Erkrankung, Symptome und molekularer Status.
Jeder Patient hatte fortgeschrittenen nicht-kleinzelligen Lungenkrebs (aNSCLC).
Jede Vignette bestand aus zwei Teilen: Teil 1 beschrieb die Krankengeschichte eines der drei Patienten, danach wurden prognostische Schätzungen und medizinische Entscheidungen bewertet (d. h. 1, 2, 3).
Teil 2 folgte unmittelbar und beschrieb dieselbe Vignette desselben Patienten mit zusätzlichen Informationen aus einem hypothetischen ML-Vorhersagealgorithmus (d. h.
A, B, C).
Die Reihenfolge der Vignetten in jeder Umfrage wurde im Hinblick auf Präsentationsstrategien für die ML-Risikovorhersagen randomisiert, sodass es 6 Versionen der Umfrage gab, denen jeder Teilnehmer randomisiert zugeteilt wurde.
|
|
1A 2C 3B
1. Mittelstufe; 1.A. Referenzabhängig; 2. Schlecht; 2.C.
Beide; 3. Gut; 3.B.
Absolute Prognose
|
Die Studie bestand aus einem 3 × 3-Online-Faktorexperiment unter Verwendung eines von Qualtrics gehosteten Umfrageinstruments, in dem drei Patientenvignetten beschrieben wurden.
Die drei Patientenvignetten unterschieden sich durch verschiedene klinische Merkmale, darunter Alter, Geschlecht, Leistungsstatus, Rauchergeschichte, Ausmaß der Erkrankung, Symptome und molekularer Status.
Jeder Patient hatte fortgeschrittenen nicht-kleinzelligen Lungenkrebs (aNSCLC).
Jede Vignette bestand aus zwei Teilen: Teil 1 beschrieb die Krankengeschichte eines der drei Patienten, danach wurden prognostische Schätzungen und medizinische Entscheidungen bewertet (d. h. 1, 2, 3).
Teil 2 folgte unmittelbar und beschrieb dieselbe Vignette desselben Patienten mit zusätzlichen Informationen aus einem hypothetischen ML-Vorhersagealgorithmus (d. h.
A, B, C).
Die Reihenfolge der Vignetten in jeder Umfrage wurde im Hinblick auf Präsentationsstrategien für die ML-Risikovorhersagen randomisiert, sodass es 6 Versionen der Umfrage gab, denen jeder Teilnehmer randomisiert zugeteilt wurde.
|
|
1B 2A 3C
1. Mittelstufe; 1.B.
Absolut; 2. Schlecht; 2.A. Referenzabhängig; 3. Gut; 3.C.
Beide
|
Die Studie bestand aus einem 3 × 3-Online-Faktorexperiment unter Verwendung eines von Qualtrics gehosteten Umfrageinstruments, in dem drei Patientenvignetten beschrieben wurden.
Die drei Patientenvignetten unterschieden sich durch verschiedene klinische Merkmale, darunter Alter, Geschlecht, Leistungsstatus, Rauchergeschichte, Ausmaß der Erkrankung, Symptome und molekularer Status.
Jeder Patient hatte fortgeschrittenen nicht-kleinzelligen Lungenkrebs (aNSCLC).
Jede Vignette bestand aus zwei Teilen: Teil 1 beschrieb die Krankengeschichte eines der drei Patienten, danach wurden prognostische Schätzungen und medizinische Entscheidungen bewertet (d. h. 1, 2, 3).
Teil 2 folgte unmittelbar und beschrieb dieselbe Vignette desselben Patienten mit zusätzlichen Informationen aus einem hypothetischen ML-Vorhersagealgorithmus (d. h.
A, B, C).
Die Reihenfolge der Vignetten in jeder Umfrage wurde im Hinblick auf Präsentationsstrategien für die ML-Risikovorhersagen randomisiert, sodass es 6 Versionen der Umfrage gab, denen jeder Teilnehmer randomisiert zugeteilt wurde.
|
|
1B 2C 3A
1. Mittelstufe; 1.B.
Absolut; 2. Schlecht; 2.C.
Beide; 3. Gut; 3.A.
Referenzabhängig
|
Die Studie bestand aus einem 3 × 3-Online-Faktorexperiment unter Verwendung eines von Qualtrics gehosteten Umfrageinstruments, in dem drei Patientenvignetten beschrieben wurden.
Die drei Patientenvignetten unterschieden sich durch verschiedene klinische Merkmale, darunter Alter, Geschlecht, Leistungsstatus, Rauchergeschichte, Ausmaß der Erkrankung, Symptome und molekularer Status.
Jeder Patient hatte fortgeschrittenen nicht-kleinzelligen Lungenkrebs (aNSCLC).
Jede Vignette bestand aus zwei Teilen: Teil 1 beschrieb die Krankengeschichte eines der drei Patienten, danach wurden prognostische Schätzungen und medizinische Entscheidungen bewertet (d. h. 1, 2, 3).
Teil 2 folgte unmittelbar und beschrieb dieselbe Vignette desselben Patienten mit zusätzlichen Informationen aus einem hypothetischen ML-Vorhersagealgorithmus (d. h.
A, B, C).
Die Reihenfolge der Vignetten in jeder Umfrage wurde im Hinblick auf Präsentationsstrategien für die ML-Risikovorhersagen randomisiert, sodass es 6 Versionen der Umfrage gab, denen jeder Teilnehmer randomisiert zugeteilt wurde.
|
|
1C 2A 3B
1. Mittelstufe; 1.C.
Beide; 2. Schlecht; 2.A. Referenzabhängig; 3. Gut; 3.B.
Absolut
|
Die Studie bestand aus einem 3 × 3-Online-Faktorexperiment unter Verwendung eines von Qualtrics gehosteten Umfrageinstruments, in dem drei Patientenvignetten beschrieben wurden.
Die drei Patientenvignetten unterschieden sich durch verschiedene klinische Merkmale, darunter Alter, Geschlecht, Leistungsstatus, Rauchergeschichte, Ausmaß der Erkrankung, Symptome und molekularer Status.
Jeder Patient hatte fortgeschrittenen nicht-kleinzelligen Lungenkrebs (aNSCLC).
Jede Vignette bestand aus zwei Teilen: Teil 1 beschrieb die Krankengeschichte eines der drei Patienten, danach wurden prognostische Schätzungen und medizinische Entscheidungen bewertet (d. h. 1, 2, 3).
Teil 2 folgte unmittelbar und beschrieb dieselbe Vignette desselben Patienten mit zusätzlichen Informationen aus einem hypothetischen ML-Vorhersagealgorithmus (d. h.
A, B, C).
Die Reihenfolge der Vignetten in jeder Umfrage wurde im Hinblick auf Präsentationsstrategien für die ML-Risikovorhersagen randomisiert, sodass es 6 Versionen der Umfrage gab, denen jeder Teilnehmer randomisiert zugeteilt wurde.
|
|
1C 2B 3A
1. Mittelstufe; 1.C.
Beide; 2. Schlecht; 2.B.
Absolut; 3. Gut; 3.A.
Referenzabhängig
|
Die Studie bestand aus einem 3 × 3-Online-Faktorexperiment unter Verwendung eines von Qualtrics gehosteten Umfrageinstruments, in dem drei Patientenvignetten beschrieben wurden.
Die drei Patientenvignetten unterschieden sich durch verschiedene klinische Merkmale, darunter Alter, Geschlecht, Leistungsstatus, Rauchergeschichte, Ausmaß der Erkrankung, Symptome und molekularer Status.
Jeder Patient hatte fortgeschrittenen nicht-kleinzelligen Lungenkrebs (aNSCLC).
Jede Vignette bestand aus zwei Teilen: Teil 1 beschrieb die Krankengeschichte eines der drei Patienten, danach wurden prognostische Schätzungen und medizinische Entscheidungen bewertet (d. h. 1, 2, 3).
Teil 2 folgte unmittelbar und beschrieb dieselbe Vignette desselben Patienten mit zusätzlichen Informationen aus einem hypothetischen ML-Vorhersagealgorithmus (d. h.
A, B, C).
Die Reihenfolge der Vignetten in jeder Umfrage wurde im Hinblick auf Präsentationsstrategien für die ML-Risikovorhersagen randomisiert, sodass es 6 Versionen der Umfrage gab, denen jeder Teilnehmer randomisiert zugeteilt wurde.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Prognosegenauigkeit anhand einer Umfrage ermittelt
Zeitfenster: Bis zu 3 Monaten
|
Prognoseschätzungen wurden anhand von zwei Items gemessen, die nach Teil 1 und 2 jeder der drei Vignetten verabreicht wurden:
Genaue Prognosen wurden definiert als ob die gemeldete Lebenserwartungsschätzung innerhalb von 33 % der LCPI-Schätzung lag, wie sie nach den Fokusgruppen geändert wurde. Die Teilnehmer beantworteten die erste Frage in Monaten und die zweite Frage als Prozentsatz zwischen 0 und 100 %. |
Bis zu 3 Monaten
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vorausschauende Pflegeplanungsentscheidungen, die anhand einer Umfrage beurteilt werden
Zeitfenster: Bis zu 3 Monaten
|
Die AKP-Entscheidungsfindung wurde anhand des folgenden Punktes bewertet, der nach den Teilen 1 und 2 jeder der drei Vignetten verabreicht wurde: 1) Würden Sie zu diesem Zeitpunkt im Krankheitsverlauf eine Diskussion über die Vorsorgeplanung führen? Jede Frage wurde als Ja/Nein-Antwort operationalisiert und von einem kostenlosen Antwortfeld mit der Frage gefolgt: „Bitte teilen Sie uns Ihre Gründe für diese Entscheidung mit.“ |
Bis zu 3 Monaten
|
|
Überweisung zur Palliativversorgung gemäß Umfrage
Zeitfenster: Bis zu 3 Monaten
|
Die Überweisung zur Palliativversorgung wurde anhand des folgenden Punktes beurteilt, der nach Teil 1 und 2 jeder der drei Vignetten verabreicht wurde: 1) Würden Sie ihn/sie zu diesem Zeitpunkt seines Krankheitsverlaufs an einen Palliativmediziner überweisen? Jede Frage wurde als Ja/Nein-Antwort operationalisiert und von einem kostenlosen Antwortfeld mit der Frage gefolgt: „Bitte teilen Sie uns Ihre Gründe für diese Entscheidung mit.“ |
Bis zu 3 Monaten
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
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)
13. März 2023
Primärer Abschluss (Tatsächlich)
31. Juli 2023
Studienabschluss (Tatsächlich)
31. Dezember 2023
Studienanmeldedaten
Zuerst eingereicht
30. April 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
12. Juni 2024
Zuerst gepostet (Tatsächlich)
18. Juni 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Geschätzt)
21. November 2024
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
20. November 2024
Zuletzt verifiziert
1. November 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- UPCC 10524
- 850382 (Andere Kennung: Penn IRB)
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
NEIN
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 .