- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT06810076
Entwickeln und Bewertung eines maschinell-lernenden Opioid-Überdosierungsvorhersage- und Risikostratifizierungswerkzeugs in der Grundversorgung (DEMONSTRATE)
Entwicklung und Bewertung einer maschinell-lernenden Opioidvorhersage und -risikostratifizierung E-Plattform (Demonstration)
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Diese klinische Studie bewertet die Pilot-Implementierung eines ML-gesteuerten CDS-Tools zur Vorhersage von Opioid-Überdosierungsrisiken innerhalb des EHR-Systems (Electronic Health Record) in neun UF-Gesundheitsmedizin- und Familienmedizinkliniken in Gainesville, Florida.
Der Implementierungsprozess umfasste die Entwicklung und Integration des CDS -Tools Backend und Frontend. Für die Backend -Integration überprüften die Ermittler klinische Workflows, konzipierten einen Datenflussplan, um Risikomobile in Patientendiagramme einzubeziehen, und arbeiteten mit UF Health IT und Integrated Data Repository (IDR) -Schürodien zusammen, um die Warnmeldung, die Datenfluss, die Serverspezifikationen und die Spezifikationen und Serverspezifikationen zu beheben. Verantwortlichkeiten. Die von UF Health IT und dem Institutional Review Board (IRB) genehmigten Risikobewertungen sorgten für einen sicheren Zugang zu Patientengesundheitsinformationen (PHI) und ermöglichten die EHR -Integration. Für die Frontend-Entwicklung verwendeten die Ermittler einen benutzerzentrierten Designansatz, um den CDS-Tool-Prototyp zu erstellen, wobei PCPs während formativer Interviews Feedback von PCPs einbezogen wurden, um die Benutzeroberfläche zu verfeinern und zeitnahe, umsetzbare Warnungen durch das epische System sicherzustellen, ohne klinische Workflows zu stören.
Die Studie zielt hauptsächlich darauf ab, die Benutzerfreundlichkeit, Akzeptanz und Machbarkeit des CDS-Tools sechs Monate nach der Implementierung durch Mischmethoden-Bewertungen zu bewerten. Forscher werden semi-strukturierte Interviews und einen Online-Fragebogen verwenden, um Feedback von PCPs zu sammeln und sich auf die Benutzbarkeit von Alarms, die Vorlieben und die Ergebnisse zu konzentrieren. Quantitative Analysen bewerten Warndurchdringung, Verwendungsmuster und PCP -Aktionen, während qualitative Analysen Themen und Erkenntnisse von Override -Kommentaren zur Optimierung der Tool -Optimierung untersuchen. Die Forscher werden auch die Ergebnisse auf sekundäre Patientenebene unter Verwendung von EHR-Daten wie Naloxon-Rezepten untersuchen.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
Florida
-
Gainesville, Florida, Vereinigte Staaten, 32608
- University of Florida Health Internal Medicine and Family Medicine
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Beschreibung
Einschlusskriterien:
Für die Bewertung der Ergebnisse der PCP -Ebene der Ergebnisse
- PCPs
- Praktizieren in einer der 9 teilnehmenden Kliniken (6 UF Health Family Medicine -Kliniken und 3 UF Health Internal Medicine) in Gainesville, Florida.
Für die Bewertung der Ergebnisse der Patientenebene:
Einschlusskriterien: Patienten, die in einem der 9 teilnehmenden UF -Gesundheitskliniken gesehen wurden, die
- sind ≥ 18 Jahre alt
- Erhielt im vergangenen Jahr vor ihrem Klinikbesuch ein Opioid -Rezept.
- werden durch den ML -Algorithmus als ein erhöhtes Risiko für Überdosierung identifiziert. Ausschlusskriterien: Patienten, die
- hatte vor der Studie eine bösartige Krebsdiagnose oder Hospizversorgung
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Versorgungsforschung
- Zuteilung: N / A
- Interventionsmodell: Einzelgruppenzuweisung
- Maskierung: Keine (Offenes Etikett)
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: Interventionsarm der Überdosierungsprävention (OPA)
Der Interventionsarm erhält ein ML -CDS -Tool, das Interruptive Warnungen für Patienten mit erhöhtem Risiko einer Opioidüberdosierung bietet, die ausgelöst wird, wenn ein Kliniker eine Opioidanordnung unterschreibt.
|
In dieser Studie werden die Forscher ein Interruptiv -ML -CDS -Tool für Opioid -Überdosis -Risiko in dreizehn Grundversorgungsprüchungen an der UF Health in Gainesville, FL, pilotieren.
Wenn ein Patient durch den ML -Algorithmus als ein erhöhtes Überdosierungsrisiko identifiziert wird und ein PCP ein Opioid -Rezept für den Patienten unterschreibt, wird ein Opioid -Präventionswarn (OPA) ausgelöst.
Die Warnung umfasst die Gründe für den erhöhten Risikostatus des Patienten und liefert drei Empfehlungen zur Risikominderung: Optimierung der Schmerzbehandlung und Unterstützung der psychischen Gesundheit, Überprüfung und Diskussion von Risiken mit dem Patienten und Anbieten von Naloxon jährlich, wenn in der Aufzeichnung des Patienten keine vorherige Naloxon -Reihenfolge gefunden wird.
PCPs können auch einen Überschreibungsgrund auswählen, wie beispielsweise der Patient bereits Naloxon hat, die Intervention abgelehnt, nicht vorhanden ist/es ist nicht der richtige Zeitpunkt, oder die Warnung ist gegebenenfalls nicht relevant/andere Kommentare.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Zusammengesetzte Ergebnisse auf Patientenebene im Zusammenhang mit Opioiden
Zeitfenster: Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung des OPA
|
Das CDS -Tool erzeugt einen OPA (Überdosis -Präventions -Alarm), wenn ein PCP in EPIC® eine Opioidreihenfolge unterzeichnet. Um die Wirksamkeit des Werkzeugs zu bewerten, werden die Forscher innerhalb der klinischen Vergleiche (Vorverfolgung nach der Implementierung) durchführen und nach der Implementierung eine Zusammenstellung von Ergebnissen auf Patientenebene untersuchen, einschließlich des Anteils der Patienten mit einem der folgenden 6 Ergebnisse:
|
Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung des OPA
|
|
PCPs Feedback der Überdosierungsprävention Alarm (OPA) verwenden
Zeitfenster: Von der Einschreibung und bis zu 7 Monaten nach der Umsetzung des OPA
|
Ein Online-Fragebogen für PCPs, die mit OPA interagiert haben, enthält 12 Likert-Scale-Elemente (4-Punkte-Skala: 1 = stark zu 4 = Übereinstimmung) zur Bewertung der Akzeptanz von OPA, Angemessenheit und Durchführbarkeit:
Die Mittelwerte (mit Standardabweichungen [SD]) werden über alle Elemente sowie einzelne Durchschnittswerte (SD) berechnet. |
Von der Einschreibung und bis zu 7 Monaten nach der Umsetzung des OPA
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Erhalt einer Naloxon -Bestellung oder Rezeptabfüllung
Zeitfenster: Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung der Überdosierungsprävention (OPA)
|
Anteil der Patienten, die Alarms erhalten, die eine Naloxonreihenfolge oder eine verschreibungspflichtige Füllung haben
|
Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung der Überdosierungsprävention (OPA)
|
|
Fehlen von Opioidüberdosierungsdiagnosen und Verabreichung von Naloxon
Zeitfenster: Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
Anteil der Patienten, die Warnung erhalten, die keine Opioidüberdosis -Diagnosen und Naloxon -Verabreichung haben
|
Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
|
Fehlen von ED -Besuchen oder Krankenhausaufenthalten aufgrund von Opioidüberdosis oder Oud
Zeitfenster: Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
Anteil der Patienten, die Alarms erhalten, die keine ED -Besuche oder Krankenhausaufenthalte aufgrund einer Opioidüberdosierung oder Opioidkonsumstörung (OUD) haben
|
Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
|
Fehlen überlappender Opioid- und Benzodiazepin -Verwendung
Zeitfenster: Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
Anteil der Patienten, die Alarms erhalten, die keine überlappenden Opioid- und Benzodiazepin -Verwendung haben
|
Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
|
Fehlen eines hochdosierten Opioidverbrauchs (durchschnittliche tägliche Morphin-Milligramm-Äquivalent ≥ 50)
Zeitfenster: Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
Anteil der Patienten, die Alarms erhalten, die keinen hochdosierten Opioidkonsum aufweisen (durchschnittliche tägliche Morphin-Milligramm-Äquivalent ≥ 50).
|
Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
|
Erhalt von Überweisungen an nicht-pharmakologische Schmerzbehandlung (z. B. Physiotherapie, Chiropraktikversorgung
Zeitfenster: Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
Anteil der Patienten, die Alarms erhalten, die Überweisungen an nicht-pharmakologische Schmerzbehandlung (z. B. Physiotherapie, Chiropraktik).
|
Von der Einschreibung und bis zu 12 Monaten (3, 6, 12 Monate) nach der Umsetzung
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Wei-Hsuan Lo-Ciganic, PhD, Division of General Internal Medicine, School of Medicine, University of Pittsburgh, Pittsburgh, PA
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Lo-Ciganic WH, Huang JL, Zhang HH, Weiss JC, Kwoh CK, Donohue JM, Gordon AJ, Cochran G, Malone DC, Kuza CC, Gellad WF. Using machine learning to predict risk of incident opioid use disorder among fee-for-service Medicare beneficiaries: A prognostic study. PLoS One. 2020 Jul 17;15(7):e0235981. doi: 10.1371/journal.pone.0235981. eCollection 2020.
- Lo-Ciganic WH, Donohue JM, Yang Q, Huang JL, Chang CY, Weiss JC, Guo J, Zhang HH, Cochran G, Gordon AJ, Malone DC, Kwoh CK, Wilson DL, Kuza CC, Gellad WF. Developing and validating a machine-learning algorithm to predict opioid overdose in Medicaid beneficiaries in two US states: a prognostic modelling study. Lancet Digit Health. 2022 Jun;4(6):e455-e465. doi: 10.1016/S2589-7500(22)00062-0.
- Nguyen K, Wilson DL, Diiulio J, Hall B, Militello L, Gellad WF, Harle CA, Lewis M, Schmidt S, Rosenberg EI, Nelson D, He X, Wu Y, Bian J, Staras SAS, Gordon AJ, Cochran J, Kuza C, Yang S, Lo-Ciganic W. Design and development of a machine-learning-driven opioid overdose risk prediction tool integrated in electronic health records in primary care settings. Bioelectron Med. 2024 Oct 18;10(1):24. doi: 10.1186/s42234-024-00156-3.
- Militello LG, Diiulio J, Wilson DL, Nguyen KA, Harle CA, Gellad W, Lo-Ciganic WH. Using human factors methods to mitigate bias in artificial intelligence-based clinical decision support. J Am Med Inform Assoc. 2025 Feb 1;32(2):398-403. doi: 10.1093/jamia/ocae291.
- Lo-Ciganic WH, Huang JL, Zhang HH, Weiss JC, Wu Y, Kwoh CK, Donohue JM, Cochran G, Gordon AJ, Malone DC, Kuza CC, Gellad WF. Evaluation of Machine-Learning Algorithms for Predicting Opioid Overdose Risk Among Medicare Beneficiaries With Opioid Prescriptions. JAMA Netw Open. 2019 Mar 1;2(3):e190968. doi: 10.1001/jamanetworkopen.2019.0968.
- Hong JJ,Wilson DL,Nguyen K,Gellad WF,Diiulio J,Militello L,Yan S,Harle CA,Nelson D,Rosenberg EI,Schmidt S,Chang CH,Cochran G,Wu Y,Staras SAS,Kuza C,Lo-Ciganic WH
Nützliche Links
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
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
- STUDY24040038
- R01DA050676 (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
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 Psychische Störungen
-
University of CoimbraNoch keine RekrutierungErziehungsstress | Positive Mental HealthPortugal
-
Tarja VälimäkiKarolinska Institutet; University of California, Davis; Tampere University; Finnish... und andere MitarbeiterNoch keine Rekrutierung
-
South West Yorkshire Partnership NHS Foundation...UnbekanntGründe für die Inhaftierung nach dem Mental Health Act 1983Vereinigtes Königreich
-
Yonsei UniversityAbgeschlossenKrankenschwestern, die im Community Mental Health Welfare Center arbeitenKorea, Republik von
-
Universidade do PortoInstituto de Ciências Biomédicas Abel SalazarNoch keine RekrutierungBelastung der Pflegekraft | Familienbetreuer | Psychische Gesundheitserscheinung | Positive Mental HealthPortugal
-
Supplement Formulators, Inc.Abgeschlossen
-
Weill Medical College of Cornell UniversityZurückgezogenIschämie | Stress, mentalVereinigte Staaten
-
Lancaster UniversityMedtronic; East Lancashire Hospitals NHS Trust; KARL STORZ Endoscopy-America,... und andere MitarbeiterAbgeschlossenErmüdung | Chirurgie | Müdigkeit, Mental | Muskelzerrung | Trainingsgruppe, SensibilitätVereinigtes Königreich
-
University of Southern MississippiAnmeldung auf EinladungMüdigkeit, Mental | Ermüdung; Muskel, HerzVereinigte Staaten