- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT03882476
RCT del algoritmo de aprendizaje automático de sepsis
Ensayo controlado aleatorizado de un algoritmo de aprendizaje automático para la detección temprana de sepsis
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Desde enero de 2020 hasta febrero de 2021, inclusive, los investigadores realizarán un ensayo controlado aleatorio (ECA) multicéntrico en CRMC, OH y UCSF. Todos los objetivos de este estudio se han presentado para su aprobación por parte de la Junta de Revisión Institucional de Pearl con una renuncia al consentimiento informado.
Durante el período del estudio, todos los pacientes mayores de 18 años que se presenten en el departamento de emergencias o que sean admitidos en una unidad de pacientes hospitalizados en las instalaciones participantes se inscribirán automáticamente en el ensayo, hasta que se alcance la inscripción objetivo para el estudio. La inscripción implicará la aleatorización a los brazos de control o experimentales. Los pacientes serán asignados al grupo experimental o al grupo de control en base a una secuencia de asignación aleatoria, generada por un programa informático antes del inicio del ensayo, mediante aleatorización simple, con una relación de asignación de 1:1. Esta secuencia de asignación se ocultará a los pacientes, proveedores de atención médica e investigadores del estudio. Sin embargo, la prueba tendrá un diseño de etiqueta abierta, ya que no es posible el cegamiento total, ya que algunas asignaciones grupales se revelarán naturalmente al recibir alertas telefónicas.
Habrá dos brazos en el estudio. El brazo de control involucrará a pacientes con el estándar de atención habitual, y el brazo experimental involucrará a pacientes monitoreados por InSight. Si el algoritmo aplicable determina que un paciente tiene un alto riesgo de sepsis, se enviará una alerta telefónica a la enfermera a cargo de turno en la ubicación actual del paciente. La respuesta a las alertas seguirá el protocolo de nuestro ensayo clínico de sepsis anterior. El procedimiento consiste en que una enfermera realice una evaluación al lado de la cama del paciente para descartar la sospecha de infección. Esto incluye la evaluación de los signos vitales del paciente, notas de EHR y resultados de laboratorio recientes. Si la enfermera sospecha sepsis, un médico evalúa posteriormente al paciente y, si corresponde, ordena la administración del paquete estándar de tratamiento contra la sepsis.
En la administración de ensayos clínicos, algunos estudios abiertos se aleatorizan por grupos, mientras que otros se aleatorizan a nivel de paciente individual. La aleatorización por grupos se usa con frecuencia para minimizar la "contaminación" entre los grupos de tratamiento y control, porque la exposición de los proveedores a los pacientes de ambos brazos en un estudio abierto a menudo invita a sesgos de comportamiento no intencionales. Estos sesgos pueden hacer que los proveedores ajusten sus intervenciones en el grupo de control para imitar sus acciones en el grupo experimental, enmascarando así el efecto de la intervención y sesgando los resultados del estudio hacia la nulidad. Aunque los ensayos abiertos y aleatorizados por conglomerados son efectivos para minimizar la contaminación entre los grupos, tienen varias desventajas significativas, incluida una mayor complejidad en el diseño y el análisis, así como mayores requisitos de inscripción de pacientes para lograr el mismo poder estadístico. Debido a que los tamaños de muestra más grandes a menudo requieren aumentos en el costo, la duración o la complejidad de un ensayo, la investigación actual ha indicado que los investigadores deben usar la asignación al azar individual si es posible debido a las desventajas de la asignación por grupos. Teniendo en cuenta estas consideraciones, los investigadores concluyeron que la aleatorización individual era la mejor estrategia para el ensayo, ya que proporciona un aumento significativo en el poder estadístico y permite que el resultado de cada paciente se evalúe independientemente de todos los demás pacientes. Para minimizar el posible sesgo, los investigadores también decidieron hacer que el texto de la llamada telefónica automatizada fuera idéntico en ambos brazos. El uso exitoso de la aleatorización a nivel de paciente en un ensayo clínico de sepsis anterior realizado por investigadores da confianza en este diseño de ensayo.
Después del alta del último paciente inscrito, los investigadores evaluarán si se cumple el criterio principal de valoración de la mortalidad hospitalaria basada en SIRS. Las medidas de resultado adicionales de interés para cada grupo basado en SIRS incluirán: el tiempo para completar cada elemento del paquete de la Campaña para sobrevivir a la sepsis (SSC); días sin ventilador; días de UCI; y tasa de reingreso hospitalario a los 30 días. El paquete de SSC de 1 hora consiste en obtener hemocultivos, medir el nivel de lactato, administrar antibióticos de amplio espectro, administrar 30 ml/kg de líquido cristaloide para hipertensión o lactato > 4 mmol/L y aplicar vasopresores si el paciente está hipotenso durante o después resucitacion fluida.
Los investigadores planean aprovechar los datos clínicos basados en EHR para el análisis del criterio de valoración principal, a diferencia de los datos basados en reclamaciones, debido a su capacidad para proporcionar mediciones más objetivas sobre los resultados de los pacientes.
Al finalizar el estudio, los hallazgos significativos se publicarán como artículos científicos.
Tipo de estudio
Fase
- Fase 2
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Descripción
Criterios de inclusión:
- Durante el período del estudio, todos los pacientes mayores de 18 años que se presenten en el departamento de emergencias o que ingresen en una unidad de pacientes hospitalizados en las instalaciones participantes se inscribirán automáticamente en el ensayo, hasta que se alcance el objetivo de inscripción para el estudio.
Criterio de exclusión:
- Pacientes menores de 18 años
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Diagnóstico
- Asignación: Aleatorizado
- Modelo Intervencionista: Asignación paralela
- Enmascaramiento: Triple
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
Experimental: Experimental
El brazo experimental involucrará a pacientes monitoreados por InSight.
|
Sistema de apoyo a la decisión clínica (CDS) para la detección de sepsis
|
|
Sin intervención: Control
El brazo de control no tendrá intervención e involucrará a pacientes con el estándar de atención habitual.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Mortalidad intrahospitalaria basada en SIRS
Periodo de tiempo: Al finalizar los estudios, un promedio de ocho meses
|
Tasa de mortalidad atribuida a pacientes que cumplen dos o más criterios SIRS en algún momento de su estancia
|
Al finalizar los estudios, un promedio de ocho meses
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Publicaciones y enlaces útiles
Publicaciones Generales
- Calvert JS, Price DA, Barton CW, Chettipally UK, Das R. Discharge recommendation based on a novel technique of homeostatic analysis. J Am Med Inform Assoc. 2017 Jan;24(1):24-29. doi: 10.1093/jamia/ocw014. Epub 2016 Mar 28.
- Desautels T, Calvert J, Hoffman J, Mao Q, Jay M, Fletcher G, Barton C, Chettipally U, Kerem Y, Das R. Using Transfer Learning for Improved Mortality Prediction in a Data-Scarce Hospital Setting. Biomed Inform Insights. 2017 Jun 12;9:1178222617712994. doi: 10.1177/1178222617712994. eCollection 2017.
- Calvert J, Mao Q, Rogers AJ, Barton C, Jay M, Desautels T, Mohamadlou H, Jan J, Das R. A computational approach to mortality prediction of alcohol use disorder inpatients. Comput Biol Med. 2016 Aug 1;75:74-9. doi: 10.1016/j.compbiomed.2016.05.015. Epub 2016 May 24.
- Calvert J, Mao Q, Hoffman JL, Jay M, Desautels T, Mohamadlou H, Chettipally U, Das R. Using electronic health record collected clinical variables to predict medical intensive care unit mortality. Ann Med Surg (Lond). 2016 Sep 6;11:52-57. doi: 10.1016/j.amsu.2016.09.002. eCollection 2016 Nov.
- Shimabukuro DW, Barton CW, Feldman MD, Mataraso SJ, Das R. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res. 2017 Nov 9;4(1):e000234. doi: 10.1136/bmjresp-2017-000234. eCollection 2017.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Anticipado)
Finalización primaria (Anticipado)
Finalización del estudio (Anticipado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 19-494662
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .