Predicción de seguimiento de trauma (Proyecto 2: Objetivo 2)

La convergencia tecnológica de mHealth y el aprendizaje automático brinda una oportunidad sin precedentes para transformar la atención de lesiones en SSA, particularmente para las poblaciones desfavorecidas. La ubicuidad de los teléfonos móviles y el advenimiento de mHealth brinda una oportunidad novedosa para mejorar la atención de lesiones en SSA. Dados los altos niveles de penetración de teléfonos móviles en Camerún (85 % a 95 %) y en otras partes de SSA, los investigadores diseñaron y probaron una herramienta de detección de 7 elementos basada en teléfonos móviles para pacientes con traumatismos a fin de predecir la necesidad de un seguimiento en persona. cuidado después del alta. Si es efectivo, este enfoque podría identificar de manera eficiente el subconjunto de pacientes con mayor probabilidad de beneficiarse de la atención de seguimiento, que es más factible, escalable y rentable que el asesoramiento general para la atención posterior al alta. Los investigadores encontraron que el seguimiento telefónico es factible y aceptable y un estudio de validación reveló una buena correlación de la herramienta de detección con un examen independiente en persona.

Los investigadores se basarán en sus investigaciones previas y utilizarán la ciencia de datos para mejorar, implementar y evaluar la herramienta de detección de mHealth, con el objetivo final de reducir la carga paralizante de las lesiones. Esto se logrará aprovechando el aprendizaje automático, que ha demostrado ser prometedor en la optimización de la atención traumatológica y los sistemas de traumatología. La novedosa combinación de mHealth y aprendizaje automático brinda una poderosa oportunidad para transformar el acceso a la atención médica para quienes tienen menos probabilidades de recibirla. Sobre la base del conocimiento existente, los investigadores plantean la hipótesis de que un enfoque de aprendizaje automático y adaptativo de datos para la predicción de resultados podría mejorar radicalmente la supervivencia y reducir la morbilidad después de una lesión en SSA.

Los investigadores aplicarán un enfoque de aprendizaje automático para optimizar de forma adaptativa la herramienta de clasificación de mHealth, mejorando el tiempo de la llamada telefónica y el algoritmo que predice la necesidad de atención de seguimiento a través de un ensayo controlado aleatorio por grupos. Esto se logrará utilizando SuperLearner para la predicción y la estimación de máxima verosimilitud específica (CV-TMLE) con validación cruzada para la importancia variable, utilizando el registro de trauma, el intento de contacto y los datos de la encuesta de detección recopilados en el Objetivo 1. El objetivo general es mejorar la predicción de la herramienta mHealth de los pacientes vulnerables que necesitan atención de seguimiento después del alta. Este estudio se llevará a cabo durante un período de 18 meses; inscripción en 6 meses y seguimiento de los participantes durante 12 meses. Los investigadores evaluarán el impacto del enfoque optimizado en un estudio aleatorizado en 10 hospitales con 852 pacientes con lesiones con el resultado primario de la escala de resultados extendida de Glasgow (GOSE)24,25 a los 3 meses.