Uso de encuestas para examinar la asociación de la exposición a las predicciones de riesgo de mortalidad por ML con la precisión del pronóstico y la toma de decisiones de los oncólogos médicos
20 de noviembre de 2024 actualizado por: Abramson Cancer Center at Penn Medicine
Casi la mitad de los pacientes con cáncer en los EE. UU. recibirán atención que no coincide con sus deseos antes de morir.
La planificación temprana de la atención avanzada (ACP) y los cuidados paliativos mejoran la atención y los síntomas concordantes con los objetivos y reducen la utilización innecesaria.
Una estrategia prometedora para aumentar el ACP y los cuidados paliativos es identificar a los pacientes con riesgo de mortalidad en una etapa más temprana del curso de la enfermedad para poder dirigir estos servicios.
Los algoritmos de aprendizaje automático (ML) se han utilizado en diversas industrias, incluida la medicina, para predecir con precisión el riesgo de resultados adversos y dirigir recursos con anticipación.
Se ha demostrado que las "colaboraciones hombre-máquina" (sistemas que aprovechan tanto el aprendizaje automático como la intuición humana) mejoran las predicciones y la toma de decisiones en diversas situaciones, pero no se sabe si las colaboraciones hombre-máquina pueden mejorar la precisión del pronóstico y conducir a mayores y más tempranos resultados. ACP y cuidados paliativos.
En este estudio, contactamos a una muestra nacional de oncólogos médicos y los invitamos a completar una encuesta basada en viñetas.
Nuestro objetivo era examinar la asociación de la exposición a las predicciones del riesgo de mortalidad por ML con la precisión del pronóstico y la toma de decisiones de los médicos.
Presentamos una serie de seis viñetas que describen tres escenarios clínicos específicos de un paciente con cáncer de pulmón de células no pequeñas (aNSCLC) avanzado que difieren según la edad, el sexo, el estado funcional, el historial de tabaquismo, la extensión de la enfermedad, los síntomas y el estado molecular.
Usaremos estas encuestas basadas en viñetas para examinar la asociación de la exposición a las predicciones del riesgo de mortalidad por ML con la precisión del pronóstico y la toma de decisiones de los oncólogos médicos.
Descripción general del estudio
Tipo de estudio
De observación
Inscripción (Actual)
52
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Estados Unidos, 19104
- Abramson Cancer Center of the University of Pennsylvania
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
No
Método de muestreo
Muestra no probabilística
Población de estudio
La población del estudio consistió en una muestra de conveniencia de oncólogos médicos en ejercicio que trataron el cáncer de pulmón en los EE. UU.
Reclutamos oncólogos médicos a través de correos electrónicos directos a los contactos personales del investigador principal (n = 29); mensajes directos a través de Doximity, un servicio de networking en línea para profesionales médicos (n=17), utilizando una "oncología torácica"; y mensajes directos vía X (antes Twitter) (n=4).
Se hicieron esfuerzos para tomar muestras por igual de 4 regiones geográficas de EE. UU. (Noreste, Sur, Medio Oeste, Oeste).
Descripción
Criterios de inclusión:
- Oncólogos médicos que tratan el cáncer de pulmón.
Criterio de exclusión:
- Oncólogos médicos que no atienden a pacientes con cáncer de pulmón
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
1A 2B 3C
1. Intermedio; 1.A. Dependiente de la referencia; 2. Pobre; 2.B.
Pronóstico absoluto; 3. Bueno; 3.C.
Ambos
|
El estudio consistió en un experimento factorial en línea de 3 × 3 que empleaba un instrumento de encuesta alojado a través de Qualtrics que presentaba la descripción de tres viñetas de pacientes.
Las tres viñetas de los pacientes variaron según diversas características clínicas, incluida la edad, el sexo, el estado funcional, el historial de tabaquismo, la extensión de la enfermedad, los síntomas y el estado molecular.
Cada paciente tenía cáncer de pulmón de células no pequeñas avanzado (aNSCLC).
Cada viñeta tenía dos partes: la parte 1 describía la historia del caso de uno de los tres pacientes, después de lo cual se evaluaban las estimaciones de pronóstico y la toma de decisiones médicas (es decir, 1, 2, 3).
La parte 2 siguió inmediatamente y describió la misma viñeta del mismo paciente con información adicional de un algoritmo predictivo de ML hipotético (es decir,
A B C).
El orden de las viñetas en cada encuesta fue aleatorio con respecto a las estrategias de presentación para las predicciones de riesgo de LD, de modo que hubo 6 versiones de la encuesta a las que se aleatorizó a cada participante.
|
|
1A 2C 3B
1. Intermedio; 1.A. Dependiente de la referencia; 2. Pobre; 2.C.
Ambos; 3. Bueno; 3.B.
Pronóstico absoluto
|
El estudio consistió en un experimento factorial en línea de 3 × 3 que empleaba un instrumento de encuesta alojado a través de Qualtrics que presentaba la descripción de tres viñetas de pacientes.
Las tres viñetas de los pacientes variaron según diversas características clínicas, incluida la edad, el sexo, el estado funcional, el historial de tabaquismo, la extensión de la enfermedad, los síntomas y el estado molecular.
Cada paciente tenía cáncer de pulmón de células no pequeñas avanzado (aNSCLC).
Cada viñeta tenía dos partes: la parte 1 describía la historia del caso de uno de los tres pacientes, después de lo cual se evaluaban las estimaciones de pronóstico y la toma de decisiones médicas (es decir, 1, 2, 3).
La parte 2 siguió inmediatamente y describió la misma viñeta del mismo paciente con información adicional de un algoritmo predictivo de ML hipotético (es decir,
A B C).
El orden de las viñetas en cada encuesta fue aleatorio con respecto a las estrategias de presentación para las predicciones de riesgo de LD, de modo que hubo 6 versiones de la encuesta a las que se aleatorizó a cada participante.
|
|
1B 2A 3C
1. Intermedio; 1.B.
Absoluto; 2. Pobre; 2.A. Dependiente de la referencia; 3. Bueno; 3.C.
Ambos
|
El estudio consistió en un experimento factorial en línea de 3 × 3 que empleaba un instrumento de encuesta alojado a través de Qualtrics que presentaba la descripción de tres viñetas de pacientes.
Las tres viñetas de los pacientes variaron según diversas características clínicas, incluida la edad, el sexo, el estado funcional, el historial de tabaquismo, la extensión de la enfermedad, los síntomas y el estado molecular.
Cada paciente tenía cáncer de pulmón de células no pequeñas avanzado (aNSCLC).
Cada viñeta tenía dos partes: la parte 1 describía la historia del caso de uno de los tres pacientes, después de lo cual se evaluaban las estimaciones de pronóstico y la toma de decisiones médicas (es decir, 1, 2, 3).
La parte 2 siguió inmediatamente y describió la misma viñeta del mismo paciente con información adicional de un algoritmo predictivo de ML hipotético (es decir,
A B C).
El orden de las viñetas en cada encuesta fue aleatorio con respecto a las estrategias de presentación para las predicciones de riesgo de LD, de modo que hubo 6 versiones de la encuesta a las que se aleatorizó a cada participante.
|
|
1B 2C 3A
1. Intermedio; 1.B.
Absoluto; 2. Pobre; 2.C.
Ambos; 3. Bueno; 3.A.
Dependiente de la referencia
|
El estudio consistió en un experimento factorial en línea de 3 × 3 que empleaba un instrumento de encuesta alojado a través de Qualtrics que presentaba la descripción de tres viñetas de pacientes.
Las tres viñetas de los pacientes variaron según diversas características clínicas, incluida la edad, el sexo, el estado funcional, el historial de tabaquismo, la extensión de la enfermedad, los síntomas y el estado molecular.
Cada paciente tenía cáncer de pulmón de células no pequeñas avanzado (aNSCLC).
Cada viñeta tenía dos partes: la parte 1 describía la historia del caso de uno de los tres pacientes, después de lo cual se evaluaban las estimaciones de pronóstico y la toma de decisiones médicas (es decir, 1, 2, 3).
La parte 2 siguió inmediatamente y describió la misma viñeta del mismo paciente con información adicional de un algoritmo predictivo de ML hipotético (es decir,
A B C).
El orden de las viñetas en cada encuesta fue aleatorio con respecto a las estrategias de presentación para las predicciones de riesgo de LD, de modo que hubo 6 versiones de la encuesta a las que se aleatorizó a cada participante.
|
|
1C 2A 3B
1. Intermedio; 1.C.
Ambos; 2. Pobre; 2.A. Dependiente de la referencia; 3. Bueno; 3.B.
Absoluto
|
El estudio consistió en un experimento factorial en línea de 3 × 3 que empleaba un instrumento de encuesta alojado a través de Qualtrics que presentaba la descripción de tres viñetas de pacientes.
Las tres viñetas de los pacientes variaron según diversas características clínicas, incluida la edad, el sexo, el estado funcional, el historial de tabaquismo, la extensión de la enfermedad, los síntomas y el estado molecular.
Cada paciente tenía cáncer de pulmón de células no pequeñas avanzado (aNSCLC).
Cada viñeta tenía dos partes: la parte 1 describía la historia del caso de uno de los tres pacientes, después de lo cual se evaluaban las estimaciones de pronóstico y la toma de decisiones médicas (es decir, 1, 2, 3).
La parte 2 siguió inmediatamente y describió la misma viñeta del mismo paciente con información adicional de un algoritmo predictivo de ML hipotético (es decir,
A B C).
El orden de las viñetas en cada encuesta fue aleatorio con respecto a las estrategias de presentación para las predicciones de riesgo de LD, de modo que hubo 6 versiones de la encuesta a las que se aleatorizó a cada participante.
|
|
1C 2B 3A
1. Intermedio; 1.C.
Ambos; 2. Pobre; 2.B.
Absoluto; 3. Bueno; 3.A.
Dependiente de la referencia
|
El estudio consistió en un experimento factorial en línea de 3 × 3 que empleaba un instrumento de encuesta alojado a través de Qualtrics que presentaba la descripción de tres viñetas de pacientes.
Las tres viñetas de los pacientes variaron según diversas características clínicas, incluida la edad, el sexo, el estado funcional, el historial de tabaquismo, la extensión de la enfermedad, los síntomas y el estado molecular.
Cada paciente tenía cáncer de pulmón de células no pequeñas avanzado (aNSCLC).
Cada viñeta tenía dos partes: la parte 1 describía la historia del caso de uno de los tres pacientes, después de lo cual se evaluaban las estimaciones de pronóstico y la toma de decisiones médicas (es decir, 1, 2, 3).
La parte 2 siguió inmediatamente y describió la misma viñeta del mismo paciente con información adicional de un algoritmo predictivo de ML hipotético (es decir,
A B C).
El orden de las viñetas en cada encuesta fue aleatorio con respecto a las estrategias de presentación para las predicciones de riesgo de LD, de modo que hubo 6 versiones de la encuesta a las que se aleatorizó a cada participante.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión del pronóstico evaluada mediante encuesta
Periodo de tiempo: Hasta 3 meses
|
Las estimaciones de pronóstico se midieron utilizando dos ítems administrados después de las Partes 1 y 2 de cada una de las 3 viñetas:
Los pronósticos precisos se definieron como si la estimación de esperanza de vida informada estaba dentro del 33% de la estimación del LCPI, modificada después de los grupos focales. Los participantes respondieron la primera pregunta en meses y la segunda pregunta como un porcentaje entre 0-100%. |
Hasta 3 meses
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Decisiones anticipadas de planificación de la atención evaluadas mediante encuesta
Periodo de tiempo: Hasta 3 meses
|
La toma de decisiones del ACP se evaluó utilizando el siguiente ítem administrado después de las Partes 1 y 2 de cada una de las 3 viñetas: 1) ¿Podría conversar sobre la planificación anticipada de la atención en este momento del curso de su enfermedad? Cada pregunta se implementó como una respuesta Sí/No y fue seguida por un cuadro de respuesta libre que decía: "Por favor, comparta el motivo de esta decisión". |
Hasta 3 meses
|
|
Referencia a cuidados paliativos según la evaluación mediante encuesta
Periodo de tiempo: Hasta 3 meses
|
La derivación a cuidados paliativos se evaluó utilizando el siguiente ítem administrado después de las Partes 1 y 2 de cada una de las 3 viñetas: 1) ¿Lo derivaría a un especialista en cuidados paliativos en este momento del curso de su enfermedad? Cada pregunta se implementó como una respuesta Sí/No y fue seguida por un cuadro de respuesta libre que decía: "Por favor, comparta el motivo de esta decisión". |
Hasta 3 meses
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
13 de marzo de 2023
Finalización primaria (Actual)
31 de julio de 2023
Finalización del estudio (Actual)
31 de diciembre de 2023
Fechas de registro del estudio
Enviado por primera vez
30 de abril de 2024
Primero enviado que cumplió con los criterios de control de calidad
12 de junio de 2024
Publicado por primera vez (Actual)
18 de junio de 2024
Actualizaciones de registros de estudio
Última actualización publicada (Estimado)
21 de noviembre de 2024
Última actualización enviada que cumplió con los criterios de control de calidad
20 de noviembre de 2024
Última verificación
1 de noviembre de 2024
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- UPCC 10524
- 850382 (Otro identificador: Penn IRB)
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
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. .