Tietoihin perustuva tunnistus aineiden väärinkäytöstä
Tietoihin perustuvat strategiat päihteiden väärinkäytön tunnistamiseksi sairaalahoidossa olevissa potilaissa
Tutkimuksen yleiskatsaus
Tila
Yksityiskohtainen kuvaus
Vuonna 2016 lähes 30 %:lla sairaalasta kotiutuksista Yhdysvalloissa (USA) oli päihteiden käyttöön liittyvän sairauden päädiagnostiikkakategoria. Päihteiden väärinkäyttö sijoittuu toiseksi tärkeimpien diagnoosien joukossa suunnittelemattomien 7 päivän sairaalan takaisinottomäärien osalta. Huolimatta seulonnan, lyhytintervention ja hoitoon ohjauksen (SBIRT) saatavuudesta, päihteiden väärinkäyttö ei ole osa vastaanottorutiinia, ja vain pieni osa potilaista seulotaan päihteiden väärinkäytön varalta sairaalaympäristössä. Tämä on erityisen ongelmallista, koska sairaalahoidossa olevilla potilailla päihteiden väärinkäytön esiintyvyyden arvioidaan olevan jopa 25 prosenttia suurempi kuin väestössä tai avohoidossa. Tarvitaan sairaalaympäristöön räätälöityjä käytännön seulontamenetelmiä.
Sähköisen sairauskertomuksen (EHR) merkityksellisen käytön myötä alkoholin havaitsemisen tehokkuutta voidaan parantaa käyttämällä tavanomaisen hoidon aikana kerättyjä tietoja. Päihteiden käytön dokumentointi on yleistä ja sitä esiintyy yli 96 %:ssa palveluntarjoajien osallistumisilmoituksista, mutta niiden vapaassa tekstimuodossa niitä on vaikea louhia ja analysoida. Natural Language Processing (NLP) ja koneoppiminen ovat tekoälyn (AI) osa-alueita, jotka tarjoavat ratkaisun EHR:n tekstitietojen analysointiin aineiden väärinkäytön tunnistamiseksi. Nykyaikainen NLP on sulautunut koneoppimiseen, joka on toinen tekoälyn ala-alue, joka keskittyy datasta oppimiseen. Erityisesti tehokkaimmat NLP-menetelmät perustuvat ohjattuun oppimiseen, koneoppimisen tyyppiin, joka hyödyntää nykyisiä vertailustandardeja ennakoiden ennakoimattomia tapauksia.
NLP:n ja koneoppimistyökalun aikaisemmassa versiossa tutkijat käyttivät onnistuneesti kliinisistä muistiinpanoista saatuja tietoja ensimmäisen 24 tunnin aikana sairaalahoitoon päästäkseen yli 70 %:n herkkyyteen ja spesifisyyteen alkoholin väärinkäytön tunnistamiseksi. Lähes 36 miljoonaa sairaalahoitoa vuonna 2016, joten päihteiden väärinkäytön luokitin voi vaikuttaa miljooniin.
Tässä tutkimuksessa tavoitteena on ottaa käyttöön päihteiden väärinkäytön luokittelu prospektiivisesti, jotta sen tehokkuutta voidaan tarkastella kaikkien korkea-asteen terveydenhuoltojärjestelmän sairaalahoidossa olevien aikuisten potilaiden nykykäytännössä. Terveydenhuoltojärjestelmällä on kypsä seulontajärjestelmä päihteiden väärinkäytön luokituksen suorituskyvyn arvioimiseksi nykyiseen kyselylomakkeeseen perustuvaan seulontakäytäntöön verrattuna.
Oletuksena on, että aineiden väärinkäytön luokitin voi tarjota standardoidun, yhteentoimivan ja tarkan lähestymistavan sairaalassa olevien potilaiden seulomiseen. Luokituksen onnistunut käyttöönotto sairaalapotilailla on askel kohti automatisoitua ja kattavaa yleistä päihteiden väärinkäytön seulontajärjestelmää.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Illinois
-
Chicago, Illinois, Yhdysvallat, 60612
- Rush University Medical Center
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Ikäraja 18 - 89 vuotta
- Potilastila sairaalahoidon aikana
- Oleskelun kesto yli 24 tuntia
Poissulkemiskriteerit:
- Ei voi osallistua tavanomaiseen SBIRT-hoitoon
- Kuolema tai tukkeutunut sisäänpääsyn ensimmäisten 24 tunnin aikana
- Poistettu lääkärin ohjetta vastaan
- Siirretty toisesta akuuttisairaalasta
- Siirretty toiseen akuuttisairaalaan
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Seulonta
- Jako: Ei käytössä
- Inventiomalli: Peräkkäinen tehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: SMART-AI: NLP (luonnollisen kielen käsittely) esinäyttö
Automaattinen käsittely rutiinihoidon aikana kerättyjen kliinisten muistiinpanojen aikana ensimmäisten 24 tunnin aikana sairaalaan saapumisen jälkeen, jotta voidaan tunnistaa henkilöt, jotka ovat vaarassa joutua päihteiden väärinkäyttöön, jotta he voivat saada hoidon tavanomaisen täyden seulonnan ja arvioinnin, lyhyen intervention tai ohjauksen hoitoon (SBIRT).
|
Ensimmäisenä sairaalahoitopäivänä tavanomaisen hoidon aikana kerätyt kliiniset muistiinpanot syötteenä luonnollisen kielen käsittelyyn ja koneoppimisalgoritmiin.
|
|
Ei väliintuloa: Tavallinen hoito
Tiedot kerätty ennen interventiota
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Niiden potilaiden osuus, joiden yleisnäyttötulos oli positiivinen ja jotka saivat SBIRT:n (seulonta, lyhyt interventio tai hoitoon lähettäminen)
Aikaikkuna: 24 kuukautta
|
Ensisijainen tulos on niiden potilaiden osuus, jotka saivat SBIRT:n positiivisen yleisen seulonnan jälkeen päihteiden väärinkäytön riskin vuoksi.
Suunnitelma on keskeytetty aikasarjan prospektiivinen havaintotutkimus.
|
24 kuukautta
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kaiken syyn aiheuttamat uudelleensairaalahoidot 6 kuukauden kuluttua Index-sairaalakohtaamisesta
Aikaikkuna: 12 kuukauden ilmoittautuminen ja 6 kuukauden seuranta uudelleensairaalaan
|
Vertailemme kaikkien potilaiden terveydenhuollon käyttötuloksia ennen ja jälkeen kuukautisten välillä kontrolloimalla kaikkia potilaiden demografisia ja kliinisiä ominaisuuksia.
|
12 kuukauden ilmoittautuminen ja 6 kuukauden seuranta uudelleensairaalaan
|
Yhteistyökumppanit ja tutkijat
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Afshar M, Phillips A, Karnik N, Mueller J, To D, Gonzalez R, Price R, Cooper R, Joyce C, Dligach D. Natural language processing and machine learning to identify alcohol misuse from the electronic health record in trauma patients: development and internal validation. J Am Med Inform Assoc. 2019 Mar 1;26(3):254-261. doi: 10.1093/jamia/ocy166.
- Joyce C, Markossian TW, Nikolaides J, Ramsey E, Thompson HM, Rojas JC, Sharma B, Dligach D, Oguss MK, Cooper RS, Afshar M. The Evaluation of a Clinical Decision Support Tool Using Natural Language Processing to Screen Hospitalized Adults for Unhealthy Substance Use: Protocol for a Quasi-Experimental Design. JMIR Res Protoc. 2022 Dec 19;11(12):e42971. doi: 10.2196/42971.
Hyödyllisiä linkkejä
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Arvioitu)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 2022-0983
- A534285 (Muu tunniste: UW Madison)
- SMPH/MEDICINE (Muu tunniste: UW Madison)
- 1R01DA051464 (Yhdysvaltain NIH-apuraha/sopimus)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jakamista tukeva tietotyyppi
- ANALYTIC_CODE
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .