Koneoppimisen sepsishälytysilmoitus kliinisten tietojen avulla (HindSight P2)
keskiviikko 27. huhtikuuta 2022 päivittänyt: Dascena
Kliinisen hoitotietojen käyttäminen koneoppimismenetelmässä sepsiksen havaitsemiseen
Koneoppiminen on tehokas tapa luoda kliinisen päätöksenteon tukityökaluja (CDS), kun koulutusmerkinnät heijastavat haluttua hälytyskäyttäytymistä.
Tämän projektin I vaiheen aikana kehitimme HindSightin, koodausohjelmiston, joka on suunniteltu tutkimaan kotiutuneiden potilaiden sähköisiä terveystietoja (EHR), tunnistamaan kliinikon sepsishoitopäätökset ja potilaiden tulokset sekä välittämään kyseiset merkityt tulokset ja hoitopäätökset online-algoritmi koneoppimiseen perustuvan CDS-työkalumme uudelleenkouluttamiseen reaaliaikaisten sepsishälytysten InSightin avulla.
HindSight paransi InSightin sepsishälytysten suorituskykyä takautuvassa työssä.
Tässä tutkimuksessa ehdotamme HindSightin kliinisen hyödyn arvioimista suorittamalla monikeskusprospektiivisen satunnaistetun kontrolloidun tutkimuksen (RCT) tarkempia sepsishälytyksiä varten.
Tutkimuksen yleiskatsaus
Tila
Rekrytointi
Interventio / Hoito
Yksityiskohtainen kuvaus
Arvioimme HindSightin suorituskykyä satunnaistetussa kontrolloidussa tutkimuksessa (RCT).
HindSight on uusi koodausohjelmisto, joka on suunniteltu optimoimaan hälytykset sepsishälytysilmoituksia varten.
HindSight tunnistaa kliinikkojen sepsikseen liittyvät päätökset entisten potilaiden sähköisistä terveyskertomuksista ja välittää ne tapahtumat InSightille ja toimittaa siten InSightille merkittyjä esimerkkejä todellisista positiivisista sepsistapauksista uudelleenkoulutusta varten.
Takautuvassa työssämme olemme osoittaneet, että HindSight mahdollistaa InSightin sopeutumisen todellisen kliinisen käytön paikkakohtaisiin poikkeamiin vähentämällä onnistuneesti vääriä ja merkityksettömiä hälytyksiä ilman ihmisen valvontaa.
Tämän projektin tavoitteena on osoittaa, että HindSightin retrospektiivinen menestys voidaan onnistuneesti kääntää eläviin kliinisiin ympäristöihin.
Vaiheen I työssämme HindSight saavutti vastaanottimen toiminta-ominaisuuden (AUROC) alapuolella olevan alueen 0,899, 0,831 ja 0,877 kliinikon sepsiksen arvioinnissa, hoidossa ja alkaessa.
Käyttämällä online-oppimisalgoritmia HindSight-merkittyjen tietojen sisällyttämiseen InSight-ennustajaan osoitimme, että verkossa koulutettu InSight voi mukautua HindSight-merkittyihin tietoihin ja ylittää sekä InSightin perusversiot että ajoittain uudelleen koulutetut versiot (p < 0,05). .
Tavoitteessa 1 validoimme HindSightin suorituskyvyn reaaliaikaisissa potilastietovirroissa kolmessa eri sairaalassa ilman interventiota.
Tavoitteessa 2 arvioimme työkalun vaikutusta tulevassa interventiotutkimuksessa.
HindSight arvioidaan ensin reaaliajassa neljässä akateemisessa ja yhteisön sairaalassa, jona aikana se ei anna hälytyksiä tulevasta sepsiksen puhkeamisesta.
Sairaalan reaaliaikaisesta validoinnista johtuvien tarvittavien algoritmien optimoinnin jälkeen suoritamme RCT:n arvioidaksemme HindSight-sepsis-merkinnöillä koulutetun InSightin virheellisten hälytysten vähentymistä (kokeellinen ryhmä) verrattuna InSightiin, joka on koulutettu kultastandardin Sepsis-3-tarroilla (kontrollihaara).
Opintotyyppi
Interventio
Ilmoittautuminen (Odotettu)
37986
Vaihe
- Vaihe 2
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Jana Hoffman, PhD
- Puhelinnumero: 2158806619
- Sähköposti: jana@dascena.com
Tutki yhteystietojen varmuuskopiointi
- Nimi: Gina Barnes, MPH
- Puhelinnumero: 2158806619
- Sähköposti: gbarnes@dascena.com
Opiskelupaikat
-
-
Massachusetts
-
Springfield, Massachusetts, Yhdysvallat, 01199
- Rekrytointi
- Baystate Health
-
Ottaa yhteyttä:
- Gregory Braden
-
-
New Jersey
-
Camden, New Jersey, Yhdysvallat, 08103
- Rekrytointi
- Cooper University Health Care
-
Ottaa yhteyttä:
- Sharad Patel
-
Ottaa yhteyttä:
- Snehal Gandhi
-
Cape May, New Jersey, Yhdysvallat, 08210
- Rekrytointi
- Cape Regional Medical Center
-
Ottaa yhteyttä:
- Andrea McCoy
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
18 vuotta ja vanhemmat (AIKUINEN, OLDER_ADULT)
Hyväksyy terveitä vapaaehtoisia
Joo
Sukupuolet, jotka voivat opiskella
Kaikki
Kuvaus
Sisällyttämiskriteerit:
- Kaikki yli 18-vuotiaat päivystykseen saapuvat tai osallistuvien laitosten potilasosastolle saapuvat potilaat otetaan automaattisesti mukaan tutkimukseen tutkimusjakson aikana, kunnes tutkimukseen ilmoittautumistavoite on saavutettu.
Poissulkemiskriteerit:
- Alle 18-vuotiaat potilaat
- vangit
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: MUUTA
- Jako: SATUNNAISTUNA
- Inventiomalli: RINNAKKAISET
- Naamiointi: KOLMINKERTAISTAA
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
KOKEELLISTA: Kokeellinen
Kokeelliseen osioon osallistuu HindSightin valvomia potilaita.
|
HindSight tutkii potilaan EHR:stä otettujen kliinisten mittausten dynaamisia suuntauksia ja analysoi elintoimintojen välisiä korrelaatioita varoittaakseen sepsiksen alkamisesta. Tämä koneoppimiseen perustuva työkalu on optimoitu enkooderilla ja käyttää säännöllistä uudelleenkoulutusta parantaakseen suorituskykyään ajan myötä.
Muut nimet:
|
|
ACTIVE_COMPARATOR: Ohjaus
Kontrolliryhmään kuuluvat potilaat, joita InSight valvoo.
|
Verrattuna InSight-ohjelmiston kykyyn tunnistaa sepsiksen alkaminen HindSightin suorituskykyyn.
Tutkimuksessa selvitetään, onko HindSight-ohjelmistolla vastaava tai parempi suorituskyky kuin InSight-ohjelmistolla.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Väärien hälytysten vähenemisaste
Aikaikkuna: Tutkimuksen valmistuttua ihmiskoehenkilöiden osallistuminen kestää keskimäärin kahdeksan kuukautta
|
Ensisijainen kiinnostava tulosmittari on väärän hälytyksen vähentäminen.
Tavoitteen 1 onnistunut saavuttaminen osoitetaan positiivisella ennustavalla arvolla (PPV) elävässä kliinisessä ympäristössä, jossa 95 %:n luottamusvälin alaraja täyttää tai ylittää aikaisempien retrospektiivisten tutkimusten vertailuarvon.
Retrospektiivisen PPV-vertailuarvon saavuttaminen osoittaa, että tuleva CDS-laatu heijastaa retrospektiivistä CDS-laatua ja on riittävän korkea vähentämään hälytysten väsymystä ja parantamaan kliinistä käyttökelpoisuutta.
Tavoitteen 2 onnistuminen riippuu siitä, saavutetaanko väärien hälytysten suhteellinen väheneminen 15 %, kun verrataan kahta hoitohaataa (p < 0,05; Fisherin tarkka testi).
|
Tutkimuksen valmistuttua ihmiskoehenkilöiden osallistuminen kestää keskimäärin kahdeksan kuukautta
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Jana Hoffman, PhD, Dascena
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- 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 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.
- 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.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (TODELLINEN)
Lauantai 25. syyskuuta 2021
Ensisijainen valmistuminen (ODOTETTU)
Keskiviikko 31. elokuuta 2022
Opintojen valmistuminen (ODOTETTU)
Keskiviikko 31. elokuuta 2022
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Perjantai 28. kesäkuuta 2019
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 28. kesäkuuta 2019
Ensimmäinen Lähetetty (TODELLINEN)
Tiistai 2. heinäkuuta 2019
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (TODELLINEN)
Tiistai 3. toukokuuta 2022
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Keskiviikko 27. huhtikuuta 2022
Viimeksi vahvistettu
Perjantai 1. huhtikuuta 2022
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 19-569185
- 2R44AA030000-02 (NIH)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
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 .
Kliiniset tutkimukset Sepsis
-
University of Kansas Medical CenterUniversity of KansasRekrytointiSepsis | Septinen shokki | Sepsis-oireyhtymä | Sepsis, vakava | Sepsis bakteeri | Sepsis BakteremiaYhdysvallat
-
Jip GroenInBiomeRekrytointiMikrobien kolonisaatio | Vastasyntyneen infektio | Vastasyntyneen sepsis, varhain alkava | Mikrobien sairaus | Kliininen sepsis | Kulttuurinegatiivinen vastasyntyneiden sepsis | Vastasyntyneen sepsis, myöhään alkava | Kulttuuripositiivinen vastasyntyneiden sepsisAlankomaat
-
The University of QueenslandRoyal Brisbane and Women's HospitalTuntematon
-
Karolinska InstitutetÖrebro University, SwedenValmisSepsis | Sepsis-oireyhtymä | Sepsis, vakavaRuotsi
-
Ohio State UniversityValmisSepsis, vaikea sepsis ja septinen shokkiYhdysvallat
-
University of LeicesterUniversity Hospitals, Leicester; The Royal College of AnaesthetistsValmisSepsis | Septinen shokki | Vaikea sepsis | Sepsis-oireyhtymäYhdistynyt kuningaskunta
-
Indonesia UniversityValmisVaikea sepsis ja septinen shokki | Vaikea sepsis ilman septistä shokkiaIndonesia
-
Beckman Coulter, Inc.Biomedical Advanced Research and Development AuthorityRekrytointiVaikea sepsis | Vaikea sepsis ilman septistä shokkiaYhdysvallat
-
Weill Medical College of Cornell UniversityNational Heart, Lung, and Blood Institute (NHLBI); New York Presbyterian... ja muut yhteistyökumppanitValmisSepsis | Septinen shokki | Vaikea sepsis | Infektio | Sepsis-oireyhtymäYhdysvallat
-
Inverness Medical InnovationsValmisSepsis | Systeeminen tulehdusvasteen oireyhtymä | Vaikea sepsis | Sepsis-oireyhtymäYhdysvallat