- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT04113174
Electronic Frailty Index+:n (eFI+) kehittäminen ja arviointi
Electronic Frailty Index+ (eFI+) -työkalun kehittäminen ja arviointi: Integroitu ennustepäätösmallinnus iäkkäille ihmisille, joilla on kohtalainen tai vakava heikkous.
Tutkimuskysymykset
i) Kuinka sähköisen heikkousindeksin (eFI) komponentteja tulisi yhdistää rutiininomaisiin perusterveydenhuollon lisätietoihin, jotta voidaan kehittää ennustemalleja kotihoidon tarpeiden, kaatumisten/murtumien, hoitokotiin pääsyn ja kuolleisuuden ennustamiseksi keskivaikeasta tai vaikeasta heikkoudesta kärsivillä iäkkäillä. ?
ii) Voidaanko mallin ennakoivaa suorituskykyä parantaa lisäämällä tietoja toimenpiteistä, jotka ovat käytännöllisiä perusterveydenhuollon käytössä, mutta joita ei ole saatavilla rutiinitiedoissa?
iii) Miten prognostisten mallien riskiennusteet tulisi muuntaa päätösanalyyttiseksi malliksi (DAM), joka ohjaa kliinistä hoitoa?
iv) Mikä on potentiaalinen kustannustehokkuus sellaisten ikääntyneiden alaryhmiin kohdistettujen interventioiden toteuttamisessa, jotka ovat heikkokuntoisia rutiininomaisessa NHS-hoidossa?
Tausta
Päähakija Clegg johti eFI:n kehittämistä, validointia ja kansallista toteutusta. Tämä on käännetty suuriksi Yhdistyneen kuningaskunnan terveyspolitiikan muutokseksi sisällyttämällä se vuosien 2017/18 GP-sopimukseen, joka tukee heikkouden kerrostumista eFI:n avulla, ja Yhdistyneen kuningaskunnan National Health Service Long Term Plan -suunnitelmaan.
Tavoite
Kehittää ja arvioida eFI+, alkuperäistä eFI:tä täydentävä ennustetyökalu, joka sisältää 4 integroitua ennustepäätösmallia. eFI+ jakaa keskivaikeasta tai vaikeasta heikkoudesta kärsivät iäkkäät ihmiset alaryhmiin, jotka todennäköisimmin hyötyvät tärkeimmistä interventioista (yhteisökuntoutus; kaatumisten ehkäisy; kattava geriatrinen arviointi; hoidon ennakkosuunnittelu).
menetelmät
Design
Ennustemallin kehittäminen, sisäinen validointi ja ulkoinen validointi käyttämällä suuria tietojoukkoja (ResearchOne, SAIL-tietopankki, Leeds Data Model) ja kohorttitutkimusdataa (CARE75+), yhdistettynä DAM- ja terveystaloudelliseen analyysiin.
Väestö
≥65-vuotiaat potilaat, joilla on keskivaikea tai vaikea heikkous, olemassa olevan eFI:n määrittelemä.
Tärkeimmät tulokset
12 kuukauden tulokset ennustemalleille:
- Uusi/lisätty kotihoitopaketti
- Päivystyspoliklinikan (ED) hoito/sairaalahoito putoamisen/murtuman yhteydessä
- Hoitokotiin pääsy
- Kaiken syyn aiheuttama kuolleisuus
Tilastolliset menetelmät
i) Prognostinen mallinnus
Tutkijat rakentavat 4 erillistä ennustemallia neljälle keskeiselle tuloksellemme yhdistämällä eFI:n ylimääräisiin yksilötason rutiinitietoihin, jotka perustuvat arvioihin ennustetekijöiden tunnistamiseksi. Kukin malli kehitetään ja vahvistetaan sisäisesti yhdessä suuressa tietojoukossa, jotta voidaan mukautua mahdolliseen ylisovitukseen, minkä jälkeen ennakoivan suorituskyvyn ulkoinen validointi toisessa suuressa tietojoukossa.
Erikseen tutkijat käyttävät CARE75+:aa (n≈1 200) perusterveydenhuollossa hyödyllisten kliinisten mittareiden lisäennustusarvon (esim. askelnopeus, päivittäiset toimet, yksinäisyys).
ii) Päätösanalyyttinen malli (DAM)
Tutkijat kääntävät prognostiset mallit viitekehykseksi, joka tukee kliinistä päätöksentekoa yhteistyössä sidosryhmien/PPI:n kanssa. Tutkijat integroivat ennustemalleja systemaattisista tarkasteluista/meta-analyyseistä saatuihin vaikutuskokoarvioihin tunnistaakseen ennustetun riskin relevantit kynnysarvot, joiden ylittyessä keskeisten toimenpiteidemme toteuttaminen olisi perusteltua.
iii) Terveystaloudellinen arviointi
12 kuukauden ja pitkän aikavälin kustannustehokkuusmalleja kehitetään DAM:n mukaan.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Terveysteknologiaa arvioidaan
eFI+ kehitetään käyttämällä alkuperäisen eFI:n komponentteja, täydennettynä rutiininomaisilla perusterveydenhuollon EHR-tiedoilla ja ohjeilla yksinkertaisten kliinisten toimenpiteiden toteuttamisen lisäeduista rutiininomaisessa perusterveydenhuollossa. eFI+ soveltuu nopeaan käyttöönottoon Iso-Britannian perusterveydenhuollon EHR-järjestelmissä perustuen olemassa oleviin läheisiin yhteyksiin järjestelmätoimittajiin (SystmOne/EMISWeb/Vision/Microtest).
Tutkijat kehittävät ja vahvistavat sitten sisäisesti ja ulkoisesti eFI+:n käyttämällä Secure Anonymised Information Linkage (SAIL) -tietopankkia, ResearchOne-tietokantaa ja Leedsin tietomallia (LDM).
Lisäksi tutkijat analysoivat Community Aging Research 75+:n (CARE75+) kohorttitutkimusdataa (CI Clegg, n≈1 200) ainoana kansallisena kohorttitutkimuksena, joka sisältää eFI-pisteet, selvittääkseen, kuinka yksinkertaisia toimenpiteitä, joita voidaan arvioida perusterveydenhuollossa, mutta ne eivät ole saatavilla rutiini EHR-tiedoissa (esim. askelnopeus, ajoitettu ylös-ja mene-testi; päivittäisen elämän toiminnot; yksinäisyys) voi parantaa ennustetta.
Opintojen suunnittelu
Ennustemallin kehittäminen, sisäinen validointi ja ulkoinen validointi käyttämällä rutiininomaista perusterveydenhuollon tutkimusdataa (ResearchOne), linkitettyjä tietojoukkoja (SAIL-tietopankki ja LDM) ja kohorttitutkimusdataa (CARE75+) integroidulla päätösanalyyttisella mallinnolla, mukaan lukien terveystaloudellinen analyysi.
Tietokannat
Secure Anonymised Information Linkage (SAIL) -tietopankki
Anonymisoidut tietueet noin 5 miljoonalta Walesin ihmiseltä, ja niihin liittyvät perusterveydenhuolto, sairaalahoidot, avohoitotiedot, sosiaalihuolto, Welsh Care Homes Dataset ja ONS-kuolleisuustiedot. SAIL sisältää eFI-yhteenvetopisteet ja yksittäiset komponentit.
ResearchOne
Kansallisesti edustavia, tunnistamattomia tietoja noin 6 miljoonasta Ison-Britannian perusterveydenhuollon sähköisestä sairauskertomuksesta TPP SystmOne -kliinisestä järjestelmästä. ResearchOne sisältää eFI-yhteenvetopisteet ja yksittäiset komponentit.
Leeds Data Model (LDM)
Anonymisoidut, linkitetyt perus-, toissijaiset, yhteisö- ja sosiaalihuollon tiedot 810 000 potilaalta 108 vastaanotosta Leedsissä, mukaan lukien eFI-yhteenvetopisteet ja yksittäiset komponentit.
- Community Aging Research 75+ (CARE75+) -kohortti
Kansallinen prospektiivinen kohorttitutkimus (n≈1 200), joka kerää yksityiskohtaista sosiodemografista tietoa, heikkousmittauksia (mukaan lukien eFI-pisteet), perusterveydenhuollon yksinkertaisia laitteita (esim. askelnopeus, ajoitettu ylös-ja mene-testi; päivittäisen elämän toiminnot; epävirallinen hoito; yksinäisyys) ja tärkeimmät tulokset kuuden, 12, 24 ja 48 kuukauden iässä. CARE75+ on erittäin rikas tietojoukko, joka tarjoaa erittäin tehokkaan menetelmän tutkia, kuinka yksinkertaiset instrumentit voivat parantaa eFI:n suorituskykyä.
Tukikelpoinen väestö
≥65-vuotiaat potilaat, joilla on kohtalainen heikkous (eFI-pistemäärä 0,24–0,36) tai vaikea heikkous (eFI-pistemäärä > 0,36) ja rekisteröity ResearchOne-, SAIL- tai LDM-lääkärin vastaanotolle 1.4.2018.
Kaikki CARE75+ osallistujat, joilla on kohtalainen heikkous (eFI-pistemäärä 0,24–0,36) tai vakava heikkous (eFI-pistemäärä > 0,36), ovat kelpoisia.
Riskin ennustamisen tulokset (kaikki 12 kuukautta)
- Uusi tai korotettu kotihoitopaketti
- Päivystys/sairaalahoito putoamisen tai murtuman yhteydessä
- Hoitokotiin pääsy
- Kaiken syyn aiheuttama kuolleisuus
Ennustajat
eFI:n osat, täydennettynä perusterveydenhuollon rutiininomaisen perusterveydenhuollon EHR-tiedoissa saatavilla olevilla muuttujilla ja kliinisillä arviointitoimenpiteillä, jotka ovat käytännöllisiä perusterveydenhuollossa.
Prognostiset mallit
Jokainen ennustemalli kehitetään ja vahvistetaan sisäisesti vain yhdessä tietokannasta ja sitten ulkoisesti toisessa tietokannassa.
Otoskoko ennustemallin kehittämiseen
SAIL- ja ResearchOne-uutteet sisältävät kumpikin ≈600 000 65-vuotiasta tai sitä vanhempi potilasta, joista arviolta 72 000:lla on kohtalainen heikkous ja 24 000:lla vakava heikkous. LDM-uute sisältää ≈150 000 65-vuotiasta tai sitä vanhempi potilasta, joista arviolta 18 000:lla on kohtalainen ja 6 000:lla vakava heikkous.
Mallin kehittämisessä tehokkaan otoskoon avainindikaattori on tulostapahtumien määrä. Aiempi tutkimus kiinnostavista tuloksista ja toteutettavuusarviot CARE75+:n, ResearchOnen ja SAIL:n avulla antavat arvioita tapahtumien odotetusta määrästä 12 kuukauden sisällä.
- Uusi tai parannettu kotihoitopaketti: Odotettu 15 864 tapahtumaa SAIL:ssä, joka perustuu 14,9 %:n 12 kuukauden ilmaantuvuuteen kohtalaisen heikkouden ryhmässä (10 080 tapahtumaa) ja 24,1 %:n 12 kuukauden ilmaantuvuus vakavan heikkouden ryhmässä (5 784 tapahtumaa).
- Päivystyshoito/sairaalahoito kaatuman tai murtuman yhteydessä: Odotettu 8 064 tapahtumaa SAILissa, joka perustuu 7,4 %:n 12 kuukauden ilmaantuvuuteen kohtalaisen heikkouden ryhmässä (5 328 tapahtumaa) ja 11,4 %:n ilmaantuvuus vakavassa heikkoudessa (2 736 tapahtumaa).
- Hoitokotiin pääsy: ResearchOne-tutkimuksessa odotettavissa 2 160 tapahtumaa, joka perustuu 2,0 %:n 12 kuukauden esiintyvyyteen kohtalaisen heikkouden ryhmässä (1 440 tapahtumaa) ja 3,8 %:n 12 kuukauden ilmaantuvuus vakavan heikkouden ryhmässä (720 tapahtumaa).
- Kaiken syyn aiheuttama kuolleisuus: ResearchOne-tutkimuksessa odotettavissa 12 216 tapahtumaa, joka perustuu 10,6 %:n 12 kuukauden ilmaantuvuuteen kohtalaisen heikkouden ryhmässä (7 632 tapahtumaa) ja 19,1 %:n 12 kuukauden esiintymistiheyteen vakavan heikkouden ryhmässä (4 584 tapahtumaa).
Siksi, vaikka otettaisiinkin pienin arvio tapahtumatapahtumista 12 kuukaudessa (hoitokotiin ottamista varten), tutkijat odottaisivat vähintään 2 160 tapahtumaa kussakin ResearchOne- tai SAIL-tutkimuksessa. Tämä antaa meille mahdollisuuden arvioida luotettavasti ennustemalli jokaiselle tulokselle jopa 108 ennustajaparametrilla, mikä vastaa 20 tapahtumaa potentiaalista ennustajaparametria kohden (2160/20). Tämä ylittää peukalosääntösuositukset, joissa on 10 tai 15 tapahtumaa ennustajaparametria kohden.
Lisäksi konservatiivisesti olettaen, että uusien mallien Nagelkerken R-neliö on 15 %, Rileyn otoskokokaava viittaa siihen, että vähintään 7,5 tapahtumaa kullekin ennustajaparametrille varmistaa ylisovituksen ja optimismin minimoimisen, kun tulososuus on 3 %. Kun tulososuutta kasvatetaan 20 %:iin (kotihoitopaketti), 9 %:iin (putoaminen/murtuma) tai 15 %:iin (kuolleisuus), vaadittava vähimmäisotoskoko on 18, 11,5 ja 15 tapahtumaa ennustajaparametria kohti. Tutkijat ylittävät kaikki nämä saatavilla olevien suurten tietokokonaisuuksien vuoksi.
Näytteen koko ulkoista validointia varten
Nykyiset suositukset ovat, että ennustemallin ulkoiseen validointiin tarvitaan vähintään 100 tapahtumaa ja 100 ei-tapahtumaa (mieluiten 200). Arviomme viittaavat huomattavasti enemmän kuin tähän, kuten 2160 tapahtumaa vähiten yleisiin hoitokotiin pääsyn tuloksiin SAIL- ja ResearchOne-tutkimuksissa ja 540 LDM:ssä (jota käytetään vain mallien ulkoiseen validointiin).
Puuttuvat tiedot
Käsitelty käyttämällä useita imputaatioita ja Rubinin sääntöjä puuttuvan satunnaisen oletuksen perusteella, mukaan lukien imputointimallin tulos, joka ottaa huomioon käytännön klusteroinnin.
Analyysisuunnitelma
i) Prognostinen mallinnus
Tutkijat rakentavat kehitystietosarjoihin neljä erillistä ennustemallia ennustaakseen neljän keskeisen ilmoitetun tuloksemme riskiä henkilöillä, joilla on keskivaikea tai vaikea heikkous lähtökohtana.
Kullekin tulokselle, niille, joilla on kohtalainen heikkous (eFI-pistemäärä 0,24–0,36) tai vakava heikkous (eFI-pistemäärä > 0,36), tutkijat kehittävät ja vahvistavat sisäisesti ennustemallin, joka sisältää vain eFI:n (kokonaisuutena nykyisessä muodossaan) ja sen jälkeen eFI:n komponentit (mukana ennustajina) sekä muita rutiininomaisia ensihoidon EHR-tietoja. Regressiomalli on logistinen regressio tai joustava parametrinen eloonjääminen binäärituloksille tai ajasta tapahtumaan (tarvittaessa, kun tutkijat tarkkailevat tietokannan koodausta ja sensurointia jne.) tulosriskien tuottamiseksi 12 kuukaudessa.
Suuren otoskoon vuoksi ylisovituksen odotetaan olevan pieni, mutta tutkijat sopeutuvat siihen rankaisemalla bootstrappingin avulla arvioidulla globaalilla kutistumiskertoimella. Jos muuttujan valinta katsotaan tärkeäksi hillitylle, tutkijat käyttävät mieluummin rangaistuksia joustavan verkon kautta. Sisäinen validointi käyttää koko kehitystietojoukon bootstrappausta ja kalibrointiin tuotettuja optimismikorjattuja arvioita ennakoivasta suorituskyvystä (esim. kalibrointi suuressa, kalibrointikaltevuus, havaittu/odotettu), erottelu (esim. C-tilasto) ja kokonaisuutena (esim. Nagelkerke R2) ennakoitujen riskien suorituskyky. Jatkuvia muuttujia ei luokitella ja mahdollisia epälineaarisia vaikutuksia tutkitaan käyttämällä splineja tai murtopolynomeja. Ennustajien ei-suhteellisia vaaroja tarkastellaan myös vuorovaikutustermeillä ajan kanssa.
Kaikki mallit tarkistetaan ulkoisesti eri tietokannassa. Ennustavat suorituskykytilastot johdetaan edellä kuvatulla tavalla (esim. C-tilasto, kalibrointikaltevuus) sekä kalibrointikäyrät, jotka osoittavat havaittujen ja ennustettujen riskien välistä yhtäpitävyyttä ennustettujen riskien kirjossa käyttämällä lössin ei-parametrista tasoitinta.
Erikseen tutkijat käyttävät CARE75+-tietosarjaa tutkiakseen kliinisen arvioinnin lisävoimaa, joka liittyy katsauksissa tunnistettuihin ennustetekijöihin, jotka ovat käytännöllisiä rutiininomaisessa perusterveydenhuollossa.
ii) Päätöksen mallintaminen
Prognostiset mallit muunnetaan kehykseksi, joka ohjaa kliinistä päätöksentekoa tunnistamalla ennustetun riskin relevantit kynnysarvot, joiden ylittyessä ilmoittamiemme interventioiden toteuttaminen on perusteltua. Tämä antaa meille mahdollisuuden luoda päätösanalyyttinen malli (DAM), jota tarkastellaan käyttämällä päätöskäyriä ja nettohyötyä ulkoisissa validointitietosarjoissa.
iii) Terveystaloudellinen arviointi
Terveystaloudellinen arviointi tehdään kahdessa vaiheessa. Ensimmäisen vaiheen tavoitteena on tarjota lyhyen aikavälin, 12 kuukauden vertailu DAM:n määrittelemien skenaarioiden kustannustehokkuudesta. Toisessa vaiheessa tutkijat laajentavat analyysimme näiden skenaarioiden pitkän aikavälin kustannustehokkuuden arviointiin.
Opintotyyppi
Ilmoittautuminen (Odotettu)
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
SAIL-tietopankki:
Anonymisoidut tietueet noin 5 miljoonalta Walesin ihmiseltä, ja niihin liittyvät perusterveydenhuolto, sairaalahoidot, avohoitotiedot, sosiaalihuolto, Welsh Care Homes Dataset ja ONS-kuolleisuustiedot.
ResearchOne:
Kansallisesti edustavia, tunnistamattomia tietoja noin 6 miljoonasta perusterveydenhuollon sähköisestä sairauskertomuksesta TPP SystmOne -kliinisestä järjestelmästä.
Leedsin tietomalli:
Anonymisoidut, linkitetyt perus-, toissijaiset, yhteisö- ja sosiaalihuollon tiedot 810 000 potilaalta 108 vastaanotosta Leedsissä, Iso-Britanniassa.
CARE75+:
Ison-Britannian kansallinen prospektiivinen kohorttitutkimus (n≈1 200), tärkeimmät tulokset kuuden, 12, 24 ja 48 kuukauden kohdalla.
Kuvaus
Sisällyttämiskriteerit:
- Ikä ≥65 vuotta
- Keskivaikea heikkous (eFI-pistemäärä 0,24–0,36) tai vakava heikkous (eFI-pistemäärä > 0,36)
- Rekisteröity ResearchOne-, SAIL- tai LDM-käytäntöön 1.4.2018
- CARE75+ osallistujat, joilla on kohtalainen heikkous (eFI-pisteet 0,24–0,36) tai vakava heikkous (eFI-pistemäärä > 0,36)
Poissulkemiskriteerit:
- Ikä
- Istuvuus/lievä hauraus
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Tulevaisuuden
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
---|---|
SAIL-tietopankki
Anonymisoidut tietueet noin 5 miljoonalta Walesin ihmiseltä, ja niihin liittyvät perusterveydenhuolto, sairaalahoidot, avohoitotiedot, sosiaalihuolto, Welsh Care Homes Dataset ja ONS-kuolleisuustiedot.
SAIL sisältää eFI-yhteenvetopisteet ja yksittäiset komponentit.
|
Prognostiset mallit muunnetaan kehykseksi, joka ohjaa kliinistä päätöksentekoa tunnistamalla ennustetun riskin relevantit kynnysarvot, joiden ylittyessä ilmoittamiemme interventioiden toteuttaminen on perusteltua.
|
ResearchOne
Kansallisesti edustavia, tunnistamattomia tietoja noin 6 miljoonasta perusterveydenhuollon sähköisestä sairauskertomuksesta TPP SystmOne -kliinisestä järjestelmästä.
ResearchOne sisältää eFI-yhteenvetopisteet ja yksittäiset komponentit.
|
Prognostiset mallit muunnetaan kehykseksi, joka ohjaa kliinistä päätöksentekoa tunnistamalla ennustetun riskin relevantit kynnysarvot, joiden ylittyessä ilmoittamiemme interventioiden toteuttaminen on perusteltua.
|
Leedsin tietomalli
Anonymisoidut, linkitetyt perus-, toissijaiset, yhteisö- ja sosiaalihuollon tiedot 810 000 potilaalta 108 vastaanotosta Leedsissä, mukaan lukien eFI-yhteenvetopisteet ja yksittäiset komponentit.
|
Prognostiset mallit muunnetaan kehykseksi, joka ohjaa kliinistä päätöksentekoa tunnistamalla ennustetun riskin relevantit kynnysarvot, joiden ylittyessä ilmoittamiemme interventioiden toteuttaminen on perusteltua.
|
CARE75+
Kansallinen prospektiivinen kohorttitutkimus (n≈1 200), joka kerää yksityiskohtaista sosiodemografista tietoa, heikkousmittauksia (mukaan lukien eFI-pisteet), perusterveydenhuollon yksinkertaisia laitteita (esim.
askelnopeus, ajoitettu ylös-ja mene-testi; päivittäisen elämän toiminnot; epävirallinen hoito; yksinäisyys) ja tärkeimmät tulokset kuuden, 12, 24 ja 48 kuukauden iässä.
CARE75+ on erittäin rikas tietojoukko, joka tarjoaa erittäin tehokkaan menetelmän tutkia, kuinka yksinkertaiset instrumentit voivat parantaa eFI:n suorituskykyä.
|
Prognostiset mallit muunnetaan kehykseksi, joka ohjaa kliinistä päätöksentekoa tunnistamalla ennustetun riskin relevantit kynnysarvot, joiden ylittyessä ilmoittamiemme interventioiden toteuttaminen on perusteltua.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Hoitokoteihin hyväksyttyjen osallistujien määrä
Aikaikkuna: 12 kuukautta
|
Uuden vanhainkotiin ottamisen ilmaantuvuus, joka tunnistetaan uudella vanhainkodin asuinnolla rutiinitietoaineistossa osoitetietojen perusteella
|
12 kuukautta
|
Uutta/lisättyä kotihoitopakettia tarvitsevien osallistujien määrä
Aikaikkuna: 12 kuukautta
|
Uusien tai lisääntyneiden kotihoitopalvelujen ilmaantuvuus, joka tunnistetaan koodatulla todisteella kotihoitopalvelujen uudesta tai lisääntyneestä käytöstä rutiinitietoaineistossa
|
12 kuukautta
|
Niiden osallistujien määrä, jotka kokivat ensiapuosaston/sairaalahoidon kaatumisen/murtuman vuoksi
Aikaikkuna: 12 kuukautta
|
Päivystyspoliklinikalla (ED) käynnin tai sairaalahoidon kaatumisen tai murtuman ilmaantuvuus, tunnistettu käyttämällä koodattua näyttöä päivystyshoidosta/sairaalahoidosta ja kaatumisesta/murtumasta rutiinitietojoukossa
|
12 kuukautta
|
Kaiken syyn aiheuttama kuolleisuus
Aikaikkuna: 12 kuukautta
|
Kaikesta syystä johtuvan kuolleisuuden ilmaantuvuus, joka on määritetty käyttämällä Office for National Statisticsin kuolintietoja tai koodattuja todisteita kuolemasta rutiinitietojoukossa
|
12 kuukautta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Andrew Clegg, MD, University of Leeds
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Odotettu)
Opintojen valmistuminen (Odotettu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- NIHR127905
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
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 .
Kliiniset tutkimukset Hauras
-
University of AlbertaAlberta Health services; Glenrose FoundationAktiivinen, ei rekrytointiTerve | Frail Vanhusten oireyhtymä | Hauras | Terve ikääntyminen | Frailty-oireyhtymä | Ikääntymisongelmat | Ikääntymisen häiriö | Pre-FrailtyKanada
-
University of Erlangen-Nürnberg Medical SchoolValmis
-
University of ValenciaValmisFrailty-oireyhtymäEspanja
-
Shanghai East HospitalValmis
-
Sengkang General HospitalTuntematonHauras | Frailty-oireyhtymäSingapore
-
Charite University, Berlin, GermanyValmisFrailty-oireyhtymäSaksa
-
Cellcolabs Clinical SPV LimitedPDC-CRORekrytointiAging FrailtyYhdistyneet Arabiemiirikunnat
-
Chinese University of Hong KongValmisFrailty-oireyhtymäHong Kong
-
Instituto Tecnologico y de Estudios Superiores...Ei vielä rekrytointia
-
Longeveron Inc.ValmisLomecel-B rokotespesifisistä vasta-aineista - vaste potilailla, joiden ikääntyminen on heikko (HERA)Aging FrailtyYhdysvallat