- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT04757194
Koneoppimisen avustettu eriyttäminen heikkotarkkuuksisilla potilailla lähetyksen yhteydessä (MADLAD)
Koneoppimisen avustettu eriyttäminen heikkotarkkuuksisilla potilailla lähetyksen yhteydessä: satunnaistettu kontrolloitu kokeilu
TAUSTA:
Emergency Medical Dispatch (EMD) -keskuksissa resurssit rajoittavat tilanteet (RCS), joissa ambulanssia tarvitsevia soittajia on enemmän kuin käytettävissä on ambulansseja, ovat yleisiä. Uppsalan ja Västmanlandin EMD-keskuksissa tällaisia tilanteita kokevat potilaat saavat yleensä matalan prioriteetin, he ovat usein iäkkäitä ja heillä on epäspesifisiä oireita. Koneoppimistekniikat tarjoavat lupaavan, mutta pitkälti testaamattoman lähestymistavan näiden potilaiden riskien arvioimiseen.
TAVOITTEET:
Selvittää, parantaako koneoppimiseen perustuvien riskipisteiden tarjoaminen lähettäjien kykyä tunnistaa potilaat, joilla on suuri riski RCS:n heikkenemiseen.
DESIGN:
Monikeskus, rinnakkain ryhmitelty, satunnaistettu, analyytikkosokkoutettu tutkimus.
VÄESTÖ:
Valtakunnalliseen hätänumeroon (112) ottaneet aikuispotilaat, joiden lähetyshoitaja Uppsalassa tai Västmanlandissa on arvioinut tarvitsevansa matalan prioriteetin ambulanssia ja joilla on RCS.
TULOKSET:
Ensisijainen:
1. RCS:n osuus, jossa ensimmäinen saatavilla oleva ambulanssi lähetettiin potilaalle, jolla oli korkein National Early Warning Score (NEWS) -pistemäärä
Toissijainen:
- Ero yhdistetyssä riskipisteissä, jotka koostuvat ambulanssitoimenpiteistä, hätäkuljetuksista, sairaalahoidosta, tehohoidosta ja kuolleisuudesta potilaiden välillä, jotka saavat välitöntä vs. viivästynyttä ambulanssivastetta RCS:n aikana.
- UUTISET erot potilaiden välillä, jotka saavat välitöntä vs. viivästynyttä ambulanssivastetta RCS:n aikana.
TOIMENPITEET:
Koneoppimismalli arvioi jokaiseen RCS:ään osallistuvaan potilaaseen liittyvän riskin ja ehdottaa potilasta, joka saa käytettävissä olevan ambulanssin. Pelkästään interventiohaarassa arviointi näytetään lähetysjärjestelmään integroidussa käyttöliittymässä.
KOKEILUKOKO:
1500 RCS:tä, joista kukin koostuu useista potilaista, jotka satunnaistettiin suhteessa 1:1 kontrolli- ja interventiohaaroihin
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Uppsala, Ruotsi
- Uppsala University Hospital
-
-
Västmanland
-
Västerås, Västmanland, Ruotsi
- Västmanland hospital Västerås
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Ambulanssin johtajan resurssien rajallisen tilanteen tunnistaminen (eli 2 tai useampi potilas odottaa ambulanssin vastausta)
- Lähettävän sairaanhoitajan puhelun vastaanottaja on määrittänyt prioriteetin 2A tai 2B (alhaisen prioriteetin ambulanssin vastaus)
- Voimassa oleva ruotsalainen henkilötunnus noudettiin lähetyksen yhteydessä
- Ikä >= 18 vuotta
Poissulkemiskriteerit:
- Asiaankuuluvat puhelut vastaanotettiin yli 30 minuutin välein
- Logistiset tekijät (esim. potilaiden maantieteellinen sijainti) vaikuttavat ambulanssin valintapäätökseen
- Paikalla olevat riskitekijät (esim. potilas on ulkona ja altistuu hypotermialle) tai riskiä vähentäviä aineita (esim. terveydenhuollon henkilökunta, joka on jo paikalla potilaan kanssa) vaikuttaa ambulanssin toimeksiantopäätökseen
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Terveyspalvelututkimus
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Yksittäinen
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: Interventio
Riskinarviointipisteiden laskeminen koneoppimisalgoritmilla ja riskinarviointitietojen näyttäminen lähetyssairaanhoitajille.
Henkilökuntaa rohkaistaan, mutta heidän ei vaadita noudattamaan ehdotettua sijoitusta.
|
Koneoppimisalgoritmi (Gradient Boosting), jota sovelletaan Alitis Clinical Decision Support -järjestelmään kerättyihin strukturoituihin tietoihin, potilaiden demografisiin tietoihin ja vapaatekstisiin muistiinpanoihin.
|
|
Ei väliintuloa: Ohjaus
Ambulanssilähetys hoitostandardin mukaan
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
RCS:n osuus, jossa ensimmäinen saatavilla oleva ambulanssi lähetettiin potilaalle, jolla oli korkein kansallinen varhaisvaroituspiste (NEWS).
Aikaikkuna: Ambulanssin vastauksen jälkeen (8 tunnin sisällä lähettämisestä)
|
NEWS on laajalti käytetty ja hyvin validoitu pisteytysalgoritmi, joka perustuu potilaan objektiivisiin elintoimintoihin, jotka eivät ole kausaalisesti riippuvaisia tässä tutkimuksessa tutkittujen koneoppimismallien koulutuksessa käytetyistä tuloksista.
NEWS-arvot perustuvat ensimmäisiin elintoimintoihin, jotka ambulanssihoitajat saavat potilaaseen ottamisen yhteydessä.
NEWS mitataan asteikolla 0-21, ja korkeammat arvot vastaavat potilaita, joilla on suurempi riski pahentua.
|
Ambulanssin vastauksen jälkeen (8 tunnin sisällä lähettämisestä)
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Ero yhdistetyissä tulosmittauspisteissä potilaiden välillä, joilla on välitön ja viivästynyt vaste.
Aikaikkuna: Jopa 30 päivää
|
Tämä mitta tutkii yhdistelmäpisteitä, jotka koostuvat koneoppimismallien koulutuksessa käytetyistä tuloksista. Yhdistelmäpistemäärä muodostetaan tunnistamalla seuraavat potilastulokset ja antamalla niitä vastaavat painot: Ambulanssihenkilökunnan epänormaalit nivel-/hengitys-/verenkiertolöydökset (4) Hätäkuljetus (valot ja sireenit) sairaalaan (2) Sairaalaa edeltävien toimenpiteiden tarjoaminen (1) Sairaalahoitoon pääsy tai kuolleisuus 30 päivän sisällä (1) Tuloksena on 0–8, ja korkeammat pisteet edustavat enemmän |
Jopa 30 päivää
|
|
Ero kansallisessa varhaisvaroituspisteessä (NEWS) potilaiden välillä, joilla on välitön ja viivästynyt vaste.
Aikaikkuna: Ambulanssin vastauksen jälkeen (8 tunnin sisällä lähettämisestä)
|
Ensisijaisen tuloksen mukaan
|
Ambulanssin vastauksen jälkeen (8 tunnin sisällä lähettämisestä)
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Hans Blomberg, MD, PhD, Uppsala University Hospital
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Spangler D, Hermansson T, Smekal D, Blomberg H. A validation of machine learning-based risk scores in the prehospital setting. PLoS One. 2019 Dec 13;14(12):e0226518. doi: 10.1371/journal.pone.0226518. eCollection 2019.
- Spangler D, Edmark L, Winblad U, Collden-Benneck J, Borg H, Blomberg H. Using trigger tools to identify triage errors by ambulance dispatch nurses in Sweden: an observational study. BMJ Open. 2020 Mar 19;10(3):e035004. doi: 10.1136/bmjopen-2019-035004.
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 (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- SVLC001
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jaon käyttöoikeuskriteerit
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
- 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 .