Sähköisen ML-hälytysten hallintajärjestelmän vaikutus ED-käyntien ja sairaalahoitojen käytön vähentämiseen
maanantai 28. elokuuta 2023 päivittänyt: Presage
Sähköisen hälytyksen hallintajärjestelmän vaikutus hoitajien havaintoihin ja koneoppimisalgoritmiin vähentämään päivystyskäyntien käyttöä ja suunnittelemattomia sairaalahoitoja vanhusten keskuudessa
Hälytystenhallintajärjestelmän kehittäminen, validointi ja vaikutus sosiaalityöntekijöiden havaintojen ja koneoppimisalgoritmien avulla ennakoimaan 7–14 päivän hälytykset ensiapuosaston (ED) käyntien ja suunnittelemattomien sairaalahoitojen riskeistä.
Sähköisen kotihoidon avustajien raportoiman tulosmittausjärjestelmän monikeskuskoekäyttöönotto potilaiden, kotona asuvien >= 65-vuotiaiden ja kotihoidon avustajien (HCA) apua saavien aikuisten keskuudessa.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Viikoittain kotikäynnin jälkeen HCA:t raportoivat osallistujien toimintatilasta älypuhelinsovelluksella, joka tallensi 23 toiminnallista asiaa jokaisesta osallistujasta (esim. kyky seistä, liikkua, syödä, mieliala, yksinäisyys). Koneoppimistekniikoita käyttävä ennustejärjestelmä (eli satunnaisten metsäennustajien hyödyntäminen) kehitettiin, ja se tuotti 7–14 päivän ennakoivia hälytyksiä sairaanhoitajien ED-käyntien riskistä.
Tämä kysely keskittyi toiminnalliseen ja kliiniseen autonomiaan (eli päivittäisen elämän toiminnot), mahdollisiin lääketieteellisiin oireisiin (esim. väsymys, kaatumiset ja kipu), käyttäytymisen muutoksiin (esim. tunnistaminen ja aggressiivisuus) ja kommunikaatioon HA:n tai heidän ympäristönsä kanssa. . Tämä kyselylomake koostuu hyvin yksinkertaisista ja helposti ymmärrettävistä kysymyksistä, jotka antavat kokonaiskuvan henkilön tilasta. Jokaiseen 23 kysymykseen pyydettiin kyllä/ei vastaus. HA:iden tallentamat tiedot lähetettiin reaaliajassa suojatulle palvelimelle analysoitavaksi koneoppimisalgoritmillamme, joka ennusti riskitason ja näytti sen verkkopohjaisessa suojatussa lääketieteellisessä laitteessa nimeltä PRESAGE CARE, joka on CE-merkitty. Varsinkin kun algoritmi ennusti korkean riskin tason, näytölle ilmestyi ilmoituksen muodossa hälytys piirin terveydenhuollon verkkokeskuksen koordinoivalle sairaanhoitajalle. Tähän riskiilmoitukseen liitettiin tiedot potilaiden toimintatilan viimeaikaisista muutoksista, jotka tunnistettiin HA:n asiakirjoista, jotta koordinoivaa sairaanhoitajaa voidaan auttaa vuorovaikutuksessa omaishoitajien ja muiden terveydenhuollon ammattilaisten kanssa.
Hälytyksen sattuessa koordinoiva sairaanhoitaja soitti omaishoitajalle tiedustellakseen viimeaikaisia muutoksia potilaan terveydentilassa ja epäilyksen poistumista varten ja voi sitten päättää pyytää terveystoimenpiteitä ennen hoidon alkamista kehitetyn terveydenhoitomallin mukaisesti. opiskella. Lyhyesti sanottuna tämä hälytyksen laukaiseva terveystoimenpide (ATHI) koostui siitä, että soitettiin potilaan sairaanhoitajalle (jos potilaalla oli säännöllisiä sairaanhoitajan kotikäyntejä) tai potilaan yleislääkärille ja tiedotettiin potilaan toimintatilan heikkenemisestä ja mahdollisesta riskistä. lähipäivien päivystyskäynnistä tai suunnittelemattomasta sairaalahoidosta eHealth-järjestelmän algoritmin mukaan. Tämän ATHI-mallin esitti ja hyväksyi tutkimukseemme osallistuneiden alueiden Agences Régionales de Santé
Opintotyyppi
Interventio
Ilmoittautuminen (Arvioitu)
800
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Le Chesnay, Ranska, 78150
- Grand Versailles
-
Marseille, Ranska, 13011
- Marseille-1
-
-
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
75 vuotta ja vanhemmat (Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Kuvaus
Sisällyttämiskriteerit:
- 75-vuotias mini
- saa sosiaalityöntekijän apua
- potilaan tulee antaa suostumuksensa
- potilaan olisi pitänyt käydä ensihoidon ammattilaisen luona viimeisten 12 kuukauden aikana
Poissulkemiskriteerit:
- Ihmiset, joilla on vakava riippuvuus (Ranskan kansallinen instrumentti, joka kerrostaa riippuvuustason ryhmän iso-resursseista (GIR): 1 (erittäin vakava riippuvuus) ja 2 (vakava riippuvuus)
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Ennaltaehkäisy
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Ei väliintuloa: Kontrolliryhmä
tavallista hoitoa
|
|
|
Kokeellinen: Interventio
PRESAGE Hoito ATIH + Sairaanhoitajan tai yleislääkärin konsultaatio
|
Tämän osan osallistujia seuraa HCA, ja he voivat hyötyä sairaanhoitajan terveystoimenpiteistä
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Suunnittelematon sairaalahoitoaste
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Vertailu suunnittelemattoman sairaalahoitosuhteen välillä kahdesta satunnaistetusta ryhmästä (interventio- ja kontrolliryhmät). P-arvoja <,05 pidetään tilastollisesti merkittävinä. |
opintojen päätyttyä keskimäärin 1 vuosi
|
|
Tapahtumaton selviytyminen (EFS)
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Vertailukeskimääräinen aika ensimmäiseen haittatapahtumaan interventio- ja kontrolliryhmien välillä. P-arvoja <,05 pidetään tilastollisesti merkittävinä. |
opintojen päätyttyä keskimäärin 1 vuosi
|
|
Vaikutus ikääntyneiden aikuisten ja sukulaisten elämänlaatuun (European Quality of Life 5 Dimensions and 3 Lines asteikko)
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
EQ5D-3L elämänlaatuasteikon (European Quality of Life 5 Dimensions and 3 Lines) keskimääräisten pistemäärien vertailu interventio- ja kontrolliryhmien välillä. P-arvoja <,05 pidetään tilastollisesti merkittävinä. |
opintojen päätyttyä keskimäärin 1 vuosi
|
|
Kustannustehokkuus
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Inkrementaalinen kustannustehokkuussuhde (ICER), QALY.
Maksuhalukkuuden kynnysarvoja 30 000 euroa/QALY (QALY) ja 90 000 euroa/QALY käytettiin määriteltäessä erittäin kustannustehokas ja kustannustehokas strategia.
|
opintojen päätyttyä keskimäärin 1 vuosi
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Vaikutus käyttäjiin: kyselylomakkeen täyttämiseen tarvittava aika
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Kyselylomakkeen täyttämiseen tarvittava aika (minuuttia): alle 2 minuutin aika katsotaan hyväksyttäväksi
|
opintojen päätyttyä keskimäärin 1 vuosi
|
|
Interventioprosentti
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Osa hälytyksestä, joka johtaa toimenpiteisiin ja interventioaika (%).
Yli 70 %:n korkoa pidetään hyväksyttävänä.
|
opintojen päätyttyä keskimäärin 1 vuosi
|
|
Interventioaika
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Hälytyspäivän ja toimenpidepäivän välisen keston keskiarvo (päivinä).
Alle 4 päivän viivästys katsotaan hyväksyttäväksi.
|
opintojen päätyttyä keskimäärin 1 vuosi
|
|
Potilastilan analysointiin tarvittava aika
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Potilaan tilanteen analysoimiseen tarvittava aika (tunnit ja minuutit): alle 15 minuuttia potilaan kohdalla katsotaan hyväksyttäväksi
|
opintojen päätyttyä keskimäärin 1 vuosi
|
|
Vaikutus hoidon laatuun
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Positiivinen tai erittäin myönteinen vaikutus hoidon laatuun: yli 80 %:n osuus katsotaan hyväksyttäväksi.
|
opintojen päätyttyä keskimäärin 1 vuosi
|
|
Vaikutus ammattisuhteisiin ja koordinaatioon
Aikaikkuna: opintojen päätyttyä keskimäärin 1 vuosi
|
Positiivinen tai erittäin myönteinen vaikutus ammatilliseen suhteeseen ja koordinaatioon: yli 80 %:n osuus katsotaan hyväksyttäväksi.
|
opintojen päätyttyä keskimäärin 1 vuosi
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Iwashyna TJ, Ely EW, Smith DM, Langa KM. Long-term cognitive impairment and functional disability among survivors of severe sepsis. JAMA. 2010 Oct 27;304(16):1787-94. doi: 10.1001/jama.2010.1553.
- Inglis SC, Clark RA, McAlister FA, Ball J, Lewinter C, Cullington D, Stewart S, Cleland JG. Structured telephone support or telemonitoring programmes for patients with chronic heart failure. Cochrane Database Syst Rev. 2010 Aug 4;(8):CD007228. doi: 10.1002/14651858.CD007228.pub2.
- Clerencia-Sierra M, Calderon-Larranaga A, Martinez-Velilla N, Vergara-Mitxeltorena I, Aldaz-Herce P, Poblador-Plou B, Machon-Sobrado M, Egues-Olazabal N, Abellan-van Kan G, Prados-Torres A. Multimorbidity Patterns in Hospitalized Older Patients: Associations among Chronic Diseases and Geriatric Syndromes. PLoS One. 2015 Jul 24;10(7):e0132909. doi: 10.1371/journal.pone.0132909. eCollection 2015.
- Kahn JH, Magauran BG Jr, Olshaker JS, Shankar KN. Current Trends in Geriatric Emergency Medicine. Emerg Med Clin North Am. 2016 Aug;34(3):435-52. doi: 10.1016/j.emc.2016.04.014.
- Gasperini B, Cherubini A, Pierri F, Barbadoro P, Fedecostante M, Prospero E. Potentially preventable visits to the emergency department in older adults: Results from a national survey in Italy. PLoS One. 2017 Dec 21;12(12):e0189925. doi: 10.1371/journal.pone.0189925. eCollection 2017.
- McCusker J, Verdon J. Do geriatric interventions reduce emergency department visits? A systematic review. J Gerontol A Biol Sci Med Sci. 2006 Jan;61(1):53-62. doi: 10.1093/gerona/61.1.53.
- Chen CC, Wang C, Huang GH. Functional trajectory 6 months posthospitalization: a cohort study of older hospitalized patients in Taiwan. Nurs Res. 2008 Mar-Apr;57(2):93-100. doi: 10.1097/01.NNR.0000313485.18670.e2.
- Camargo CA Jr, Tsai CL, Sullivan AF, Cleary PD, Gordon JA, Guadagnoli E, Kaushal R, Magid DJ, Rao SR, Blumenthal D. Safety climate and medical errors in 62 US emergency departments. Ann Emerg Med. 2012 Nov;60(5):555-563.e20. doi: 10.1016/j.annemergmed.2012.02.018.
- Crane SJ, Tung EE, Hanson GJ, Cha S, Chaudhry R, Takahashi PY. Use of an electronic administrative database to identify older community dwelling adults at high-risk for hospitalization or emergency department visits: the elders risk assessment index. BMC Health Serv Res. 2010 Dec 13;10:338. doi: 10.1186/1472-6963-10-338.
- Hu Z, Jin B, Shin AY, Zhu C, Zhao Y, Hao S, Zheng L, Fu C, Wen Q, Ji J, Li Z, Wang Y, Zheng X, Dai D, Culver DS, Alfreds ST, Rogow T, Stearns F, Sylvester KG, Widen E, Ling XB. Real-time web-based assessment of total population risk of future emergency department utilization: statewide prospective active case finding study. Interact J Med Res. 2015 Jan 13;4(1):e2. doi: 10.2196/ijmr.4022.
- Takahashi PY, Heien HC, Sangaralingham LR, Shah ND, Naessens JM. Enhanced risk prediction model for emergency department use and hospitalizations in patients in a primary care medical home. Am J Manag Care. 2016 Jul;22(7):475-83.
- Denis F, Krakowski I. How Should Oncologists Choose an Electronic Patient-Reported Outcome System for Remote Monitoring of Patients With Cancer? J Med Internet Res. 2021 Sep 9;23(9):e30549. doi: 10.2196/30549.
- Bouazza YB, Chiairi I, El Kharbouchi O, De Backer L, Vanhoutte G, Janssens A, Van Meerbeeck JP. Patient-reported outcome measures (PROMs) in the management of lung cancer: A systematic review. Lung Cancer. 2017 Nov;113:140-151. doi: 10.1016/j.lungcan.2017.09.011. Epub 2017 Sep 23.
- Schick-Makaroff K, Karimi-Dehkordi M, Cuthbertson L, Dixon D, Cohen SR, Hilliard N, Sawatzky R. Using Patient- and Family-Reported Outcome and Experience Measures Across Transitions of Care for Frail Older Adults Living at Home: A Meta-Narrative Synthesis. Gerontologist. 2021 Apr 3;61(3):e23-e38. doi: 10.1093/geront/gnz162.
- Veyron JH, Friocourt P, Jeanjean O, Luquel L, Bonifas N, Denis F, Belmin J. Home care aides' observations and machine learning algorithms for the prediction of visits to emergency departments by older community-dwelling individuals receiving home care assistance: A proof of concept study. PLoS One. 2019 Aug 13;14(8):e0220002. doi: 10.1371/journal.pone.0220002. eCollection 2019.
- Huntley AL, Chalder M, Shaw ARG, Hollingworth W, Metcalfe C, Benger JR, Purdy S. A systematic review to identify and assess the effectiveness of alternatives for people over the age of 65 who are at risk of potentially avoidable hospital admission. BMJ Open. 2017 Aug 1;7(7):e016236. doi: 10.1136/bmjopen-2017-016236.
- Seibert K, Domhoff D, Bruch D, Schulte-Althoff M, Furstenau D, Biessmann F, Wolf-Ostermann K. Application Scenarios for Artificial Intelligence in Nursing Care: Rapid Review. J Med Internet Res. 2021 Nov 29;23(11):e26522. doi: 10.2196/26522.
- Gray JT, Walker A. Avoiding admissions from the ambulance service: a review of elderly patients with falls and patients with breathing difficulties seen by emergency care practitioners in South Yorkshire. Emerg Med J. 2008 Mar;25(3):168-71. doi: 10.1136/emj.2007.050732.
- Mason S, O'Keeffe C, Knowles E, Bradburn M, Campbell M, Coleman P, Stride C, O'Hara R, Rick J, Patterson M. A pragmatic quasi-experimental multi-site community intervention trial evaluating the impact of Emergency Care Practitioners in different UK health settings on patient pathways (NEECaP Trial). Emerg Med J. 2012 Jan;29(1):47-53. doi: 10.1136/emj.2010.103572.
- Mason S, Knowles E, Colwell B, Dixon S, Wardrope J, Gorringe R, Snooks H, Perrin J, Nicholl J. Effectiveness of paramedic practitioners in attending 999 calls from elderly people in the community: cluster randomised controlled trial. BMJ. 2007 Nov 3;335(7626):919. doi: 10.1136/bmj.39343.649097.55. Epub 2007 Oct 4.
- Soril LJ, Leggett LE, Lorenzetti DL, Noseworthy TW, Clement FM. Reducing frequent visits to the emergency department: a systematic review of interventions. PLoS One. 2015 Apr 13;10(4):e0123660. doi: 10.1371/journal.pone.0123660. eCollection 2015.
- Belmin J, Auffray JC, Berbezier C, Boirin P, Mercier S, de Reviers B, Golmard JL. Level of dependency: a simple marker associated with mortality during the 2003 heatwave among French dependent elderly people living in the community or in institutions. Age Ageing. 2007 May;36(3):298-303. doi: 10.1093/ageing/afm026. Epub 2007 Mar 24.
- O'Connell S, Palmer R, Withers K, Saha N, Puntoni S, Carolan-Rees G; PROMs, PREMs and Effectiveness Programme. Requirements for the collection of electronic PROMS either "in clinic" or "at home" as part of the PROMs, PREMs and Effectiveness Programme (PPEP) in Wales: a feasibility study using a generic PROM tool. Pilot Feasibility Stud. 2018 Jul 4;4:90. doi: 10.1186/s40814-018-0282-8. eCollection 2018.
- Duncanson E, Bennett PN, Viecelli A, Dansie K, Handke W, Tong A, Palmer S, Jesudason S, McDonald SP, Morton RL; Symptom monitoring WIth Feedback Trial (SWIFT) Investigators. Feasibility and acceptability of e-PROMs data capture and feedback among patients receiving haemodialysis in the Symptom monitoring WIth Feedback Trial (SWIFT) pilot: protocol for a qualitative study in Australia. BMJ Open. 2020 Nov 6;10(11):e039014. doi: 10.1136/bmjopen-2020-039014.
- Anderson KO, Palos GR, Mendoza TR, Cleeland CS, Liao KP, Fisch MJ, Garcia-Gonzalez A, Rieber AG, Nazario LA, Valero V, Hahn KM, Person CL, Payne R. Automated pain intervention for underserved minority women with breast cancer. Cancer. 2015 Jun 1;121(11):1882-90. doi: 10.1002/cncr.29204. Epub 2015 Feb 24.
- Adam R, Burton CD, Bond CM, de Bruin M, Murchie P. Can patient-reported measurements of pain be used to improve cancer pain management? A systematic review and meta-analysis. BMJ Support Palliat Care. 2017 Dec;7(4):0. doi: 10.1136/bmjspcare-2016-001137. Epub 2016 Nov 22.
- Mooney KH, Beck SL, Friedman RH, Farzanfar R, Wong B. Automated monitoring of symptoms during ambulatory chemotherapy and oncology providers' use of the information: a randomized controlled clinical trial. Support Care Cancer. 2014 Sep;22(9):2343-50. doi: 10.1007/s00520-014-2216-1. Epub 2014 Apr 1.
- Vasey B, Ursprung S, Beddoe B, Taylor EH, Marlow N, Bilbro N, Watkinson P, McCulloch P. Association of Clinician Diagnostic Performance With Machine Learning-Based Decision Support Systems: A Systematic Review. JAMA Netw Open. 2021 Mar 1;4(3):e211276. doi: 10.1001/jamanetworkopen.2021.1276.
- Adler-Milstein J, Chen JH, Dhaliwal G. Next-Generation Artificial Intelligence for Diagnosis: From Predicting Diagnostic Labels to "Wayfinding". JAMA. 2021 Dec 28;326(24):2467-2468. doi: 10.1001/jama.2021.22396. No abstract available.
- Barrachina-Fernandez M, Maitin AM, Sanchez-Avila C, Romero JP. Wearable Technology to Detect Motor Fluctuations in Parkinson's Disease Patients: Current State and Challenges. Sensors (Basel). 2021 Jun 18;21(12):4188. doi: 10.3390/s21124188.
- Khalil H, Bell B, Chambers H, Sheikh A, Avery AJ. Professional, structural and organisational interventions in primary care for reducing medication errors. Cochrane Database Syst Rev. 2017 Oct 4;10(10):CD003942. doi: 10.1002/14651858.CD003942.pub3.
- Beaudouin, Valérie and Bloch, Isabelle and Bounie, David and Bounie, David and Clémençon, Stéphan and d'Alché-Buc, Florence and Eagan, James and Maxwell, Winston and Mozharovskyi, Pavlo and Parekh, Jayneel, Flexible and Context-Specific AI Explainability: A Multidisciplinary Approach (March 23, 2020). Available at SSRN: https://ssrn.com/abstract=3559477 or http://dx.doi.org/10.2139/ssrn.3559477
- Belmin J, Villani P, Gay M, Fabries S, Havreng-Thery C, Malvoisin S, Denis F, Veyron JH. Real-world Implementation of an eHealth System Based on Artificial Intelligence Designed to Predict and Reduce Emergency Department Visits by Older Adults: Pragmatic Trial. J Med Internet Res. 2022 Sep 8;24(9):e40387. doi: 10.2196/40387.
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)
Tiistai 1. syyskuuta 2020
Ensisijainen valmistuminen (Todellinen)
Perjantai 31. joulukuuta 2021
Opintojen valmistuminen (Arvioitu)
Sunnuntai 30. kesäkuuta 2024
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Perjantai 7. tammikuuta 2022
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 21. tammikuuta 2022
Ensimmäinen Lähetetty (Todellinen)
Torstai 3. helmikuuta 2022
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Keskiviikko 30. elokuuta 2023
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Maanantai 28. elokuuta 2023
Viimeksi vahvistettu
Tiistai 1. elokuuta 2023
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- PRESAGE_2021-01
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
IPD-suunnitelman kuvaus
anonymisoitu Tilastotiedot ovat saatavilla
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 .