Trauman seurantaennuste (projekti 2: tavoite 2)
Tietoihin mukautuvien menetelmien käyttäminen loukkaantuneiden potilaiden seurannan optimoimiseksi sairaalasta kotiutuksen jälkeen Kamerunissa (tavoite 2)
Noin 9 % maailman kuolemista, yli 5 miljoonaa kuolemaa vuosittain, johtuu vammoista. Korkean tulotason maissa, joissa traumaattisten vammojen epidemiologia ja seuraukset ovat hyvin karakterisoituja, traumat vaikuttavat ensisijaisesti nuoriin, tuotteliaisiin väestön jäseniin ja niihin liittyy merkittävä pitkäaikainen vamma. Saharan eteläpuolisen Afrikan (SSA) maissa, kuten Kamerunissa, loukkaantuneilla on useita esteitä traumahoidolle, mukaan lukien mahdollisesti hengenpelastushoito sairaalasta kotiutumisen jälkeen. Tutkijoiden yhteisöpohjaisessa tutkimuksessa, johon osallistui 8 065 potilasta Lounais-Kamerunissa, havaittiin, että 34,6 % loukkaantuneista ei hakenut välitöntä virallista hoitoa vamman jälkeen, ja toinen 9,9 % haki vain virallista hoitoa vaihtoehtoisten keinojen, kuten perinteisen lääketieteen toimijoiden kuulemisen, jälkeen.
Kamerunissa 65,4 %:lle loukkaantuneista, jotka hakevat virallista hoitoa vamman jälkeen5, terapeuttiset reitit voivat olla monimutkaisia, ja niihin liittyy usein huonosti tuettuja lähetteitä muihin palveluihin tai siirtymistä pois virallisesta hoidosta. Tämän seurauksena muodolliset hoitojärjestelmät eivät pysty säilyttämään traumapotilaita jatkohoitoon, mikä on menetetty tilaisuus, koska nämä potilaat ovat jo voineet merkittäviä taloudellisia ja henkilökohtaisia haasteita hakeakseen ensihoitoa vammoihinsa. Tästä johtuen kotiutuneet traumapotilaat, jotka voivat hyötyä seurantahoidosta, viivästyttävät usein hoitoa, kunnes kehittyvät pitkälle edenneet komplikaatiot.
Tämän tutkimuksen tavoitteena on arvioida koneoppimiseen optimoitua puhelinpohjaista seulontatyökalua, joka ennustaa, mitkä traumapotilaat todennäköisimmin hyötyvät jatkohoidosta. Klusterin satunnaistettujen kokeiden kontrolloitu polku suoritetaan 10 sairaalassa Kamerunissa, ja siihen osallistuu 852 traumapotilasta. Kontrolliryhmän on käytettävä olemassa olevaa standardia mHealth-seulontatyökalua, kun taas interventio käyttää mHealth-seulontatyökalun optimoitua versiota (interventio) käyttäen koneoppimislähestymistapaa. Potilaita seurataan kuuden kuukauden ajan, jotta selvitetään kotiutuksen jälkeisten traumapotilaiden osuus, jotka tarvitsevat seurantaa matkapuhelimella.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Yksityiskohtainen kuvaus
M-terveyden ja koneoppimisen teknologinen lähentyminen tarjoaa ennennäkemättömän mahdollisuuden muuttaa vammojen hoitoa SSA:ssa, erityisesti heikommassa asemassa oleville väestöryhmille. Matkapuhelinten yleisyys ja mHealthin tulo tarjoavat uuden mahdollisuuden parantaa tapaturmien hoitoa SSA:ssa. Koska matkapuhelinten levinneisyysaste Kamerunissa (85–95 %) ja muualla SSA:ssa on korkea, tutkijat suunnittelivat ja pilotoivat mHealth-puhelinpohjaisen 7-kohteen seulontatyökalun traumapotilaille ennustaakseen henkilökohtaisen seurannan tarpeen. huolta kotiutuksen jälkeen. Jos tämä lähestymistapa on tehokas, se voisi tehokkaasti tunnistaa potilaiden osajoukon, jotka todennäköisimmin hyötyvät seurantahoidosta, joka on toteuttamiskelpoisempaa, skaalautuvampaa ja kustannustehokkaampaa kuin kotihoidon jälkeinen yleisneuvonta. Tutkijat havaitsivat, että puhelinseuranta on mahdollista ja hyväksyttävää, ja validointitutkimus paljasti seulontatyökalun hyvän korrelaation riippumattoman henkilökohtaisen tutkimuksen kanssa.
Tutkijat hyödyntävät aiempia tutkimuksiaan ja käyttävät datatieteitä parantaakseen, toteuttaakseen ja arvioidakseen mHealth-seulontatyökalua lopullisena tavoitteenaan vähentää vammojen lamauttavaa taakkaa. Tämä saavutetaan hyödyntämällä koneoppimista, joka on osoittautunut lupaavaksi traumahoidon ja traumajärjestelmien optimoinnissa. M-terveyden ja koneoppimisen uusi yhdistelmä tarjoaa tehokkaan mahdollisuuden muuttaa terveydenhuollon saatavuutta niille, jotka sitä vähiten saavat. Olemassa olevan tiedon pohjalta tutkijat olettavat, että dataan mukautuva koneoppiva lähestymistapa tulosten ennustamiseen voisi radikaalisti parantaa eloonjäämistä ja vähentää sairastuvuutta vamman jälkeen SSA:ssa.
Tutkijat soveltavat koneoppimislähestymistapaa optimoidakseen mukautuvasti mHealth-triage-työkalua, parantaen puheluiden ajoitusta ja algoritmia, joka ennustaa seurantahoidon tarpeen klusterin satunnaistetulla kontrolloidulla kokeella. Tämä saavutetaan käyttämällä SuperLearneria ennustamiseen ja ristiinvalidoitua kohdennettua maksimitodennäköisyysarviointia (CV-TMLE) vaihtelevan tärkeyden osalta käyttämällä tavoitteessa 1 kerättyä traumarekisteriä, kontaktiyritystä ja seulontatutkimustietoja. Yleisenä tavoitteena on parantaa mHealth-työkalun ennustetta haavoittuvista potilaista, jotka tarvitsevat jatkohoitoa kotiutuksen jälkeen. Tämä tutkimus on suoritettava 18 kuukauden ajan; ilmoittautuminen 6 kuukaudessa ja seurantaosallistujat 12 kuukauden ajan. Tutkijat arvioivat optimoidun lähestymistavan vaikutuksen satunnaistetussa tutkimuksessa 10 sairaalassa, joissa oli 852 vammapotilasta. Ensisijainen tulos on Glasgow Outcomes Scale-Extended (GOSE) 24,25 3 kuukauden kohdalla.
Opintotyyppi
Ilmoittautuminen (Odotettu)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Alain Chichom-Mefire, MD
- Puhelinnumero: +237677530532
- Sähköposti: chichom.mefire@ubuea.cm
Tutki yhteystietojen varmuuskopiointi
- Nimi: Fanny JN Dissak-Delon, MD, PhD
- Puhelinnumero: +237697582185
- Sähköposti: fannynadia@gmail.com
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Kuvaus
Sisällyttämiskriteerit:
Traumarekisteri (CTR): Potilaat, jotka täyttävät seuraavat sisällyttämiskriteerit, sisällytetään rekisteriin:
- Potilaat, joilla on akuutti traumaattinen vamma eli 2 viikon sisällä hoitoon saapumisesta.
- Traumapotilaat, jotka joutuvat virallisesti sairaalaan sairaalahoidossa.
- Traumapotilaat, jotka kuolevat päivystykseen saapuessaan tai sairaalahoidossa.
- Traumapotilaat, jotka siirretään muihin terveyslaitoksiin.
- Traumapotilaat, joilla on aiheet sairaalahoitoon (lääkäreiden arvioiden perusteella), mutta lähtevät ilman lääkärin neuvoja
- Traumapotilaat, joita pidetään päivystyspoliklinikalla yli 24 tunnin ajan
Normaali mHealth Triage Tool -kelpoisuus: mHealth-triage-työkalua annetaan traumarekisteriin kuuluville potilaille, jotka otetaan hoitoon ja päästetään kotiin hoidon jälkeen.
MHealth-seulontatyökalun optimoitu versio (interventio) Kelpoisuus: MHealth-seulontatyökalun optimoitua versiota annetaan traumarekisteriin kuuluville potilaille, jotka otetaan hoitoon ja kotiutetaan hoidon jälkeen.
Poissulkemiskriteerit:
- Traumarekisterin poissulkemiskriteerit: Potilaita ei suljeta pois iän, sukupuolen, rodun tai kansallisuuden perusteella. Jos potilaat tai heidän sijaispäätöksensä eivät anna suostumustaan osallistumiseen, potilaat suljetaan pois.
Maailman terveysjärjestön (WHO) vamman määritelmän mukaan "vamman" määritelmän ulkopuolelle jätetään seuraavat asiat: "Yllä oleva vamman määritelmä sisältää hukkumisen (hapenpuute), hypotermian (lämmön puutteen), kuristumisen ( hapenpuute), dekompressiosairaus tai mutkat (ylimääräiset typpiyhdisteet) ja myrkytykset (myrkylliset aineet), se EI sisällä jatkuvasta stressistä aiheutuvia tiloja, kuten rannekanavaoireyhtymä, krooninen selkäkipu ja infektioiden aiheuttama myrkytys . Mielenterveyden häiriöt ja krooninen vammaisuus, vaikka ne voivat olla fyysisen vamman mahdollisia seurauksia, eivät myöskään kuulu yllä olevan määritelmän mukaan." Vaikka myrkytykset sisältyvät WHO:n määritelmään, ne jätetään CTR:n ulkopuolelle, koska ne ovat tähän mennessä olleet erittäin harvinaisia tapahtumia CTR:ssä eivätkä ne tyypillisesti sisälly traumarekistereihin useimmissa muissa yhteyksissä.
Potilaat, joita ei ole virallisesti vastaanotettu ja kotiutunut päivystysosastolta 24 tunnin kuluessa, suljetaan pois.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Ennaltaehkäisy
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Yksittäinen
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Ei väliintuloa: Tavallinen mHealth-seulontatyökalu
Tämä on testattu standardi puhelinseulontatyökalu, joka määrittää henkilökohtaisen seurannan tarpeen potilaan kotiutumisen jälkeen.
Tutkimusavustaja ottaa suostumuksensa saaneisiin traumapotilaisiin yhteyttä matkapuhelimella 0,5, 1, 3 ja 6 kuukautta kotiutuksen jälkeen suorittaakseen seulonnan, joka ohjaa, kannattaako potilaan hakeutua seurantahoitoon merkittyjen potilaiden lukumäärän perusteella. vastaukset ≥1 kysymykseen 7 kohdan seulontakyselyssä.
|
|
|
Kokeellinen: Optimoitu versio mHealth-seulontatyökalusta (interventio) koneoppimismenetelmällä
Tämä haara saa parannuksen mHealth-triage-työkaluun käyttämällä koneoppimislähestymistapaa.
Potilaille kutsutaan optimoitua työkalua tulosten aikapisteissä (3 kuukautta, 6 kuukautta ja 12 kuukautta).
Tutkimusavustajat suorittavat jokaisella puhelulla GOSE-kyselyn ja mHealth-triage-työkalun syöttäen puhelun tulokset ja potilaiden vastaukset suoraan mHealth-järjestelmään.
Jos seurantahoito on aiheellista, tutkimusassistentti jakaa tiedot potilaan kanssa ja ehdottaa ajanvarausta.
|
Parannus mHealth-triage-työkaluun koneoppimislähestymistavan avulla, optimoimalla puheluaikataulun tehokkuutta ja ennustamalla, mitkä potilaat todennäköisimmin hyötyvät jatkohoidosta, kun otetaan huomioon sairaalassa Kamerunin traumarekisterin kautta kerätyt tiedot, sekä puhelun purkamisen jälkeiset yhteydenottoyritykset ja kyselytiedot.
Arvioiden selkäranka on ensemble koneoppimisalgoritmi Superlearner, jota on sovellettu lääketieteellisiin yhteyksiin, mukaan lukien vammat ja traumat.
Se on ristiinvalidointiin perustuva teorialähtöinen menetelmä, joka yhdistää mahdollisesti monia erilaisia oppijoita (esim. standardiregressio, puuregressio, satunnainen metsä, hermoverkot) siten, että valittu malli (oppijoiden painotettu keskiarvo) on asymptoottisesti ekvivalentti. niin kutsuttuun "Oracleen" - oppijaan, joka sopii optimaalisesti dataa tuottavaan jakeluun.
Huomaa, että tämän estimaattorin kaksinkertaiset CV-TMLE-versiot ovat saatavilla tmle3mopttx-funktiona tlversessa.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Arvioi Glasgow Outcomes Scale-Extended (GOSE) -pisteet
Aikaikkuna: 3 kuukauden iässä
|
Tämä tulos mittaa toipumista traumaattisen vamman jälkeen, ja se vaihtelee 1:stä (kuolema), 2:sta (vegetatiivinen tila) 8:aan (hyvä ylempi palautuminen).
|
3 kuukauden iässä
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
GOSE pisteet
Aikaikkuna: 6 ja 12 kuukauden iässä
|
Tämä tulos mittaa toipumista traumaattisen vamman jälkeen, ja se vaihtelee 1:stä (kuolema), 2:sta (vegetatiivinen tila) 8:aan (hyvä ylempi palautuminen).
|
6 ja 12 kuukauden iässä
|
|
Matkapuhelimilla saavutettu osuus
Aikaikkuna: 0,5, 1, 3 ja 6 kuukauden iässä
|
Sairaalaan joutuneiden traumapotilaiden määrä ja osuus, jotka tavoitetaan matkapuhelimella kotiutuksen jälkeen molemmista käsistä
|
0,5, 1, 3 ja 6 kuukauden iässä
|
|
Jatkohoitoa tarvitsevien osuus
Aikaikkuna: 0,5, 1, 3 ja 6 kuukauden iässä
|
Sairaalaan joutuneiden traumapotilaiden määrä ja osuus, jotka tavoitetaan matkapuhelimella kotiutuksen jälkeen ja joiden seulontatyökalu on tunnistanut seurantahoidon tarpeessa.
|
0,5, 1, 3 ja 6 kuukauden iässä
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Alain Chichom-Mefire, MD, University of Buea
- Päätutkija: Catherine Juillard, MD, MPH, University of California, Los Angeles
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Odotettu)
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
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- GRANT13254336 - Aim 2
- U54TW012087 (Yhdysvaltain NIH-apuraha/sopimus)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
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 .