- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT04689711
Modèles pronostiques pour les soins COVID-19
Modèles pronostiques généralisables pour les décisions centrées sur le patient dans la COVID-19
Environ 20% des patients hospitalisés avec COVID-19 nécessitent des soins intensifs et éventuellement une ventilation mécanique invasive (MV). Les préférences des patients atteints de COVID-19 pour la MV peuvent être différentes, car l'intubation de ces patients est souvent prolongée (pendant plusieurs semaines), est administrée dans des contextes caractérisés par l'isolement social et est associée à des taux de mortalité moyens très élevés. Soutenir les patients confrontés à cette décision nécessite de fournir une prévision précise de leurs résultats probables en fonction de leurs caractéristiques individuelles.
Les enquêteurs visent donc à :
Développer 3 CPM dans chacun des 2 systèmes hospitaliers (c'est-à-dire 6 modèles distincts) pour prédire :
i) le besoin de MV chez les patients hospitalisés avec COVID-19 ; ii) la mortalité chez les patients sous MV ; iii) la durée du séjour à l'USI.
Évaluer la transportabilité géographique et temporelle de ces modèles et examiner les approches de mise à jour.
- Pour évaluer la transportabilité géographique, les chercheurs appliqueront le cadre d'évaluation et de mise à jour développé (dans la subvention principale PCORI) pour évaluer la validité et la généralisabilité du CPM dans les différents ensembles de données.
- Pour évaluer la transportabilité temporelle, les enquêteurs examineront à la fois l'effet principal du temps calendaire et examineront également le temps calendaire en tant que modificateur d'effet.
- Engager les parties prenantes pour faciliter une meilleure utilisation de ces CPM dans les soins aux patients atteints de COVID-19.
Aperçu de l'étude
Statut
Les conditions
Description détaillée
Il y a eu une prolifération de modèles de prédiction clinique (CPM) COVID-19 signalés dans la littérature dans tous les systèmes de santé, mais la validité et la généralisabilité potentielle de ces modèles à d'autres contextes sont inconnues. En règle générale, la plupart des hôpitaux (et des systèmes) n'ont pas un nombre suffisant de cas (et de résultats) pour développer des modèles adaptés à leur population locale, et les variables prédictives ne sont pas obtenues de manière uniforme et fiable dans tous les systèmes. Par conséquent, la mise en commun et l'harmonisation des ressources de données et l'évaluation de la généralisabilité sur différents sites sont nécessaires de toute urgence pour créer des outils qui peuvent aider à soutenir la prise de décision dans tous les contextes. De plus, étant donné que les meilleures pratiques évoluent rapidement au fil du temps (par exemple, pronation, minimisation des paralytiques, volumes de protection pulmonaire, remdesivir, dexaméthasone ou autres traitements), la mise à jour et le recalibrage de ces CPM sont d'une importance cruciale.
Dans le projet PCORI Methods actuel, les chercheurs ont développé un cadre d'évaluation et de mise à jour du CPM comprenant des mesures de performance conventionnelles et nouvelles. Les enquêteurs utiliseront ce cadre pour évaluer les modèles de pronostic COVID-19 dans la plus grande cohorte de patients COVID-19 examinés à ce jour, couvrant 2 ensembles de données provenant de contextes très différents. Comme la pandémie de COVID-19 affecte différentes régions, avec des vagues ultérieures attendues, il est nécessaire d'identifier les outils de pronostic les plus précis, les plus robustes et les plus généralisables pour guider la prise de décision centrée sur le patient dans diverses populations et différents contextes.
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
Massachusetts
-
Boston, Massachusetts, États-Unis, 02111
- Tufts Medical Center
-
-
New York
-
Manhasset, New York, États-Unis, 11030
- Northwell Health (The Feinstein Institutes for Medical Research)
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Patiente survivante de la COVID-19
- Membre de la famille/soignant d'un patient hospitalisé pour COVID-19
- Médecin expérimenté dans la prise en charge des patients COVID-19
- Autre prestataire (pastorale, soins infirmiers, inhalothérapie) ayant de l'expérience dans la prise en charge des patients COVID-19
Critère d'exclusion:
- Ne maîtrise pas l'anglais lu ou parlé
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Changements dans la discrimination du modèle (Modèle 1 : besoin de MV chez les patients hospitalisés avec COVID-19)
Délai: 30 jours après l'hospitalisation
|
Résultat de l'objectif 1 : Modifications de l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) [delta AUC] pour les modèles prédisant la probabilité : du besoin de MV chez les patients hospitalisés avec COVID-19.
|
30 jours après l'hospitalisation
|
Changements dans la discrimination du modèle (Modèle 2 : mortalité chez les patients recevant une MV)
Délai: 30 jours après l'hospitalisation
|
Résultat de l'objectif 1 : Modifications de l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) [delta AUC] pour les modèles prédisant la probabilité de : mortalité chez les patients recevant une VM.
|
30 jours après l'hospitalisation
|
Évolution de la discrimination du modèle (Modèle 3 : durée de séjour en USI)
Délai: 30 jours après l'hospitalisation
|
Objectif 1 Résultat : Modifications de l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) [delta AUC] pour les modèles prédisant la probabilité : de la durée du séjour en USI.
|
30 jours après l'hospitalisation
|
Changements dans l'étalonnage du modèle (Modèle 1 : besoin de VM chez les patients hospitalisés avec COVID-19)
Délai: 30 jours après l'hospitalisation
|
Objectif 1 Outcome-Changes in Harrell's E pour les modèles prédisant la probabilité de : la nécessité d'une MV chez les patients hospitalisés avec COVID-19.
|
30 jours après l'hospitalisation
|
Modifications de la calibration du modèle (Modèle 2 : mortalité chez les patients recevant une MV)
Délai: 30 jours après l'hospitalisation
|
Objectif 1 Modifications des résultats dans l'E de Harrell pour les modèles prédisant la probabilité de : mortalité chez les patients recevant une MV.
|
30 jours après l'hospitalisation
|
Modifications de la calibration du modèle (Modèle 3 : durée de séjour en USI)
Délai: 30 jours après l'hospitalisation
|
Objectif 1 Changements des résultats dans l'E de Harrell pour les modèles prédisant la probabilité de : la durée du séjour à l'USI.
|
30 jours après l'hospitalisation
|
Évolution du bénéfice net (Modèle 1 : besoin de MV chez les patients hospitalisés avec COVID-19)
Délai: 30 jours après l'hospitalisation
|
Objectif 1 Outcome-Changes in Net Benefit pour les modèles prédisant la probabilité : du besoin de VM chez les patients hospitalisés avec la COVID-19.
|
30 jours après l'hospitalisation
|
Evolution du bénéfice net (Modèle 2 : mortalité chez les patients sous MV)
Délai: 30 jours après l'hospitalisation
|
Objectif 1 Résultat-Changements du bénéfice net pour les modèles prédisant la probabilité de : mortalité chez les patients recevant une MV.
|
30 jours après l'hospitalisation
|
Évolution du bénéfice net (Modèle 3 : durée du séjour en USI)
Délai: 30 jours après l'hospitalisation
|
Objectif 1 Résultat-Changements du bénéfice net pour les modèles prédisant la probabilité de : la durée du séjour en USI.
|
30 jours après l'hospitalisation
|
Modifications de la discrimination du modèle dans la base de données externe après mise à jour (Modèle 1 : besoin de MV chez les patients hospitalisés avec COVID-19)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Changements de résultat dans la zone sous la courbe caractéristique de fonctionnement du récepteur (AUC) [delta AUC] pour les modèles prédisant la probabilité de : la nécessité d'une MV chez les patients hospitalisés avec COVID-19.
|
30 jours après l'hospitalisation
|
Modifications de la discrimination du modèle dans la base de données externe après mise à jour (Modèle 2 : mortalité chez les patients recevant une MV)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Résultat - Changements dans l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) [delta AUC] pour les modèles prédisant la probabilité de : mortalité chez les patients recevant une MV.
|
30 jours après l'hospitalisation
|
Modifications de la discrimination du modèle dans la base de données externe après mise à jour (Modèle 3 : durée de séjour en réanimation)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Changements de résultat dans la zone sous la courbe caractéristique de fonctionnement du récepteur (AUC) [delta AUC] pour les modèles prédisant la probabilité de : la durée du séjour en USI.
|
30 jours après l'hospitalisation
|
Modifications de la calibration du modèle dans la base de données externe après mise à jour (Modèle 1 : besoin de VM chez les patients hospitalisés avec COVID-19)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Modifications des résultats dans l'E de Harrell pour les modèles prédisant la probabilité de : la nécessité d'une MV chez les patients hospitalisés avec COVID-19.
|
30 jours après l'hospitalisation
|
Modifications de la calibration du modèle dans la base de données externe après mise à jour (Modèle 2 : mortalité chez les patients recevant une MV)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Modifications des résultats dans l'E de Harrell pour les modèles prédisant la probabilité de : mortalité chez les patients recevant une MV.
|
30 jours après l'hospitalisation
|
Modifications de la calibration du modèle dans la base de données externe après mise à jour (Modèle 3 : durée de séjour en réanimation)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Changements de résultats dans l'E de Harrell pour les modèles prédisant la probabilité de : la durée du séjour en USI.
|
30 jours après l'hospitalisation
|
Évolution du bénéfice net dans la base de données externe après mise à jour (Modèle 1 : besoin de MV chez les patients hospitalisés avec COVID-19)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Outcome-Changes in Net Benefit pour les modèles prédisant la probabilité de : le besoin de VM chez les patients hospitalisés avec la COVID-19.
|
30 jours après l'hospitalisation
|
Évolution du bénéfice net dans la base de données externe après mise à jour (Modèle 2 : mortalité chez les patients sous MV)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Résultats - Changements dans le bénéfice net pour les modèles prédisant la probabilité de : mortalité chez les patients recevant une MV.
|
30 jours après l'hospitalisation
|
Modifications du bénéfice net dans la base de données externe après mise à jour (Modèle 3 : durée du séjour en USI)
Délai: 30 jours après l'hospitalisation
|
Objectif 2 Changements de résultat dans le bénéfice net pour les modèles prédisant la probabilité de : la durée du séjour à l'USI.
|
30 jours après l'hospitalisation
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Perceptions, croyances et opinions des parties prenantes sur les modèles de prédiction COVID
Délai: 6 mois
|
Résultat de l'objectif 3 - Le résultat sera évalué à l'aide d'un livre de codes dérivé de manière déductive de notre guide d'entretien structuré pour identifier les thèmes qui émergent dans les sessions semi-structurées.
Grâce à des groupes de discussion organisés via des vidéoconférences synchrones, nous dialoguerons avec les patients et les prestataires cliniques pour identifier les thèmes signalés par les patients et les prestataires qui émergent dans la façon dont les modèles de prédiction clinique peuvent soutenir la prise de décision dans les soins aux patients atteints de COVID-19.
Les thèmes seront identifiés grâce à une analyse qualitative des commentaires des patients et des fournisseurs.
Nous espérons obtenir les croyances, les opinions et les valeurs des patients et des prestataires concernant les aspects scientifiques, éthiques et pragmatiques de l'utilisation de ces modèles pour soutenir la prise de décision.
|
6 mois
|
Collaborateurs et enquêteurs
Parrainer
Les enquêteurs
- Chercheur principal: David M Kent, MD, MS, Tufts Medical Center
Publications et liens utiles
Publications générales
- Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, Xiang J, Wang Y, Song B, Gu X, Guan L, Wei Y, Li H, Wu X, Xu J, Tu S, Zhang Y, Chen H, Cao B. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020 Mar 28;395(10229):1054-1062. doi: 10.1016/S0140-6736(20)30566-3. Epub 2020 Mar 11. Erratum In: Lancet. 2020 Mar 28;395(10229):1038. Lancet. 2020 Mar 28;395(10229):1038.
- Lim WS, van der Eerden MM, Laing R, Boersma WG, Karalus N, Town GI, Lewis SA, Macfarlane JT. Defining community acquired pneumonia severity on presentation to hospital: an international derivation and validation study. Thorax. 2003 May;58(5):377-82. doi: 10.1136/thorax.58.5.377.
- Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, Bonten MMJ, Dahly DL, Damen JAA, Debray TPA, de Jong VMT, De Vos M, Dhiman P, Haller MC, Harhay MO, Henckaerts L, Heus P, Kammer M, Kreuzberger N, Lohmann A, Luijken K, Ma J, Martin GP, McLernon DJ, Andaur Navarro CL, Reitsma JB, Sergeant JC, Shi C, Skoetz N, Smits LJM, Snell KIE, Sperrin M, Spijker R, Steyerberg EW, Takada T, Tzoulaki I, van Kuijk SMJ, van Bussel B, van der Horst ICC, van Royen FS, Verbakel JY, Wallisch C, Wilkinson J, Wolff R, Hooft L, Moons KGM, van Smeden M. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 2020 Apr 7;369:m1328. doi: 10.1136/bmj.m1328. Erratum In: BMJ. 2020 Jun 3;369:m2204.
- Richardson S, Hirsch JS, Narasimhan M, Crawford JM, McGinn T, Davidson KW; the Northwell COVID-19 Research Consortium; Barnaby DP, Becker LB, Chelico JD, Cohen SL, Cookingham J, Coppa K, Diefenbach MA, Dominello AJ, Duer-Hefele J, Falzon L, Gitlin J, Hajizadeh N, Harvin TG, Hirschwerk DA, Kim EJ, Kozel ZM, Marrast LM, Mogavero JN, Osorio GA, Qiu M, Zanos TP. Presenting Characteristics, Comorbidities, and Outcomes Among 5700 Patients Hospitalized With COVID-19 in the New York City Area. JAMA. 2020 May 26;323(20):2052-2059. doi: 10.1001/jama.2020.6775. Erratum In: JAMA. 2020 May 26;323(20):2098.
- Clarification of Mortality Rate and Data in Abstract, Results, and Table 2. JAMA. 2020 May 26;323(20):2098. doi: 10.1001/jama.2020.7681. No abstract available.
- Levy TJ, Richardson S, Coppa K, et al. Development and Validation of a Survival Calculator for Hospitalized Patients with COVID-19. medRxiv. 2020:2020.2004.2022.20075416.
- Tibshirani R. Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society Series B (Methodological). 1996;58(1):267-288.
- Putter H, Fiocco M, Geskus RB. Tutorial in biostatistics: competing risks and multi-state models. Stat Med. 2007 May 20;26(11):2389-430. doi: 10.1002/sim.2712.
- de Wreede LC, Fiocco M, Putter H. The mstate package for estimation and prediction in non- and semi-parametric multi-state and competing risks models. Comput Methods Programs Biomed. 2010 Sep;99(3):261-74. doi: 10.1016/j.cmpb.2010.01.001. Epub 2010 Mar 15.
- van Klaveren D, Steyerberg EW, Gonen M, Vergouwe Y. The calibrated model-based concordance improved assessment of discriminative ability in patient clusters of limited sample size. Diagn Progn Res. 2019 Jun 6;3:11. doi: 10.1186/s41512-019-0055-8. eCollection 2019.
- Jones AE, Trzeciak S, Kline JA. The Sequential Organ Failure Assessment score for predicting outcome in patients with severe sepsis and evidence of hypoperfusion at the time of emergency department presentation. Crit Care Med. 2009 May;37(5):1649-54. doi: 10.1097/CCM.0b013e31819def97.
- Griffith GJ, Morris TT, Tudball MJ, Herbert A, Mancano G, Pike L, Sharp GC, Sterne J, Palmer TM, Davey Smith G, Tilling K, Zuccolo L, Davies NM, Hemani G. Collider bias undermines our understanding of COVID-19 disease risk and severity. Nat Commun. 2020 Nov 12;11(1):5749. doi: 10.1038/s41467-020-19478-2.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (RÉEL)
Achèvement primaire (RÉEL)
Achèvement de l'étude (RÉEL)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (RÉEL)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (RÉEL)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- PCORI-ME-1606-35555
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .
Essais cliniques sur Covid19
-
Anavasi DiagnosticsPas encore de recrutement
-
Ain Shams UniversityRecrutement
-
Israel Institute for Biological Research (IIBR)Complété
-
Colgate PalmoliveComplété
-
Christian von BuchwaldComplété
-
Luye Pharma Group Ltd.Shandong Boan Biotechnology Co., LtdActif, ne recrute pas
-
University of ZurichLabor Speiz; Swiss Armed Forces; Universitätsspital ZürichInscription sur invitation
-
Alexandria UniversityComplété