- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT03833804
Adatvezérelt azonosítás szerrel való visszaéléshez
Adatvezérelt stratégiák a kábítószerrel való visszaélés azonosítására kórházi betegeknél
A tanulmány áttekintése
Állapot
Beavatkozás / kezelés
Részletes leírás
2016-ban az Egyesült Államokban (USA) a kórházi elbocsátások közel 30%-ának volt egy fő diagnosztikai kategóriája a szerhasználattal összefüggő állapot miatt. A szerrel való visszaélés a második helyen áll a fő diagnózisok között a nem tervezett 7 napos kórházi visszafogadások arányában. Annak ellenére, hogy rendelkezésre állnak a szűrés, a rövid beavatkozás és a kezelésre utalás (SBIRT) beavatkozások, a szerrel való visszaélés nem része a felvételi rutinnak, és csak a betegek kisebb részét szűrik ki a kórházi körülmények között. Ez különösen problematikus, mivel a kórházi fekvőbetegek körében a becslések szerint a szerrel való visszaélés előfordulási gyakorisága akár 25%-kal is magasabb, mint akár az általános népesség, akár a járóbeteg-körülmények között. Gyakorlati, a kórházi környezetre szabott szűrési módszerekre van szükség.
Az elektronikus egészségügyi nyilvántartásban való értelmes használat (EHR) megjelenésével az alkoholfelderítés hatékonysága javítható a szokásos ellátás során gyűjtött adatok felhasználásával. A szerhasználat dokumentálása elterjedt, és a szolgáltatói felvételi jegyzetek több mint 96%-ában előfordul, de szabad szöveges formátumuk miatt nehéz kibányászni és elemezni. A Natural Language Processing (NLP) és a gépi tanulás a mesterséges intelligencia (AI) olyan részterületei, amelyek megoldást kínálnak az EHR-ben található szöveges adatok elemzésére az anyaggal való visszaélés azonosítása érdekében. A modern NLP összeolvadt a gépi tanulással, a mesterséges intelligencia egy másik részterületével, amely az adatokból való tanulásra összpontosít. A legerősebb NLP-módszerek különösen a felügyelt tanuláson alapulnak, egy olyan gépi tanuláson, amely kihasználja a jelenlegi referenciaszabványokat, hogy előrejelzéseket készítsen a nem látott esetekről.
Az NLP és a gépi tanulási eszköz korábbi verziójában a kutatók sikeresen felhasználták a kórházi felvétel első 24 órájában gyűjtött klinikai feljegyzések adatait, hogy elérjék a 70% feletti érzékenységet és specificitást az alkohollal való visszaélés azonosításához. A 2016-ban közel 36 millió kórházi felvétellel egy szerrel való visszaélés besorolása milliókat érinthet.
Ennek a tanulmánynak a célja egy szerekkel való visszaélések osztályozójának prospektív bevezetése, amely megvizsgálja annak hatékonyságát a felsőfokú egészségügyi rendszerben lévő összes kórházi felnőtt beteg jelenlegi gyakorlatához képest. Az egészségügyi rendszer kiforrott szűrőrendszerrel rendelkezik az anyaggal való visszaélés besorolásának teljesítményének vizsgálatára a kérdőíves szűrés jelenlegi gyakorlatához képest.
A hipotézis az, hogy az anyaggal való visszaélés besorolása szabványosított, interoperábilis és pontos megközelítést biztosíthat a kórházi betegek szűrésére. Az osztályozó sikeres bevezetése a kórházi betegeknél egy lépés egy automatizált és átfogó univerzális szerhasználattal kapcsolatos szűrési rendszer felé.
Tanulmány típusa
Beiratkozás (Tényleges)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Illinois
-
Chicago, Illinois, Egyesült Államok, 60612
- Rush University Medical Center
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Leírás
Bevételi kritériumok:
- 18 éves kortól 89 éves korig
- Fekvőbeteg állapot a kórházi kezelés alatt
- A tartózkodás időtartama több mint 24 óra
Kizárási kritériumok:
- Nem vehet részt a szokásos gondozási SBIRT beavatkozásban
- Elhalálozás vagy hiányérzet a felvétel első 24 órájában
- Orvosi javaslat ellenére elbocsátották
- Áthelyezték egy másik akut kórházból
- Áthelyezték egy másik akut kórházba
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Szűrés
- Kiosztás: N/A
- Beavatkozó modell: Szekvenciális hozzárendelés
- Maszkolás: Nincs (Open Label)
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: SMART-AI: NLP (természetes nyelvi feldolgozás) előképernyő
A rutin ellátás során gyűjtött klinikai feljegyzések automatizált feldolgozása a kórházi felvétel első 24 órájában, hogy azonosítsa azokat a személyeket, akiknél fennáll a szerrel való visszaélés veszélye, és a standard ellátás teljes körű szűrésére és értékelésére, rövid beavatkozásra vagy kezelésre utaló (SBIRT) beavatkozásra kerül sor.
|
A szokásos ellátás során a kórházi felvétel első napján gyűjtött klinikai feljegyzések a természetes nyelvi feldolgozás és a gépi tanulási algoritmus bemeneteként.
|
|
Nincs beavatkozás: Szokásos Gondozás
A beavatkozás megkezdése előtt gyűjtött adatok
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Azon betegek aránya, akiknél az univerzális szűrés pozitív volt, és kaptak SBIRT-t (szűrés, rövid beavatkozás vagy kezelésre utalás)
Időkeret: 24 hónap
|
Az elsődleges eredmény azoknak a betegeknek az aránya, akik SBIRT-t kaptak, miután pozitív univerzális szűrést végeztek a szerrel való visszaélés kockázata miatt.
A terv egy megszakított idősoros prospektív megfigyelési vizsgálat.
|
24 hónap
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Minden okból kifolyólag ismételt kórházi kezelések az Index kórházi találkozás után 6 hónap után
Időkeret: 12 hónapos beiratkozás 6 hónapos utánkövetéssel az újrahospitalizációhoz
|
Összehasonlítjuk az egészségügyi ellátás igénybevételének eredményeit minden betegnél a pre- és posztperiódusok között, kontrollálva az összes beteg demográfiai és klinikai jellemzőit.
|
12 hónapos beiratkozás 6 hónapos utánkövetéssel az újrahospitalizációhoz
|
Együttműködők és nyomozók
Publikációk és hasznos linkek
Általános kiadványok
- Afshar M, Phillips A, Karnik N, Mueller J, To D, Gonzalez R, Price R, Cooper R, Joyce C, Dligach D. Natural language processing and machine learning to identify alcohol misuse from the electronic health record in trauma patients: development and internal validation. J Am Med Inform Assoc. 2019 Mar 1;26(3):254-261. doi: 10.1093/jamia/ocy166.
- Joyce C, Markossian TW, Nikolaides J, Ramsey E, Thompson HM, Rojas JC, Sharma B, Dligach D, Oguss MK, Cooper RS, Afshar M. The Evaluation of a Clinical Decision Support Tool Using Natural Language Processing to Screen Hospitalized Adults for Unhealthy Substance Use: Protocol for a Quasi-Experimental Design. JMIR Res Protoc. 2022 Dec 19;11(12):e42971. doi: 10.2196/42971.
Hasznos linkek
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Becsült)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 2022-0983
- A534285 (Egyéb azonosító: UW Madison)
- SMPH/MEDICINE (Egyéb azonosító: UW Madison)
- 1R01DA051464 (Az Egyesült Államok NIH támogatása/szerződése)
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
IPD megosztási időkeret
Az IPD megosztását támogató információ típusa
- ANALYTIC_CODE
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .