Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Adatvezérelt azonosítás szerrel való visszaéléshez

2025. október 14. frissítette: University of Wisconsin, Madison

Adatvezérelt stratégiák a kábítószerrel való visszaélés azonosítására kórházi betegeknél

A kutatók egy nyílt forráskódú, nyilvánosan elérhető gépi tanulási modell kidolgozását javasolják, amelyet az egészségügyi rendszerek letölthetnek és alkalmazhatnak elektronikus egészségügyi nyilvántartásaikra, hogy kiszűrjék pácienseik szerrel való visszaéléseit. A kutatók azt feltételezik, hogy a természetes nyelvi feldolgozó algoritmus szabványos és interoperábilis megközelítést biztosít az automatizált napi szűréshez minden kórházi betegnél, és jobb végrehajtási hűséget biztosít a szűréshez, a rövid beavatkozáshoz és a kezelésre utaláshoz.

A tanulmány áttekintése

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

Beavatkozó

Beiratkozás (Tényleges)

64996

Fázis

  • Nem alkalmazható

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

    • Illinois
      • Chicago, Illinois, Egyesült Államok, 60612
        • Rush University Medical Center

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

18 év (Felnőtt, Idősebb felnőtt)

Egészséges önkénteseket fogad

Nem

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

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

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

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Publikációk és hasznos linkek

A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2022. szeptember 19.

Elsődleges befejezés (Tényleges)

2024. szeptember 19.

A tanulmány befejezése (Tényleges)

2024. szeptember 19.

Tanulmányi regisztráció dátumai

Először benyújtva

2019. február 6.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2019. február 6.

Első közzététel (Tényleges)

2019. február 7.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Becsült)

2025. október 24.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2025. október 14.

Utolsó ellenőrzés

2025. október 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

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)?

IGEN

IPD terv leírása

A betegek adatai védett egészségügyi információk, és nem hozzáférhetők a nyilvánosság számára, de az algoritmust megosztják. A nyomozók sorba állítják a legjobb modelljeinket, amelyeket vagy a pickle (a Python natív mechanizmusa az objektumszerializáláshoz) vagy a joblib (https://pythonhosted.org/joblib/) segítségével fejlesztettek ki. és olyan szoftvert kell írni, amely képes lesz újratölteni őket és előrejelzéseket adni. A szoftvert a github.com webhelyen terjesztik vagy hasonló webalapú szoftvertárhely szolgáltatás.

IPD megosztási időkeret

12 hónappal a tanulmányok befejezése után, és legalább öt évig elérhető a github.com oldalon

Az IPD megosztását támogató információ típusa

  • ANALYTIC_CODE

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

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. .

Iratkozz fel