- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT04192175
A COPD exacerbációban szenvedő betegek azonosítása és a visszafogadási kockázat előrejelzése gépi tanulás segítségével
A COPD-s súlyosbodással diagnosztizált betegek azonosítása és a visszafogadás magas kockázatának kitett betegek rétegződése természetes nyelvi feldolgozás és gépi tanulás segítségével
A kórházba kerülő krónikus obstruktív tüdőbetegségben (COPD) szenvedő betegeknél nagy a visszafogadás kockázata. Míg a terápiák javultak, és vannak bizonyítékokon alapuló iránymutatások a visszafogadások csökkentésére, jelentős kihívások vannak a végrehajtásban, beleértve 1) minden COPD-s beteg azonosítását a felvétel korai szakaszában, hogy biztosítsák a bizonyítékokon alapuló, nagy értékű ellátást, és 2) azonosítsák azokat, akik nagy a visszafogadás kockázata a források hatékony célba juttatása érdekében.
A gépi tanulás és a természetes nyelvi feldolgozás segítségével olyan modelleket szeretnénk kidolgozni, amelyek 1) azonosítják az összes COPD-s exacerbációban szenvedő beteget, aki kórházba kerül, és 2) rétegezi őket, hogy megkülönböztesse azokat, akiknél magas a visszafogadás kockázata b) Hogyan fog dolgozni? A torontói kórházakból az elektronikus egészségügyi nyilvántartásból egy nagyon nagy adathalmazt fogunk kidolgozni a betegek felvételéről minden egészségügyi állapotra vonatkozóan, beleértve a COPD exacerbációit is. Ezek az adatok egyaránt tartalmaznak strukturált adatokat, például életkort, nemet, gyógyszereket, laboratóriumi értékeket, társbetegségeket, valamint strukturálatlan adatokat, például elbocsátási összefoglalókat és orvosi feljegyzéseket.
Az adatkészlet felhasználásával természetes nyelvi feldolgozáson és gépi tanuláson keresztül olyan modellt tanítunk, amely képes lesz azonosítani a COPD exacerbációval bevitt betegeket, és azonosítani azokat a betegeket, akiknél 30 napon belül nagy a visszafogadás kockázata. Megvizsgáljuk, hogy ezek a modellek képesek-e meghatározni prediktív pontosságunkat. Ezeket a modelleket ezután más intézményekben is teszteljük.
A tanulmány áttekintése
Állapot
Részletes leírás
A COPD exacerbációja miatt kórházból hazabocsátott betegek egyötöde 30 napon belül visszakerül.(1, 3, 4) Miközben a terápiák és az ellátási irányelvek javultak, az irányelvek végrehajtása továbbra is gyenge.(5) A megfelelő szabványok bevezetése a szokásos kórházi munkafolyamatokon keresztül jelentős kihívásokat jelent. Az egyik legnagyobb kihívás annak biztosítása, hogy minden COPD exacerbációban szenvedő beteget időben azonosítsanak.(6) A másik legnagyobb kihívás, hogy a személyzet gyakran túl elfoglalt, és nincs idejük bizonyítékokon alapuló gyakorlatok végrehajtására, amelyek csökkentik a visszafogadást.(6) Továbbá az intenzív ügykezelést a korlátozott erőforrások miatt nem lehet mindenkinek felajánlani. Ezért fontos, hogy képesek legyünk azonosítani mind a korai COPD-s betegeket, mind azokat, akiknél nagy a visszafogadás kockázata.
Előfordulhat, hogy a COPD exacerbációit először nem lehet könnyen felismerni, és napokba telhet, mire nyilvánvalóvá válik. Az exacerbációk tünetei, mint például a légszomj, nem specifikusak, és az olyan jelek, mint a mellkasi röntgenfelvételek beszivárgása egy vagy több diagnózisnak köszönhetőek. Ezenkívül a COPD exacerbációja más betegségeket is kiválthat vagy kiválthat. Ennek eredményeként nem ritka, hogy a fogadó orvosok olyan betegeket fogadnak be, akiknél többszörösen diagnosztizáltak szívelégtelenséget, tüdőgyulladást, COPD exacerbációt stb. A COPD exacerbációban szenvedők megkülönböztetését tovább nehezíti az elektronikus egészségügyi nyilvántartás (EHR), amely nem tartalmaz kódolt elemként felsorolt diagnózisokat. A végeredmény az, hogy a szakmaközi csapat többi tagja számára nehéz COPD-s betegeket találni a felvétel korai szakaszában. Ezt egyes amerikai kórházakban úgy kezelték, hogy a nem egészségügyi szolgáltatók áttekintették a diagramokat, hogy azonosítsák a COPD-vel felvett betegeket(7). Alternatív megközelítés a gépi tanulás és a természetes nyelvi feldolgozás. Ezt némi sikerrel hajtották végre a szívelégtelenségben szenvedő betegeknél, de keveset tettek a COPD-s betegek esetében (13). Az egyik kísérleti programban a természetes nyelvi feldolgozás segített azonosítani a COPD-s betegeket (7).
Annak érdekében, hogy a szűkös erőforrásokat a leginkább rászorulókra fordíthassuk, hasznos lenne a visszafogadás magas kockázatának kitett betegek további azonosítása. Ez lenne az első lépés a visszafogadási arányok csökkentésére irányuló hatékony stratégiák végrehajtásának meghatározásához. Vannak olyan visszafogadási előrejelzési modellek, amelyeket orvosi és sebészeti betegek számára fejlesztettek ki, beleértve a LACE pontszámot és a HOSPITAL pontszámot. (8, 9) Sajnos úgy tűnik, hogy a vizsgáltak nem teljesítenek jól a COPD-s populációban.(10) Bár azonosítottak olyan tényezőket, amelyek segítenek előre jelezni a COPD visszafogadását, a modelleket még nem validálták teljesen (11, 12) A teljesítmény javítható olyan strukturálatlan adatok használatával, mint a klinikai előrehaladási feljegyzések és az elbocsátási összefoglalók.
A COPD-s betegek korai azonosítása és a visszafogadás veszélyének kitett személyek ismerete javíthatja az egészségügyi eredményeket. Zafar et al. bebizonyította, hogy egy átfogó COPD kezelési csomag, amely 1. inhalátor értékelésből, 2. megfelelő inhalációs kezelési rendből, 3. korai elbocsátási nyomon követésből és 4. betegközpontú elbocsátási utasításokból állt, csökkentette a visszafogadások számát (14). A visszafogadás nagy kockázatának kitett személyek azonosítása megkönnyítheti az intenzív ügykezelésbe való beiratkozást. Ezért a jelenlegi vizsgálatot a COPD akut exacerbációjával kezelt betegek azonosítására fogjuk végezni, és a betegeket a visszafogadás kockázata szerint csoportosítjuk.
Mód:
Az Egyetemi Egészségügyi Hálózat (UHN) retrospektív adatait felhasználva elkészítjük az elmúlt 5 év általános belgyógyászati felvételeinek adatsorát. Becsléseink szerint ez körülbelül 40 000 felvételt fog tartalmazni, amelyek közül 2000 esetében a COPD súlyosbodásának legfelelősebb diagnózisa lesz. Az adatkészlet strukturált kódolt adatokat és strukturálatlan szöveges adatokat is tartalmaz. A kódolt adatok közé tartozik az életkor, a nem, a rendelt gyógyszerek, a társbetegségek, a laboratóriumi értékek és a tüdőfunkciós vizsgálatok. A strukturálatlan szöveges adatok tartalmazzák az EHR-ben található megjegyzéseket: orvosi klinikai megjegyzések, elbocsátási összefoglalók, felvételi diagnózisok, előrehaladási feljegyzések és aláíró rendszerünkből származó megjegyzések.
Elemzés: Számos különböző módszert fogunk használni a modell kidolgozásához, beleértve a logisztikus regressziót, a mély neurális hálózatokat és a konvolúciós neurális hálózatokat. Pontosabban, statisztikai gépi tanulási algoritmusokat is használunk az események észleléséhez kétirányú, hosszú távú memória neurális hálózatok használatával, különféle bemeneti típusokon (pl. Fourier szűrőbankok, Mel-frekvenciás cepstralis együtthatók, hullámok és nyers hang). Hagyományos módszereket is fogunk használni, például dinamikus Bayes-hálózatokat és feltételes véletlenmezőket. A szövegelemzési oldalon olyan kulcsmondatokat fogunk azonosítani, amelyek visszafogadást jeleznek előre. Az egyik megközelítés az lesz, hogy diskurzuselemzést használunk a „mag” kifejezések kiemelésére a háttérszövegből. "Közös" prediktív modelleket is készítünk, amelyek kombinálják a strukturálatlan szöveg jellemzőit és a strukturált kódolt adatok jellemzőit. A szabványos ROC-görbe alatti területet fogjuk használni a modell teljesítményének értékelésére, és kereszthitelesítést alkalmazunk a túlillesztés hatásának minimalizálása érdekében. Végül ellenőrizzük modelljeinket egy különböző központokból származó adatkészlet segítségével, hogy megállapítsuk, ezek az eredmények érvényesek és általánosíthatók-e.
Várható eredmények: Két validált modell kidolgozása az EHR adatokon: az egyik az AECOPD-ben szenvedő betegek pontos azonosítására, a másik pedig a visszafogadás magas kockázatának kitett betegek pontos azonosítására 30 napon belül.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Ontario
-
Toronto, Ontario, Kanada, M5G 2C4
- University Health Network
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Általános belgyógyászati felvételek 2012-2018 között
Kizárási kritériumok:
-
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
A COPD exacerbációjának azonosítása
Időkeret: Belépésen belül
|
A COPD exacerbációjának azonosításához az adott látogatáshoz a leginkább felelős diagnosztikai kódot használjuk.
|
Belépésen belül
|
Visszafogadási kockázat
Időkeret: 30 nap
|
A visszafogadások azonosítása érdekében a COPD exacerbáció miatti indexbe történő felvételét követő 30 napon belül minden okot kiváltó visszafogadást figyelembe veszünk, hasonlóan a korábbi tanulmányokhoz(3).
|
30 nap
|
Együttműködők és nyomozók
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Várható)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 19-5124
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. .
Klinikai vizsgálatok a Gépi tanulás
-
Orsi AcademyBefejezve
-
HITEC-Institute of Medical SciencesBefejezveEBESZ (objektív strukturált klinikai vizsgálat) | TBL (Team Based Learning) | Klinikai készségek oktatása egyetemi orvostanhallgatóknakPakisztán
-
Maastricht University Medical CenterAktív, nem toborzóAktinikus keratózisok | Bőrgyógyászat | E-learningHollandia
-
Bahria UniversityToborzásCovid-19 | Orvostan hallgató | E-learningPakisztán