Traumakövetési előrejelzés (2. projekt: 2. cél)
Adatadaptív módszerek használata a sérült betegek nyomon követésének optimalizálására a kameruni kórházi kibocsátás után (2. cél)
A világ halálozásának körülbelül 9%-a, évente több mint 5 millió haláleset, sérülés miatt következik be. A magas jövedelmű országokban, ahol a traumás sérülések epidemiológiája és kimenetele jól jellemzett, a trauma elsősorban a lakosság fiatal, produktív tagjait érinti, és jelentős, hosszú távú rokkantsággal jár. A szubszaharai afrikai (SSA) országokban, például Kamerunban, a sérült emberek számos akadályba ütköznek a traumaellátás előtt, beleértve a potenciálisan életmentő utókezelést a kórházi hazabocsátás után. Az Investigators közösségi alapú felmérése 8065 délnyugat-kameruni beteg bevonásával azt találta, hogy a sérült válaszadók 34,6%-a nem kért azonnali hivatalos ellátást sérülés után, további 9,9%-uk pedig csak alternatív eszközökkel, például a hagyományos orvoslás szakembereivel folytatott konzultációt követően kért hivatalos ellátást.
Kamerunban a sérültek 65,4%-a számára, akik sérülés után hivatalos ellátást kérnek5, a terápiás útvonalak összetettek lehetnek, gyakran magukban foglalják a más intézményekbe való rosszul támogatott beutalásokat vagy a formális ellátástól való átállást. Ennek eredményeként a formális ellátási rendszerek nem tudják megtartani a traumás betegeket utókezelésre, ami egy elszalasztott lehetőség, mivel ezek a betegek már jelentős anyagi és személyes kihívásokkal küzdöttek, hogy elsősegélyt kérjenek sérüléseikért. Következésképpen az elbocsátott traumás betegek, akik számára előnyös lehet az utókezelés, gyakran késleltetik az ellátást, amíg előrehaladott szövődmények nem alakulnak ki.
A tanulmány célja egy gépi tanulásra optimalizált, telefonalapú szűrőeszköz értékelése, amely megjósolja, hogy mely traumás betegek részesülhetnek leginkább az utókezelésből. A Cluster randomizált kísérleti, kontrollált nyomvonalat 10 kameruni kórházban hajtják végre, 852 traumás beteg bevonásával. A kontrollcsoport a meglévő szabványos mHealth szűrőeszközt használja, míg a beavatkozás az mHealth szűrőeszköz (beavatkozás) gépi tanulási megközelítést alkalmazó optimalizált verzióját használja. A betegeket 6 hónapon keresztül kell nyomon követni, hogy meghatározzák a kibocsátás utáni traumás betegek arányát, akiknek mobiltelefonos utókezelésre van szükségük.
A tanulmány áttekintése
Állapot
Körülmények
Részletes leírás
Az m-egészségügy és a gépi tanulás technológiai konvergenciája példátlan lehetőséget kínál a sérülések ellátásának átalakítására SSA-ban, különösen a hátrányos helyzetű lakosság számára. A mobiltelefonok elterjedése és az m-egészségügy megjelenése új lehetőséget kínál a sérülések ellátásának javítására az SSA-ban. Tekintettel a mobiltelefon-penetráció magas szintjére Kamerunban (85-95%) és SSA más részein, a nyomozók egy m-Health, telefonos, hét elemből álló szűrőeszközt terveztek és teszteltek traumabetegek számára, hogy előre jelezzék a személyes nyomon követés szükségességét. gondossággal elbocsátás után. Ha hatékony, ez a megközelítés hatékonyan azonosíthatja a betegek azon alcsoportját, akiknek a legnagyobb valószínűséggel részesülnek az utókezelésből, ami megvalósíthatóbb, méretezhetőbb és költséghatékonyabb, mint az elbocsátás utáni ellátás általános tanácsai. A kutatók úgy találták, hogy a telefonos nyomon követés megvalósítható és elfogadható, és egy validációs vizsgálat kimutatta, hogy a szűrőeszköz jó korrelációt mutat a független, személyes vizsgával.
A nyomozók korábbi kutatásaikra építenek, és adattudományt használnak az m-egészségügyi szűrőeszköz fejlesztésére, bevezetésére és értékelésére, azzal a végső céllal, hogy csökkentsék a sérülések bénító terhét. Ezt a gépi tanulás kihasználásával érik el, amely ígéretesnek bizonyult a traumaellátás és a traumarendszerek optimalizálása terén. Az m-egészségügy és a gépi tanulás újszerű kombinációja hatékony lehetőséget kínál arra, hogy átalakítsa az egészségügyi ellátáshoz való hozzáférést azok számára, akik a legkevésbé valószínű. A meglévő ismeretekre építve a kutatók azt feltételezik, hogy az eredmények előrejelzésének adatadaptív, gépi tanulási megközelítése radikálisan javíthatja a túlélést és csökkentheti a sérülés utáni morbiditást SSA-ban.
A kutatók gépi tanulási megközelítést alkalmaznak az mHealth osztályozási eszköz adaptív optimalizálására, javítva a telefonhívások időzítését és az utókezelés szükségességét előrejelző algoritmust egy klaszteres, randomizált, kontrollált vizsgálaton keresztül. Ezt a SuperLearner előrejelzéshez és a keresztellenőrzött célzott maximális valószínűségi becslés (CV-TMLE) segítségével érik el a változó fontosságra vonatkozóan, az 1. célban gyűjtött traumaregiszter, kapcsolatfelvételi kísérlet és szűrési felmérés adatainak felhasználásával. Az általános cél az, hogy javítsa az mHealth eszköz előrejelzését azon veszélyeztetett betegekre vonatkozóan, akiknek a hazabocsátás után utókezelésre van szükségük. Ezt a vizsgálatot 18 hónapos időszak alatt kell elvégezni; a beiratkozás 6 hónapon belül és a követési résztvevők 12 hónapig. A kutatók 10 kórházban, 852 sérült beteg részvételével végzett randomizált vizsgálatban értékelik az optimalizált megközelítés hatását a Glasgow Outcomes Scale-Extended (GOSE) 24,25-ös pontszámmal 3 hónap után.
Tanulmány típusa
Beiratkozás (Várható)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: Alain Chichom-Mefire, MD
- Telefonszám: +237677530532
- E-mail: chichom.mefire@ubuea.cm
Tanulmányozza a kapcsolattartók biztonsági mentését
- Név: Fanny JN Dissak-Delon, MD, PhD
- Telefonszám: +237697582185
- E-mail: fannynadia@gmail.com
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Tanulmányozható nemek
Leírás
Bevételi kritériumok:
Trauma Registry (CTR): Azok a betegek, akik megfelelnek a következő felvételi kritériumoknak, bekerülnek a nyilvántartásba:
- Akut traumás sérülésben szenvedő betegek, azaz az ellátásra való utalástól számított 2 héten belül.
- Traumos betegek, akiket hivatalosan fekvőbetegként vesznek fel a kórházba.
- A sürgősségi osztályokra érkezéskor vagy a kórházba kerüléskor elhunyt traumás betegek.
- Traumos betegek, akiket más egészségügyi intézményekbe szállítanak át.
- A traumás betegek kórházi felvételi javallattal (az orvosok értékelése alapján), de orvosi javaslat nélkül távoznak
- Traumos betegek, akiket több mint 24 órán keresztül a sürgősségi osztályon tartanak megfigyelés alatt
Szabványos mHealth Triage Tool jogosultság: Az mHealth osztályozási eszközt a traumaregiszterben szereplő betegek azon alcsoportjának adják be, akiket befogadnak, majd a kezelést követően hazaengednek.
Az mHealth szűrőeszköz optimalizált verziója (beavatkozás) Jogosultság: Az mHealth szűrőeszköz optimalizált változatát a traumaregiszterben szereplő betegek azon alcsoportja kapja, akiket felvesznek, majd a kezelést követően hazaengednek.
Kizárási kritériumok:
- Trauma Registry Kizárási kritériumok: A betegek nem zárhatók ki életkor, nem, rassz vagy nemzetiség alapján. Ha a betegek vagy a helyettesítő döntéshozó nem adnak hozzájárulást a részvételhez, az érintett betegek kizárásra kerülnek.
Az Egészségügyi Világszervezet (WHO) sérülésmeghatározása szerint a következők nem tartoznak a „sérülés” definíciójába: „Mivel a sérülés fenti definíciója magában foglalja a fulladást (oxigénhiány), a hipotermiát (hőhiányt), a fulladást. oxigénhiány), dekompressziós betegség vagy „hajlatok” (túlzott nitrogénvegyületek) és mérgezések (mérgező anyagok), NEM foglalja magában a folyamatos stresszből eredő állapotokat, mint például a kéztőalagút szindróma, krónikus hátfájás és fertőzések okozta mérgezés . A mentális zavarok és a krónikus fogyatékosság, bár ezek a testi sérülések esetleges következményei lehetnek, szintén kizárt a fenti meghatározás szerint." Noha a WHO meghatározásban szerepel, a mérgezések ki lesznek zárva a CTR-ből, mivel ezek a mai napig rendkívül ritka események voltak a CTR-ben, és a legtöbb egyéb összefüggésben általában nem szerepelnek a traumaregiszterekben.
Azokat a betegeket, akiket hivatalosan nem fogadnak be és nem bocsátanak ki 24 órán belül a sürgősségi osztályról, kizárják.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Megelőzés
- Kiosztás: Véletlenszerűsített
- Beavatkozó modell: Párhuzamos hozzárendelés
- Maszkolás: Egyetlen
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Nincs beavatkozás: Szabványos mHealth szűrőeszköz
Ez egy tesztelt szabványos telefonos szűrőeszköz, amely meghatározza a személyes nyomon követés szükségességét a beteg elbocsátása után.
A beleegyező traumás betegekkel a kibocsátás után 0,5, 1, 3 és 6 hónappal mobiltelefonon felveszi a kapcsolatot egy kutatási asszisztens, hogy befejezze a szűrést, amely a megjelölt betegek száma alapján meghatározza, hogy a betegnek kell-e utókezelést kérnie vagy sem. válaszok ≥1 kérdésre a 7 elemből álló szűrővizsgálaton.
|
|
|
Kísérleti: Az mHealth szűrőeszköz (beavatkozás) optimalizált változata gépi tanulási megközelítéssel
Ez a ág az mHealth osztályozási eszköz fejlesztését kapja gépi tanulási megközelítést alkalmazva.
A betegeket az optimalizált eszközzel hívják a kimeneti időpontokban (3 hónap, 6 hónap és 12 hónap).
A kutatási asszisztensek minden hívásnál kitöltik a GOSE felmérést és az mHealth osztályozási eszközt, és közvetlenül az mHealth rendszerbe írják be a hívások eredményeit és a betegek válaszait.
Ha utókezelésre van szükség, a kutatási asszisztens megosztja ezt az információt a pácienssel, és felajánlja, hogy időpontot egyeztet.
|
Az mHealth osztályozási eszköz továbbfejlesztése gépi tanulási megközelítést alkalmazva, optimalizálva a hívások ütemezésének hatékonyságát és annak előrejelzését, hogy a kameruni traumaregiszteren keresztül a kórházban gyűjtött adatok alapján mely betegek részesülhetnek leginkább az utókezelésből, valamint lemerülés utáni telefonos kapcsolatfelvételi kísérletek és felmérési információk.
A becslések gerincét az ensemble gépi tanulási algoritmus, a Superlearner alkotja, amelyet orvosi kontextusokban alkalmaztak, beleértve a sérüléseket és traumákat.
Ez egy keresztellenőrzésen alapuló elméletvezérelt módszer, amely potenciálisan sok különböző tanulót kombinál (pl. standard regresszió, fa regresszió, véletlenszerű erdő, neurális hálók), így a választott modell (a tanulók súlyozott átlaga) aszimptotikusan egyenértékű. az úgynevezett "Oracle"-ra - az adatgeneráló eloszláshoz optimálisan illeszkedő tanulóhoz.
Megjegyzés, ennek a becslőnek a dupla robusztus CV-TMLE verziói tmle3mopttx függvényként érhetők el a tlverse-ben.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Értékelje a Glasgow Outcomes Scale-Extended (GOSE) pontszámát
Időkeret: 3 hónaposan
|
Ez az eredmény a traumás sérülés utáni felépülést méri, és 1-től (halál), 2-ig (vegetatív állapot), 8-ig (jó felső felépülés) terjed.
|
3 hónaposan
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
GOSE pontszámot
Időkeret: 6 és 12 hónaposan
|
Ez az eredmény a traumás sérülés utáni felépülést méri, és 1-től (halál), 2-ig (vegetatív állapot), 8-ig (jó felső felépülés) terjed.
|
6 és 12 hónaposan
|
|
Mobiltelefonnal elért arány
Időkeret: 0,5, 1, 3 és 6 hónaposan
|
Kórházba került traumás betegek száma és aránya, akiket mobiltelefonon érnek el mindkét karból való kibocsátás után
|
0,5, 1, 3 és 6 hónaposan
|
|
Utókezelést igénylő arány
Időkeret: 0,5, 1, 3 és 6 hónaposan
|
Azon kórházi traumás betegek száma és aránya, akiket a kibocsátás után mobiltelefonon érnek el, és akikről a szűrőeszköz utókezelést igényel.
|
0,5, 1, 3 és 6 hónaposan
|
Együttműködők és nyomozók
Szponzor
Együttműködők
Nyomozók
- Kutatásvezető: Alain Chichom-Mefire, MD, University of Buea
- Kutatásvezető: Catherine Juillard, MD, MPH, University of California, Los Angeles
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Várható)
Elsődleges befejezés (Várható)
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
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- GRANT13254336 - Aim 2
- U54TW012087 (Az Egyesült Államok NIH támogatása/szerződése)
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
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. .