- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06240572
Természetes nyelvi feldolgozó eszköz fejlesztése a sürgősségi orvoslás klinikai kutatásának lehetővé tételére (NLP-DeVal)
Természetes nyelvi feldolgozó eszköz fejlesztése és validálása a sürgősségi és akut ellátásban végzett klinikai kutatások lehetővé tételére: Retrospektív kohorsz vizsgálat
Ennek a retrospektív kohorsz vizsgálatnak a célja egy olyan nyelvi modell kidolgozása és validálása, amely képes értelmezni a sürgősségi osztályok elektronikus kórlapjainak tartalmát, és kutatási célokra releváns információkat kinyerni minden olyan felnőtt betegről, aki három éven belül a résztvevő sürgősségi osztályokra érkezett. .
A fő kérdés, amelyre választ kíván adni: képes-e a nyelvi modell értelmezni a sürgősségi osztályok elektronikus kórlapjainak tartalmát, és kinyerni azokból a kért információkat, hogy azok segítségével pontos elemzéseket, előrejelzéseket lehessen készíteni?
A tanulmány retrospektív, és az adatokat automatikusan kivonják az egészségügyi nyilvántartásból.
A tanulmány áttekintése
Részletes leírás
A TANULMÁNY HÁTTERE ÉS INDOKLÁSA
A klinikai és az ellátás minőségét értékelő kutatások elvégzése a sürgősségi orvoslásban éppoly nehéz, mint amennyire fontos. Nehéz, mert a kezelésre szoruló betegek nagy száma és a krónikus munkaerőhiány nem teszi lehetővé az ad hoc adatgyűjtést. Ez azért fontos, mert a kutatás végső soron lehetővé teszi a sürgősségi orvosok és ápolók számára, hogy a saját, egyedi környezetükben szerzett bizonyítékokra alapozzák gyakorlatukat, szemben a távoli kontextusokban szerzett bizonyítékokkal, ahogy az manapság általában történik.
A kutatási igények és a robusztus adatok elérhetősége közötti szakadék áthidalásának egyetlen módja, ha közvetlenül a sürgősségi osztályok elektronikus egészségügyi nyilvántartásaiból (EHR) nyerik ki az adatokat, elkerülve a célzott, időigényes adatgyűjtést. Ez azonban nehéz feladat, mert a leghasznosabb információk szabad szöveges formátumban vannak (pl. jelek és tünetek jelenléte, feltételezett és megerősített diagnózis, anamnézis). Az ilyen körülmények és igények megbízható természetes nyelvi feldolgozó (NLP) eszközt igényelnek, amely rendkívül konzisztens adatokat nyerhet szabad szövegből.
Ma már olyan nagyszabású nyelvi modellek állnak rendelkezésre, amelyek pontosan tudják értelmezni a természetes nyelvet. Ezek a modellek nagy mennyiségű általános tudásra vannak kiképezve, amelyek többnyire az internetről származnak, így a speciálisabb területeken, például az orvosi területen teljesítményük nem biztos, hogy optimális.
A jelen tanulmány egy nagyobb projekt, az eCREAM (a sürgősségi és akut ellátás klinikai kutatásának lehetővé tétele) része, és célja egy olyan nyelvi modell (eCREAM_LM) kidolgozása és validálása hat nyelven, amely képes értelmezni a sürgősségi osztályok EHR-einek tartalmát és releváns információkat kutatási célokra kinyerni.
MÓD
A tanulmány egy megfigyeléses, többközpontú, retrospektív, 24 hónapos vizsgálat. Harminc központ vesz részt a vizsgálatban: 13 Olaszországból, 4 Lengyelországból, 3 Görögországból, Szlovákiából, Szlovéniából és az Egyesült Királyságból, valamint 1 Svájcból. A központok nem kapnak kompenzációt, költségeiket azonban projektforrásokból fedezik.
Az eCREAM_LM modell fejlesztése és validálása.
Az eCREAM_LM a nyílt forráskódú modellek közül a legjobb általános modell betanításával és finomhangolásával kerül kifejlesztésre, és részben párhuzamos fázisokban fog haladni. A jelölt modellek hatalmas mennyiségű (milliárdnyi) orvosi szövegnek lesznek kitéve a tudományos irodalomból vagy más nyilvános forrásokból. Ezzel egyidejűleg a modellek hatalmas mennyiségű (millió) szabad szöveges jegyzetnek is ki lesznek téve a részt vevő kórházakban használatos orvosi feljegyzésekből. Ezután áttérünk a finomhangolásra, ahol nagy mennyiségű (több ezer) klinikai feljegyzést használnak majd fel, amelyeket ismét a résztvevő központok kórlapjaiból szereztek be. Ezeket a megjegyzéseket tapasztalt orvosok jegyzetekkel látják el, ami abból áll, hogy a jegyzetekből információkat kinyernek a virtuális adatgyűjtési űrlapon (vCRF) felsorolt adatelemek kitöltéséhez. A vCRF-t egy kapcsolódó vizsgálathoz hozták létre, és olyan változókat tartalmaz, amelyek hasznosak a nehézlégzéssel vagy átmeneti eszméletvesztéssel küzdő betegek kórházi kezelésének előrejelzésében, ami a kapcsolódó vizsgálat célja. A jelenlegi tanulmányban a vCRF a nyelvi modell validálásának eszközeként fog szolgálni.
Az eCREAM_LM validálása egy 1000 klinikai jegyzetből álló, a fent leírtak szerint jegyzett, de a fejlesztési szakaszban nem használt klinikai jegyzetek segítségével történik. Ezeket a jegyzeteket elküldik az eCREAM_LM modellhez azzal a feladattal, hogy összeállítsák a vCRF-et. A szakértő orvosok és az eCREAM_LM közötti vCRF kitöltésének egyezése lesz az eCREAM_LM végső érvényesítésének mértéke.
Adatgyűjtés és anonimizálás
Minden részt vevő kórház ingyenes szöveges jegyzeteket bocsát rendelkezésre 150-300 000, 2021 és 2023 között kezelt felnőtt beteg kórlapjában. Ugyanazon beteg különböző aspektusaira (pl. anamnézis, objektív vizsgálat, vizsgálati eredmények) vonatkozó feljegyzések el lesznek különítve egymástól, így lehetetlen lesz rekonstruálni a beteg teljes profilját. Ezen túlmenően, a jegyzetekből eltávolítjuk a páciensre (pl. keresztnév, vezetéknév, születési dátum) és a kontextusra (pl. kórház, a központba érkezés dátuma és időpontja) való utalást. Ez a folyamat minimálisra csökkenti a betegek újbóli azonosításának valószínűségét, és maximalizálja jogaik védelmét. A páciens adatbázison belüli újraazonosításának valószínűsége attól függ, mennyire egyediek a jellemzői az adatbázisban szereplő többi személytől. Annak a valószínűsége, hogy egyedi, tehát azonosítható betegek lesznek, az adatbázisban elérhető információ mennyiségével nő, és csökken annak méretével. Ha eltávolítja az összes személyes és kontextuális információt a klinikai feljegyzésekből, és elválasztja az egyes jegyzeteket a többitől, az egyes megjegyzések csak a páciens néhány jellemzőjét közölik. Ezenkívül az azonos ország kórházaiból gyűjtött adatokat összevonják, így minden nyelvhez egy nagy adatbázis áll rendelkezésre. Ez gyakorlatilag nullázza annak a valószínűségét, hogy a jegyzetekből egyedileg azonosítható személyek legyenek.
Végül annak kizárása érdekében, hogy a feljegyzések harmadik felekről – például a betegek hozzátartozóinak nevét és telefonszámát – tartalmazzák, minden kórházban egy hitelesített névtelenítő szoftvert telepítenek, amely kifejezetten a személyes adatok szabad szövegből való eltávolítására szolgál.
Az anonimizálást követően az adatokat központosítják elemzés céljából, és feltöltik a tudományos közösség jelentős európai nyelvi erőforrás-megosztó platformjaira is.
Statisztikai analízis
Az eCREAM_LM validáció során felmérjük a szakértő sürgősségi orvosok és maga az eCREAM_LM közötti összhangot a vCRF kitöltése során. Az adatok egy 1000 jegyzetből álló mintára vonatkoznak minden egyes nyelven. A konkordanciát a vCRF minden egyes változójára a Cohen-féle κ-t használva értékeljük az egyetértés mértékeként. Az eCREAM_LM akkor tekinthető érvényesnek, ha Cohen κ értéke nagyobb, mint 0,75.
Minta nagysága
Feltéve, hogy az eCREAM_LM és a tapasztalt sürgősségi orvosok között kiváló megegyezés (κ=0,80) van a vCRF kitöltésében, legalább 735 jegyzetből álló mintára lesz szükség a megfelelő pontosság eléréséhez a jó egyetértés garantálásához (alsó konfidenciahatár 95%-os konfidencia intervallum Cohen κ nagyobb, mint 0,75). Ez a szám a különböző forgatókönyvek során kapott maximális mintanagyság, amelyek különböző számú kategóriát (2-től 5-ig) foglalnak magukban minden változóhoz és a mintában szereplő kategóriák különböző marginális eloszlását, beleértve a kiegyensúlyozott eloszlásokat (pl. 5 kategória a minta 20%-ával). minden kategóriában) és nagyon kiegyensúlyozatlan eredményeket (pl. 5 kategória a minta 1,8%-ával, 7,3%-ával, 16,4%-ával, 29,1%-ával és 45,5%-ával). Mivel egyes jegyzetekből hiányozhatnak az érdekes információk, ezért 1000 bankjegyen végezzük el az adatérvényesítési értékelést.
Tanulmány típusa
Beiratkozás (Becsült)
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: Chiara Pandolfini
- Telefonszám: 0039 02 39014 253
- E-mail: chiara.pandolfini@marionegri.it
Tanulmányozza a kapcsolattartók biztonsági mentését
- Név: Giulia Ghilardi
- Telefonszám: 0039 035 4535 313
- E-mail: giulia.ghilardi@marionegri.it
Tanulmányi helyek
-
-
-
Catania, Olaszország
- Még nincs toborzás
- AOU Policlinico 'G.Rodolico - San Marco'
-
Kapcsolatba lépni:
- Giuseppe Carpinteri
- Telefonszám: +39 095 378 1111
- E-mail: gicarpinteri@gmail.com
-
Milan, Olaszország
- Még nincs toborzás
- Ospedale Luigi Sacco
-
Kapcsolatba lépni:
- Anna Maria Brambilla
- Telefonszám: +39 02 39041
- E-mail: brambilla.annamaria@asst-fbf-sacco.it
-
Milan, Olaszország
- Még nincs toborzás
- ASST Grande Ospedale Metropolitano Niguarda
-
Kapcsolatba lépni:
- Nicolò Capsoni
- Telefonszám: +39 02 64441
- E-mail: nicolo.capsoni@gmail.com
-
Orbassano, Olaszország
- Még nincs toborzás
- Ospedale San Luigi Gonzaga
-
Kapcsolatba lépni:
- Valeria Caramello
- Telefonszám: v.caramello@sa +39 011 90261
-
Pozzuoli, Olaszország
- Még nincs toborzás
- Ospedale Santa Maria delle Grazie
-
Kapcsolatba lépni:
- Giovanni Porta
- Telefonszám: +39 081 855 2320
- E-mail: dottorgiovanniporta@gmail.com
-
Torino, Olaszország
- Toborzás
- Ospedale San Giovanni Bosco
-
Kapcsolatba lépni:
- Franco Aprà
- Telefonszám: +39 011 240 2210
- E-mail: franco.apra@aslcittaditorino.it
-
Vercelli, Olaszország
- Toborzás
- Ospedale Sant'Andrea
-
Kapcsolatba lépni:
- Sergio Tartaglia
- Telefonszám: +39 0161 593111
- E-mail: srtartaglia@gmail.com
-
-
Milan
-
Milan, Milan, Olaszország, 20156
- Még nincs toborzás
- Istituto di Ricerche Farmacologiche Mario Negri IRCCS
-
Kapcsolatba lépni:
- Guido Bertolini, MD
- E-mail: guido.bertolini@marionegri.it
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Felnőtt
- 2021. január 1. és 2023. december 31. között érkezett a sürgősségi osztályra
Kizárási kritériumok:
- Egyik sem
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Felnőttek, akik a sürgősségi osztályon vettek részt
|
nincs beavatkozás
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Egyezés a virtuális esetbeszámoló űrlap kitöltésében
Időkeret: 1 hónap
|
Konkordancia szintje a virtuális esetbeszámoló űrlap kitöltésében a szakértő orvosok és az eCREAM_LM nyelvi modell között
|
1 hónap
|
Együttműködők és nyomozók
Nyomozók
- Kutatásvezető: Guido Bertolini, Istituto Di Ricerche Farmacologiche Mario Negri
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
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
- 8780
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
- STUDY_PROTOCOL
- CSR
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
az Egyesült Államokban gyártott és onnan exportált termék
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. .