喘息コントロールの予後マーカーとしての夜間咳嗽率と睡眠の質のスマートフォン対応検出
スマートフォン対応の音響録音による喘息患者の夜間咳嗽の有病率の測定、および喘息コントロールの予後マーカーとしての夜間咳嗽率の可能性の評価: 観察的 2 段階研究
この研究の目的は、咳の頻度が喘息の自己管理にもたらす価値を探ることです。 この研究では、特に夜間の咳の発生率に焦点を当てます。 計画は、長期的な研究デザインを使用して、夜間の咳の発生率の傾向が将来の喘息のコントロールと患者の喘息の増悪にどの程度意味を持つかを調査することです。 喘息患者における夜間の咳の発生率は、研究の最初の段階で 1 か月にわたって記述され、視覚化されます。 さらに、その目的は、夜間の咳の発生率の傾向を特定してモデル化することです。
咳の測定は非常に時間がかかります。 現在、完全に自動化された目立たない方法で咳の頻度を測定する咳頻度モニターはありません。 その結果、ビデオまたは録音に基づく咳の手動ラベル付けは、医療ガイドラインによる咳の頻度を測定するためのゴールドスタンダードであると考えられています. 最近、機械学習アルゴリズムが概念実証研究で咳を自動的に検出するように設計されました。 この機械学習アルゴリズムは、現場で確実な結果を提供するためにさらに開発されます。 この研究の焦点は、制限された干渉ノイズによる夜間の咳になります。これにより、手動のラベル付けが大幅に容易になり、機械学習アルゴリズムのより信頼性の高い検出率が可能になります。
咳を検出するための機械学習アルゴリズムの開発とは別に、スマートフォンのセンサーから取得したデータに基づいて、患者の睡眠の質を評価するためのデータが収集されます。
調査の概要
詳細な説明
慢性呼吸器疾患である喘息は、最も一般的な慢性疾患に属します。 スイスでは、すべての子供の 7 ~ 15%、およびすべての成人の 6 ~ 7% がこの病気に苦しんでいます。 一般的な症状は、息切れ、咳、喘鳴です。 症状はしばしば夜間に悪化し、しばしば目が覚めます。 咳は、喘息の重症度を予測し、予後不良を示し、厄介な症状であると認識されているため、喘息において特に重要な症状です。 さらに、喘息は慢性咳嗽の主な原因であり、症例の 24 ~ 29% を占めています。
ただし、喘息患者の自己監視目的での咳追跡の有用性についてはほとんど知られていません。 最初の横断的研究では、昼と夜の両方の咳の頻度が喘息コントロールの有効なマーカーであり、自己監視の潜在的に有用なパラメータになる可能性があることが示されました. 残念なことに、喘息コントロールの各カテゴリー内での咳の発生率にはかなりのばらつきがあるため(つまり、 コントロールされていない喘息、部分的にコントロールされた喘息、コントロールされた喘息など)、咳の発生率と喘息のコントロールの間の統計的に有意な関係は、臨床的に意味がない可能性があります。 さらに、既存の研究の横断的デザインのため、咳の発生率が将来の喘息コントロールを予測するための予後的価値を持っているかどうかは不明のままです.
したがって、この研究の目的は、咳の頻度が喘息の自己管理にもたらす価値をより詳細に調査することです。 この研究では、技術的な理由から、特に夜間の咳の発生率に焦点を当てます。 一般に、この研究の計画は次のとおりです。長期的な研究デザインにより、夜間の咳の発生率の傾向が、患者の将来の喘息コントロールと喘息の増悪にどの程度意味を持つかを調査することができます。 ただし、夜間の咳の発生率の傾向の予測値を分析するには、症状が何晩も持続する必要があります。 数晩にわたる喘息患者の夜間咳嗽の有病率に関する利用可能な研究はありません。 したがって、喘息患者における夜間の咳の発生率は、研究の最初の段階で 1 か月にわたって記述され、視覚化されます。 さらに、その目的は、夜間の咳の発生率の傾向を特定してモデル化することです。
咳の測定は非常に時間がかかります。 現在、完全に自動化された目立たない方法で咳の頻度を測定する咳頻度モニターはありません。 その結果、ビデオまたは録音に基づく咳の手動ラベル付けは、医療ガイドラインによる咳の頻度を測定するためのゴールドスタンダードであると考えられています. それにもかかわらず、機械学習アルゴリズムは、概念実証研究で咳を自動的に検出するように設計されています。 アルゴリズムの開発には非常に限られたデータ (5 人の健康な被験者からの 80 回の咳) しか使用していませんが、精度は 83% に達しました。 ただし、データは実験室の設定で収集されたため、結果の一般化可能性が制限され、実際の適用性が制限されます。 したがって、目的は、フィールドで堅牢な結果を提供することもできる機械学習アルゴリズムを開発することです。 この研究では、干渉ノイズが制限されているため、夜間の咳に焦点を当てます。これにより、手動のラベル付けが大幅に容易になり、機械学習アルゴリズムのより信頼性の高い検出率が可能になります。 上記の夜間の咳の有病率の分析は、アルゴリズムによって検出された咳に基づくのではなく、研究用スマートフォンによって夜間に録音された音声トラックで手動でラベル付けされた咳に基づいていることを指摘することが重要です。研究コースの科目。
咳を検出するための機械学習アルゴリズムの開発とは別に、患者の睡眠の質を評価するアルゴリズムのためにデータが収集されます。 この目的のために、スマートフォンのセンサーから取得したデータに基づいて睡眠の質を予測します。
最初の研究段階を終了した後、研究における夜間咳の有病率により、記録されたデータのさらなる分析が必要かどうかが決まり、それによって研究の第 2 段階が開始されます。 夜間の咳が偶然だけで説明できるほど頻繁に発生しない場合、追加の分析は行われず、第 1 段階の終了とプロジェクトの終了が暗示されます。 ただし、最初の段階での夜間の咳の十分な有病率を考えると (つまり、 夜間の咳の有病率はゼロとは異なり、統計的有意性があります)。研究の第 2 段階では、喘息コントロールの予後マーカーとしての夜間咳の価値に焦点を当てます。 に示されている喘息コントロールのカテゴリ内のかなりの分散は、夜間の咳の発生率と喘息コントロールの関係が他の変数によって緩和される可能性があることを示唆しています。 以前の研究では、睡眠の質が喘息のコントロールと生活の質に関連していることが実証されています。 胃食道逆流症および閉塞性睡眠時無呼吸症候群など)、睡眠の質が低いと、喘息のコントロールと生活の質が低下します。 睡眠の質と喘息のコントロールが関連している理由の 1 つは、夜間の喘息の症状が頻繁に覚醒を引き起こすためかもしれません。 喘息コントロールのための睡眠の質の重要性を考慮して、夜間咳嗽率の(予測)値と睡眠の質への影響を調査します。
要約すると、以下の喘息関連の研究課題は、この研究の各段階で検討されます: (1) 1 か月間の喘息患者における夜間の咳の有病率はどれくらいですか? (2) 睡眠の質を説明する夜間の咳は、喘息コントロールの有効な予後マーカーですか? さらに、この研究では 2 つの技術的目標に取り組んでいます。データを収集して 2 つの機械学習アルゴリズムを開発することです。このアルゴリズムは、実際の状況でスマートフォンを使用して完全に自動化された夜間の咳と睡眠の質を検出できます。
これらの研究の質問に答えると、複数の貢献が得られます。喘息関連の質問に関しては、咳の発生率の解釈可能性を高め、調査結果をうまく再現および拡張するために、夜間の咳の症状に関するコンテキストを提供することが期待されます。喘息コントロールの(予後)マーカーとしての夜間咳の妥当性を支持します。 技術的な目的に関しては、スマートフォンが現実の条件下で自動化された方法で喘息の症状を感知するのに適したデバイスであるという概念の証明を提供することが期待されます.
期待される結果は、喘息患者の完全に自動化された遠隔監視という新しい治療オプションを可能にする可能性があります。 患者のスマートフォンを使用して、喘息の悪化/増悪に対する目立たない早期警告システムを想定できます。 このようなシステムは、個々の患者の両方の喘息の負担を軽減することができます(例えば、患者が喘息の悪化と増悪を防ぐために喘息行動計画に従って薬を変更できる機会の窓を特定することにより、生活の質と喘息のコントロールを向上させます)。医療制度(つまり、 入院と緊急治療室への訪問の減少によるコスト削減)。 スマートフォンが広く普及していることを考えると、このような新しい治療オプションにより、大規模で費用対効果の高い喘息の遠隔監視が可能になる可能性があります。 以前の研究では、このような新しい治療オプションの必要性が示されています。喘息患者の大多数は、制御不能な喘息に苦しんでいます。 喘息患者の半数は、症状の重症度を適切に評価することができないため、早期警告システムの恩恵を受ける. さらに、自動化されたシステムは、従来の介入に比べて長期的な関与が高いように思われるため、慢性疾患の早期警告システムに特に適しています。 さらに、症状の遠隔監視により、医師は次の訪問までに患者の喘息症状に関する貴重な洞察を得ることができます。 要約すると、自動化された早期警告システムは、患者が喘息の悪化を早期に登録し、医師に適時に通知するのに役立つ可能性があるため、健康への悪影響を防ぐことができます.
計画された研究は、リスクと負担が最小限の健康関連の個人データ収集のリスク カテゴリに分類されます。 これは前向き観察研究であり、介入は行われません。 参加者の健康へのわずかな一時的な影響のみが予想されます。
研究を通して、患者の喘息の症状は、スマートフォンを使用して目立たないように監視されます。したがって、最小限のリスクと負担が保証されます。 研究の開始時と終了時の両方の博士の訪問の間に、すべての対照質問とアンケートは、この研究のために提供するスマートフォンを介して管理されます。 日常生活に支障をきたすことがないため、患者さんの負担を最小限に抑えることができます。
2回の医師の診察では、侵襲的な処置は行われません。 健康診断は、喘息の標準プロトコルに従います。 さらに、患者は研究中に遭遇した不都合に対して払い戻されます。
研究の種類
入学 (実際)
連絡先と場所
研究場所
-
-
-
St. Gallen、スイス、9007
- Cantonal Hospital St. Gallen
-
-
SG
-
St. Gallen、SG、スイス、9007
- Cantonal Hospital St. Gallen
-
-
ZH
-
Zürich、ZH、スイス、8001
- University of Zurich
-
-
参加基準
適格基準
就学可能な年齢
健康ボランティアの受け入れ
受講資格のある性別
サンプリング方法
調査対象母集団
説明
包含基準:
- 医師が喘息と診断したすべての患者(自己申告により入手)
- 最低年齢18歳
- スマートフォンの使用に習熟している (たとえば、毎日のスマートフォン ベースのセルフ
除外基準:
- うつ病、認知症、アルツハイマー病などの認知障害をもたらす精神疾患の患者
- 信頼できる夜間測定値を得ることができない患者(すなわち、 重度の不眠症または交替勤務者の患者)、または評価プロセスで患者への夜間の咳の正確な割り当てを保証できない患者 (つまり、 通常、同性の人とベッドを共有する患者)。
研究計画
研究はどのように設計されていますか?
デザインの詳細
- 観測モデル:コホート
- 時間の展望:見込みのある
この研究は何を測定していますか?
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
スマートフォンの音声録音で評価した 1 泊あたりの咳
時間枠:28日
|
スマートフォンの音声録音によって測定された一晩あたりの咳の数
|
28日
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
2 つの機械学習アルゴリズムの検出率
時間枠:28日
|
夜間咳を自動検出するための 2 つの機械学習アルゴリズムの検出率 (感度、特異性、精度)
|
28日
|
|
睡眠の質(ピッツバーグの睡眠の質指数)
時間枠:28日
|
毎日入力されるピッツバーグの睡眠の質の指標を使用して測定された睡眠の質
|
28日
|
協力者と研究者
捜査官
- 主任研究者:Frank Rassouli, MD、Cantonal Hospital St. Gallen
出版物と役立つリンク
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (実際)
研究の完了 (実際)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。