機械学習を使用した亜集団固有の敗血症の識別
調査の概要
詳細な説明
2020 年 7 月から 2021 年 2 月まで、CRMC、オハイオ州、UCSF の 8 つの部分母集団を対象にランダム化比較試験 (RCT) を実施します。 試験に含まれるサブ集団は、心臓病学、消化器病学 (GI)、集中治療室 (ICU)、医学、腫瘍学、外科、移植、救急科 (ED) です。 RCT を含む両方のフェーズにわたるこの研究のすべての目的は、インフォームド コンセント (IRB00007772、FWA00026887) を放棄して、Pearl Institutional Review Board によって承認されています。
研究期間中、参加施設の救急部門を受診するか、入院病棟に入院する 18 歳以上のすべての患者は、この研究で関心のある 8 つの部分母集団のいずれかのメンバーである場合、自動的に試験に登録されます。 、研究の目標登録が達成されるまで。 登録には、対照群または実験群のいずれかへの無作為化が伴います。 患者は、単純な無作為化を使用して、1:1 の割り当て比率で、試験開始前にコンピューター プログラムによって生成されたランダムな割り当てシーケンスに基づいて、実験群または対照群に割り当てられます。 この割り当て順序は、患者、医療提供者、研究者には隠されます。 ただし、一部のグループ割り当ては電話アラートの受信時に自然に明らかになるため、完全な盲検化は不可能であるため、試験はオープンラベル設計になります。
研究には2つのアームがあります。 対照群には InSight の元のバージョンでモニターされた患者が含まれ、実験群には InSight のサブポピュレーション用にカスタマイズされたバージョンでモニターされた患者が含まれます。 両方のアームで、該当するアルゴリズムが患者に重度の敗血症のリスクが高いと判断した場合、電話アラートが患者の現在の場所で勤務中の担当看護師に送信されます。 アラートへの対応は、以前の敗血症臨床試験のプロトコルに従います。 この手順は、感染の疑いを除外するために患者のベッドサイド評価を行う看護師で構成されています。 これには、患者のバイタル サイン、EHR メモ、および最近の検査結果の評価が含まれます。 看護師が重度の敗血症を疑う場合、医師は続いて患者を評価し、必要に応じて、標準的な敗血症治療バンドルの投与を指示します。
臨床試験の実施において、一部の非盲検研究はクラスター無作為化され、他の研究は個々の患者レベルで無作為化されます。 クラスタの無作為化は、治療群と対照群の間の「汚染」を最小限に抑えるためによく使用されます。これは、非盲検試験でプロバイダーが両群の患者に曝露すると、意図しない行動バイアスが生じることが多いためです。 これらのバイアスにより、医療提供者は対照群での介入を実験群での行動を模倣するように調整し、それによって介入の効果を覆い隠し、研究結果をヌルに歪める可能性があります。 オープンラベルのクラスター無作為化試験は、グループ間の汚染を最小限に抑えるのに効果的ですが、デザインと分析がより複雑になることや、同じ統計的検出力を達成するためのより大きな患者登録要件など、いくつかの重大な欠点があります。 サンプルサイズが大きくなると、多くの場合、試験のコスト、長さ、または複雑さが増加する必要があるため、現在の研究では、クラスター割り当ての欠点により、可能であれば試験担当者は個別の無作為化を使用する必要があることが示されています。 これらの考慮事項を考慮して、個々の無作為化が私たちの試験にとって最良の戦略であると結論付けました. バイアスの可能性を最小限に抑えるために、自動通話のテキストを両方の腕で同じにすることも決定しました。 以前の敗血症の臨床試験で患者レベルの無作為化の使用に成功したことで、この試験デザインに自信が持てました。
最後に登録された患者の退院後、院内 SIRS に基づく死亡率の主要評価項目と、院内重症敗血症/ショックコード化死亡率、SIRS に基づく入院期間、および重症敗血症の副次評価項目について評価します。 /ショックコード化された入院期間が満たされている. SIRS ベースおよび重度の敗血症 / ショックコード化された患者グループごとに関心のある追加の結果測定には、次のものが含まれます。Surviving Sepsis Campaign (SSC) バンドルの各要素の完了までの時間。人工呼吸器のない日; ICU 日;および 30 日間の再入院率。 1 時間の SSC バンドルは、血液培養の取得、乳酸値の測定、広域抗生物質の投与、高血圧または乳酸値が 4 mmol/L を超える場合のクリスタロイド液 30 mL/kg の投与、および患者が治療中または治療後に低血圧である場合の昇圧剤の適用で構成されます。輸液蘇生。
患者は、滞在中の任意の時点で 2 つ以上の SIRS 基準を満たす場合、「SIRS ベース」と見なされ、主要評価項目分析に含まれます。 この選択基準の理由は、チャートで明らかになる前にアルゴリズムが重度の敗血症を検出する可能性があるため、重度の敗血症が医療記録に記録される前に、早期の介入によって敗血症が解決される可能性があるためです。 たとえば、CDS アラートが、臓器機能障害を示す検査室が作成される前に治療を開始した場合、患者の「重度の敗血症」の状態は検閲される可能性があります。 選択基準を 2001 年コンセンサス (敗血症 2) 重症敗血症定義基準または敗血症 3 基準に限定すると、そのような患者は分析から除外されます。ただし、そのような検閲は、SIRS ベースの選択基準を使用することで回避されます。
患者の転帰に関するより客観的な測定を提供する能力があるため、請求ベースのデータとは対照的に、EHR ベースの臨床データを主要エンドポイント分析に使用する予定です。 ただし、コーディングベースの包含を使用する他の研究と比較するために、請求データは副次評価項目の包含基準で使用されます。 患者は、「重度の敗血症/敗血症性ショックコード」と記録されていると見なされ、Angus 実装基準または次の診断コードのいずれかを満たす場合、二次エンドポイント分析に含まれます。 、A408、A4101、A4102、A411、A412、A413、A414、A4150、A4151、A4152、A4153、A4159、A4181、A4189、A427、A021、A227、A267、A327、A5486、B377。 敗血症を追跡するための明示的な ICD コードのみの使用は、特異性が高いが感度が低いことが知られています。
研究の最後には、重要な発見が科学論文として発表されます。
研究の種類
段階
- フェーズ2
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
説明
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
- 主な目的:診断
- 割り当て:ランダム化
- 介入モデル:平行
- マスキング:トリプル
武器と介入
参加者グループ / アーム |
介入・治療 |
|---|---|
|
実験的:部分母集団固有のアルゴリズム
|
重度の敗血症検出のための亜集団固有の臨床意思決定支援 (CDS) システム
|
|
NO_INTERVENTION:制御アルゴリズム
|
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 |
|---|---|---|
|
院内SIRSベースの死亡率
時間枠:研究完了まで、平均8ヶ月
|
入院中のある時点で 2 つ以上の SIRS 基準を満たす患者に起因する死亡率
|
研究完了まで、平均8ヶ月
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
院内重症敗血症/ショックコード死亡率
時間枠:研究完了まで、平均8ヶ月
|
重度の敗血症または敗血症性ショックとしてコード化された患者に起因する死亡率
|
研究完了まで、平均8ヶ月
|
|
SIRSベースの入院期間
時間枠:研究完了まで、平均8ヶ月
|
入院中のある時点で 2 つ以上の SIRS 基準を満たす患者に起因する入院期間
|
研究完了まで、平均8ヶ月
|
|
重度の敗血症/ショックコード付き入院期間
時間枠:研究完了まで、平均8ヶ月
|
重度の敗血症または敗血症性ショックとしてコード化された患者に起因する入院期間
|
研究完了まで、平均8ヶ月
|
協力者と研究者
出版物と役立つリンク
一般刊行物
- Desautels T, Calvert J, Hoffman J, Mao Q, Jay M, Fletcher G, Barton C, Chettipally U, Kerem Y, Das R. Using Transfer Learning for Improved Mortality Prediction in a Data-Scarce Hospital Setting. Biomed Inform Insights. 2017 Jun 12;9:1178222617712994. doi: 10.1177/1178222617712994. eCollection 2017.
- Calvert J, Mao Q, Rogers AJ, Barton C, Jay M, Desautels T, Mohamadlou H, Jan J, Das R. A computational approach to mortality prediction of alcohol use disorder inpatients. Comput Biol Med. 2016 Aug 1;75:74-9. doi: 10.1016/j.compbiomed.2016.05.015. Epub 2016 May 24.
- Calvert JS, Price DA, Barton CW, Chettipally UK, Das R. Discharge recommendation based on a novel technique of homeostatic analysis. J Am Med Inform Assoc. 2017 Jan;24(1):24-29. doi: 10.1093/jamia/ocw014. Epub 2016 Mar 28.
- Calvert J, Mao Q, Hoffman JL, Jay M, Desautels T, Mohamadlou H, Chettipally U, Das R. Using electronic health record collected clinical variables to predict medical intensive care unit mortality. Ann Med Surg (Lond). 2016 Sep 6;11:52-57. doi: 10.1016/j.amsu.2016.09.002. eCollection 2016 Nov.
- Shimabukuro DW, Barton CW, Feldman MD, Mataraso SJ, Das R. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res. 2017 Nov 9;4(1):e000234. doi: 10.1136/bmjresp-2017-000234. eCollection 2017.
研究記録日
主要日程の研究
研究開始 (予期された)
一次修了 (予期された)
研究の完了 (予期された)
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。