外傷追跡予測 (プロジェクト 2: 目的 2)
カメルーンでの退院後の負傷患者のフォローアップを最適化するためのデータ適応手法の使用 (目的 2)
世界の死亡者数の約 9%、年間 500 万人以上が外傷によるものです。 外傷性傷害の疫学と結果が十分に特徴付けられている高所得国では、外傷は主に人口の若くて生産的なメンバーに影響を与え、重大な長期障害と関連しています。 カメルーンのようなサハラ以南のアフリカ (SSA) の国では、負傷した人々は、退院後の救命につながる可能性のあるフォローアップ ケアなど、トラウマ ケアに対して複数の障害に直面しています。 カメルーン南西部の 8,065 人の患者を対象とした Investigators の地域ベースの調査では、負傷した回答者の 34.6% が負傷後すぐに正式なケアを求めず、別の 9.9% が伝統的な医療従事者との相談などの代替手段の後に正式なケアを求めただけであることがわかりました。
カメルーンでは、受傷後に正式なケアを求める負傷者の 65.4% について 5 、治療計画は複雑になる可能性があり、多くの場合、サポートが不十分な他の施設への紹介や、正式なケアからの移行が含まれます。 その結果、正式なケア システムでは、トラウマ患者をフォローアップ ケアに留めることができません。これらの患者は、負傷の初期ケアを求めるという重大な経済的および個人的な課題をすでに克服しているため、機会を逃しています。 その結果、退院した外傷患者はフォローアップケアの恩恵を受ける可能性があり、進行した合併症が発生するまでケアを遅らせることがよくあります。
この研究の目的は、どの外傷患者がフォローアップ ケアの恩恵を受ける可能性が最も高いかを予測する、機械学習に最適化された電話ベースのスクリーニング ツールを評価することです。 カメルーンの 10 の病院で 852 人の外傷患者を対象に、クラスター無作為化試験管理トレイルが実施されます。 コントロール グループは既存の標準 mHealth スクリーニング ツールを使用し、介入は機械学習アプローチを使用して最適化されたバージョンの mHealth スクリーニング ツール (介入) を使用する必要があります。 患者は、携帯電話を使用してフォローアップケアを必要とする退院後の外傷患者の割合を決定するために、6 か月間にわたってフォローアップされるものとします。
調査の概要
詳細な説明
mHealth と機械学習の技術的融合は、SSA、特に恵まれない人々の傷害治療を変革する前例のない機会を提供します。 携帯電話の普及と mHealth の出現は、SSA の傷害治療を改善する新たな機会を提供します。 カメルーン (85% から 95%) および SSA の他の地域での携帯電話普及率が高いことを考慮して、調査員は、外傷患者が対面でフォローする必要性を予測するために、mHealth という電話ベースの 7 項目のスクリーニング ツールを設計および試験運用しました。退院後のアップケア。 このアプローチが効果的であれば、フォローアップ ケアの恩恵を受ける可能性が最も高い患者のサブセットを効率的に特定できます。これは、退院後のケアに関する包括的なアドバイスよりも実行可能で、拡張性があり、費用対効果が高いものです。 調査員は、電話でのフォローアップが実行可能で許容できることを発見し、検証研究により、スクリーニングツールと独立した対面試験との良好な相関関係が明らかになりました.
研究者は、以前の研究に基づいて構築し、データ サイエンスを使用して mHealth スクリーニング ツールを改善、実装、および評価し、最終的な目的は傷害による不自由な負担を軽減することです。 これは、機械学習を活用することで達成されます。機械学習は、外傷治療と外傷システムの最適化に有望であることが実証されています.mHealth と機械学習の新しい組み合わせは、医療を受ける可能性が最も低い人々の医療へのアクセスを変革する強力な機会を提供します. 研究者らは、既存の知識に基づいて、転帰予測へのデータ適応型機械学習アプローチにより、SSA の損傷後の生存率が大幅に向上し、罹患率が低下する可能性があるという仮説を立てています。
研究者は、機械学習アプローチを適用して mHealth トリアージ ツールを適応的に最適化し、電話のタイミングと、クラスターの無作為化比較試験を介してフォローアップ ケアの必要性を予測するアルゴリズムを改善します。 これは、目標 1 で収集されたトラウマ レジストリ、接触試行、およびスクリーニング調査データを使用して、予測に SuperLearner を使用し、変数の重要性に相互検証済みのターゲットを絞った最尤推定 (CV-TMLE) を使用して達成されます。 全体的な目標は、退院後にフォローアップ ケアを必要とする脆弱な患者の mHealth ツールの予測を改善することです。 この調査は 18 か月の期間にわたって実施されます。 6か月の登録と12か月のフォローアップ参加者。 治験責任医師は、852 人の負傷患者を対象とした 10 の病院での無作為化試験で最適化されたアプローチの影響を評価し、3 か月で Glasgow Outcomes Scale-Extended (GOSE)24,25 スコアの主要な結果を示します。
研究の種類
入学 (予想される)
段階
- 適用できない
連絡先と場所
研究連絡先
- 名前：Alain Chichom-Mefire, MD
- 電話番号：+237677530532
- メール：chichom.mefire@ubuea.cm
研究連絡先のバックアップ
- 名前：Fanny JN Dissak-Delon, MD, PhD
- 電話番号：+237697582185
- メール：fannynadia@gmail.com
参加基準
適格基準
就学可能な年齢
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
受講資格のある性別
説明
包含基準:
外傷登録（CTR）：以下の選択基準を満たす患者が登録に含まれます：
- -急性外傷の患者、つまり、ケアのための提示から2週間以内。
- 入院患者として正式に病院に入院した外傷患者。
- 救急部門に到着したとき、または入院中に死亡した外傷患者。
- 他の医療施設に移送された外傷患者。
- 入院の適応がある外傷患者（医師の評価に基づく）であるが、医学的アドバイスに反して退院
- 救急部門で24時間以上観察されている外傷患者
標準的な mHealth トリアージ ツールの適格性: mHealth トリアージ ツールは、入院し、治療後に退院した外傷登録簿に含まれる患者のサブセットに投与されます。
最適化されたバージョンの mHealth スクリーニング ツール (介入) 適格性: 最適化されたバージョンの mHealth スクリーニング ツールは、入院し、治療後に退院した外傷登録簿に含まれる患者のサブセットに投与されます。
除外基準:
- 外傷登録除外基準: 患者は、年齢、性別、人種、または国籍に基づいて除外されません。 患者またはその代理人の意思決定者が参加に同意しない場合、それらの患者は除外されます。
世界保健機関 (WHO) の傷害の定義によると、以下は「傷害」の定義から除外されます。酸素の欠乏)、減圧症または「ベンド」(過剰な窒素化合物) および中毒 (有毒物質による)、手根管症候群、慢性的な背中の痛み、感染症による中毒などの継続的なストレスに起因する状態は含まれません。 . 精神障害と慢性障害は、身体的損傷の最終的な結果である可能性がありますが、上記の定義からも除外されます.」 中毒はWHOの定義に含まれていますが、これまでのCTRでは非常にまれな出来事であり、他のほとんどの状況では通常、外傷登録に含まれていないため、CTRから除外されます.
正式に入院せず、救急病棟から 24 時間以内に退院した患者は除外されます。
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：防止
- 割り当て：ランダム化
- 介入モデル：並列代入
- マスキング：独身
武器と介入
参加者グループ / アーム |
介入・治療 |
|---|---|
|
介入なし：標準 mHealth スクリーニング ツール
これは、患者が退院した後の対面でのフォローアップの必要性を判断する、テスト済みの標準的な電話スクリーニング ツールです。
同意した外傷患者は、退院後 0.5、1、3、および 6 か月に研究助手から携帯電話で連絡を受け、スクリーニングを完了します。 7項目のスクリーニング調査で1つ以上の質問に回答。
|
|
|
実験的：機械学習アプローチを使用した mHealth スクリーニング ツール (介入) の最適化バージョン
このアームは、機械学習アプローチを使用して mHealth トリアージ ツールを改善します。
患者は、結果の時点 (3 か月、6 か月、12 か月) に最適化されたツールを使用して呼び出されます。
各通話で、研究助手は GOSE 調査と mHealth トリアージ ツールを完了し、通話の結果と患者の回答を mHealth システムに直接入力します。
フォローアップ ケアが必要な場合、リサーチ アシスタントはその情報を患者と共有し、予約を提案します。
|
機械学習アプローチを使用した mHealth トリアージ ツールの改善。コール スケジュールの効率を最適化し、カメルーン トラウマ レジストリを通じて病院で収集されたデータに基づいて、どの患者がフォローアップ ケアの恩恵を受ける可能性が最も高いかを予測します。退院後の電話連絡の試みと調査情報。
エスティメータのバックボーンは、アンサンブル機械学習アルゴリズムであるスーパーラーナーであり、怪我や外傷を含む医療コンテキストに適用されています。
これは、選択されたモデル (学習器の加重平均) が漸近的に同等になるように、潜在的に多くの異なる学習器 (標準回帰、ツリー回帰、ランダム フォレスト、ニューラル ネットなど) を組み合わせる、交差検証に基づく理論駆動型の方法です。いわゆる「オラクル」 - データ生成分布に最適な学習者。
この推定器の二重ロバスト CV-TMLE バージョンは、tlverse の tmle3mopttx 関数として利用できることに注意してください。
|
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 |
|---|---|---|
|
Glasgow Outcomes Scale-Extended (GOSE) スコアを評価する
時間枠：3ヶ月で
|
このアウトカムは、外傷後の回復を測定し、1 (死亡)、2 (植物状態)、8 (上層部の良好な回復) の範囲です。
|
3ヶ月で
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
GOSEスコア
時間枠：6ヶ月と12ヶ月
|
このアウトカムは、外傷後の回復を測定し、1 (死亡)、2 (植物状態)、8 (上層部の良好な回復) の範囲です。
|
6ヶ月と12ヶ月
|
|
携帯電話の普及率
時間枠：0.5 か月、1 か月、3 か月、6 か月
|
両腕の退院後に携帯電話で連絡が取れた入院中の外傷患者の数と割合
|
0.5 か月、1 か月、3 か月、6 か月
|
|
経過観察が必要な割合
時間枠：0.5 か月、1 か月、3 か月、6 か月
|
退院後に携帯電話で連絡があり、スクリーニングツールによってフォローアップケアが必要であると特定された入院中の外傷患者の数と割合。
|
0.5 か月、1 か月、3 か月、6 か月
|
協力者と研究者
スポンサー
協力者
捜査官
- 主任研究者：Alain Chichom-Mefire, MD、University of Buea
- 主任研究者：Catherine Juillard, MD, MPH、University of California, Los Angeles
研究記録日
主要日程の研究
研究開始 (予想される)
一次修了 (予想される)
研究の完了 (予想される)
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
本研究に関する用語
追加の関連 MeSH 用語
その他の研究ID番号
- GRANT13254336 - Aim 2
- U54TW012087 (米国 NIH グラント/契約)
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
IPD プランの説明
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
米国FDA規制機器製品の研究
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。