G&O 응급 상황을 위한 인공 지능(IA) 고급 분류 도구 (TIAGO)
인공 지능 알고리즘에 기반한 산부인과 및 산부인과 응급 상황에 대한 고급 분류 도구 평가
Triage는 응급실(ED)에 오는 환자를 분류하고 고위험 환자를 식별하고 우선 순위를 지정하며 사용 가능한 제한된 리소스를 효율적으로 할당할 수 있는 첫 번째 기회를 나타냅니다. 따라서 응급실에서의 분류의 목적은 환자의 우선순위를 정하여 긴급한 환자(참석을 기다릴 수 없는 환자)를 감지하는 것입니다. 긴급성은 환자의 건강 또는 생명에 악화 또는 위험을 유발할 수 있는 임상 상황으로 정의되며, 이는 출현과 효과적인 치료 확립 사이의 경과 시간에 따라 상당한 개입이 필요한 의료 에피소드를 결정합니다. 짧은 시간. 현재 5단계로 체계적으로 구성된 6가지 분류 시스템 또는 모델이 있습니다.
개념은 단순하지만 분류의 실행은 시간 압박, 이용 가능한 정보의 제한, 환자의 다양한 의학적 상태, 이를 수행하는 전문가의 직관에 크게 의존하기 때문에 어렵습니다. 어떤 조건에 큰 변동성이 있습니다. 한편, 전국 성인 응급실 방문의 거의 절반이 5단계 구조화된 환자분류체계에서 3단계로 분류되어 있어 3단계는 다양한 병리를 가진 환자들로 구성된 이질적인 집단으로 환자분류가 정확하게 구분할 수 없고, 이러한 무능력은 가장 중증 환자("분류 중")에게 안전 위험을 초래하고, 중증도가 낮은 환자가 과대평가될 때 자원 할당의 정확성과 효율성에 영향을 미칠 수 있습니다. 따라서 정확도를 높이고 개인 간 변동성을 줄일 수 있는 새로운 분류 절차를 개발해야 할 것 같습니다.
TIAGO는 Mediktor ® Triage의 타당성과 현재 분류 시스템 및 "골드 표준"(의사의 진단)에 대한 효율성을 결정하기 위한 전향적, 단일 센터, 관찰, 비교 연구입니다.
연구 개요
상세 설명
Mediktor ® Triage의 타당성과 "Model Andorra of Triage"(MAT) 시스템 및 "골드 스탠다드"(의사의 진단)에 대한 효율성을 결정하기 위한 전향적 개입, 비교 연구.
정보에 입각한 동의 얻기. 연구 참여는 연구 기간 동안 Santa Creu i Sant Pau 병원의 산부인과 응급실에 참석하고 포함 기준을 충족하는 모든 환자에게 제공됩니다. 연구에 대한 정보 시트도 각 환자에게 제공됩니다.
순차적 분류 환자의 동의를 얻은 후 환자는 동일한 분류 공간에서 순차적으로 평가됩니다. 처음에는 부인과 및 산부인과 서비스의 간호사가 일반적인 관행에 따라 MAT 시스템을 사용하여 분류 상자에서 환자를 분류합니다. 그런 다음 Mediktor Hospital ® 도구 사용 교육을 받고 기존 분류에 참여하지 않은 센터의 다른 전문가가 동일한 공간에서 고급 분류를 수행합니다. 두 전문가는 각각의 결과를 알지 못합니다. 도구들. MAT로 수행한 첫 번째 분류에서 조사관에게 응급 수준 1이 부여된 경우, Mediktor 도구를 사용한 분류는 수행되지 않습니다. 이 경우 환자의 즉각적인 치료가 우선시되기 때문입니다.
응급 서비스에서의 주의 순차적 분류가 완료되면 환자는 부인과 및 산부인과 응급실로 돌아갑니다. 환자의 치료는 MAT 시스템으로 수행된 분류 평가에 따라 일반적인 임상 실습에 따라 수행됩니다.
데이터 복구 및 데이터 복구 양식(DRF) 입력 연구 변수의 모든 데이터는 산부인과 및 산부인과 응급 분야에서 발행된 응급 보고서에서 검색되며 추가 분석 및 처리를 위해 전자 DRF에 입력됩니다.
유효성 평가
주요 평가 변수 MAT에서 부여한 분류 등급, Mediktor 병원에서 부여한 분류 등급
보조 평가 변수
- 소속변수(행정적): 생년월일, 성별, 거주지, 자금조달, 응급실 도착일시 또는 행정기록, 응급실 도착형태(자신의 발, 구급차 등…), 긴급 (일반적인 질병, 교통 사고, 학교…).
- 분류 변수: 분류 날짜 및 시간, 분류 지속 시간, 상담을 위한 코딩된 임상적 이유, 72시간 이내 재입원, 재입원 이유, 분류 수준, 재평가 횟수, 각 재평가의 분류 수준.
- 관리 변수: 응급실 방문 날짜 및 시간, 추가 검사 요청, 추가 검사 유형, 요청된 분석 매개변수(해당되는 경우), 국제 질병 분류(ICD)에 따른 진단(1차 및 2차), 수행된 가장 중요한 절차 , 환자 입원 > 24h), 입원 날짜 및 시간, 긴급 수술, 환자가 병원에 입원한 시간부터 환자가 나올 때까지 응급실에 남아 있는 시간인 응급실 체류 시간(LOS) 퇴원 또는 입원. 병원에 입원한 환자 수와 퇴원한 환자 수. 퇴원 후 72시간 이내 응급진료/재방문 건수
- 퇴원변수 : 퇴원상황 또는 응급퇴원사유(자택퇴원, 입원, 타기관 전원, 자진퇴원, 도피, 퇴원… 퇴원, 출발 운송, 성공 원인, 비상시 소요 시간, 등록 취소
연구 유형
등록 (실제)
단계
- 해당 없음
연락처 및 위치
연구 장소
-
-
-
Barcelona, 스페인
- Hospital de la Santa Creu i Sant Pau
-
-
참여기준
자격 기준
공부할 수 있는 나이
건강한 자원 봉사자를 받아들입니다
설명
포함 기준:
- 만 18세 이상
- 학습 절차 이해 및 수용
- 정보에 입각한 동의서에 서명하십시오.
제외 기준:
- 연구의 성격 및/또는 따라야 할 절차를 이해할 수 없음
- 정보에 입각한 동의서에 서명하지 않음
- 18세 미만이어야 합니다.
- 현재 분류 시스템을 통한 비상 수준 1
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 해당 없음
- 중재 모델: 단일 그룹 할당
- 마스킹: 없음(오픈 라벨)
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
다른: 간섭
연구에 포함하는 것은 산부인과 서비스의 응급실에 오는 모든 환자에게 제안됩니다. 이 그룹에 대해 계획된 절차는 다음과 같습니다.
|
기존의 분류 후 두 번째 독립 의사가 Mediktor 병원 도구를 사용하여 소송을 수행합니다. 3분도 안 되는 시간에 평균 14개의 질문으로 Mediktor는 응급 의사가 하는 것과 매우 유사한 심문을 수행합니다. 전문적인 버전을 사용하면 건강 전문가가 기억 상실증의 일부 측면을 더 깊이 파고들 필요가 있다고 생각하는 경우 평가 중간에 질문 과정을 수정할 수 있습니다. 이 시스템을 통해 Mediktor가 평가 중에 가능한 것으로 간주하는 질병을 실시간으로 볼 수 있습니다. 분류 과정이 끝나면 Mediktor는 응답한 징후와 증상에 따라 긴급도와 가능한 진단 목록을 제공합니다. 전문가는 환자에게 유익하다고 생각하는 경우 긴급 수준을 변경할 수 있습니다. 두 가지 분류(일반 및 Mediktor)가 수행되면 환자는 센터의 치료 프로토콜에 따라 보게 됩니다. |
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
응급 분류 분류 간에 동등한 환자 수
기간: 3 일
|
Advanced IA Triage Tool(Mediktor Hospital)과 현재의 분류 시스템 간의 응급 등급 대응.
|
3 일
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
고급 분류 도구 및 응급 퇴원 보고서에서 동일한 진단을 받은 환자 수(골드 표준)
기간: 3 일
|
고급 분류 도구에서 제공하는 사전 진단과 응급 퇴원 보고서에서 의사가 제공하는 진단 간의 상관관계를 평가합니다.
|
3 일
|
|
고급 분류 도구에서 요청한 무료 테스트와 골드 표준 사이에 상관관계가 좋은 환자 수
기간: 3 일
|
센터의 치료 프로토콜에 따라 고급 분류 도구에서 제안한 보완 테스트와 응급실 방문 중 의사가 요청한 테스트 간의 상관 관계를 평가합니다.
|
3 일
|
공동 작업자 및 조사자
수사관
- 수석 연구원: Josep Estadella Tarriel, Fundació Institut de Recerca de l'Hospital de la Santa Creu i Sant Pau
간행물 및 유용한 링크
일반 간행물
- Elias P, Damle A, Casale M, Branson K, Churi C, Komatireddy R, Feramisco J. A Web-Based Tool for Patient Triage in Emergency Department Settings: Validation Using the Emergency Severity Index. JMIR Med Inform. 2015 Jun 10;3(2):e23. doi: 10.2196/medinform.3508. Erratum In: JMIR Med Inform. 2015 Jun 15;3(3):e24.
- Mueller B, Kinoshita T, Peebles A, Graber MA, Lee S. Artificial intelligence and machine learning in emergency medicine: a narrative review. Acute Med Surg. 2022 Mar 1;9(1):e740. doi: 10.1002/ams2.740. eCollection 2022 Jan-Dec.
- Berlyand Y, Raja AS, Dorner SC, Prabhakar AM, Sonis JD, Gottumukkala RV, Succi MD, Yun BJ. How artificial intelligence could transform emergency department operations. Am J Emerg Med. 2018 Aug;36(8):1515-1517. doi: 10.1016/j.ajem.2018.01.017. Epub 2018 Jan 4. No abstract available.
- Raita Y, Goto T, Faridi MK, Brown DFM, Camargo CA Jr, Hasegawa K. Emergency department triage prediction of clinical outcomes using machine learning models. Crit Care. 2019 Feb 22;23(1):64. doi: 10.1186/s13054-019-2351-7.
- Levin S, Toerper M, Hamrock E, Hinson JS, Barnes S, Gardner H, Dugas A, Linton B, Kirsch T, Kelen G. Machine-Learning-Based Electronic Triage More Accurately Differentiates Patients With Respect to Clinical Outcomes Compared With the Emergency Severity Index. Ann Emerg Med. 2018 May;71(5):565-574.e2. doi: 10.1016/j.annemergmed.2017.08.005. Epub 2017 Sep 6.
- Moreno Barriga E, Pueyo Ferrer I, Sanchez Sanchez M, Martin Baranera M, Masip Utset J. [A new artificial intelligence tool for assessing symptoms in patients seeking emergency department care: the Mediktor application]. Emergencias. 2017 Dic;29(6):391-396. Spanish.
- Kuriyama A, Urushidani S, Nakayama T. Five-level emergency triage systems: variation in assessment of validity. Emerg Med J. 2017 Nov;34(11):703-710. doi: 10.1136/emermed-2016-206295. Epub 2017 Jul 27.
- Julian-Jimenez A, Palomo de los Reyes MJ, Lain Teres N. [Coment on the original article: modelo predictor de ingreso hospitalario a la llegada al servicio de Urgencias]. An Sist Sanit Navar. 2012 Sep-Dec;35(3):493-6; author reply 497-9. doi: 10.23938/ASSN.0113. No abstract available. Spanish.
- Storm-Versloot MN, Ubbink DT, Kappelhof J, Luitse JS. Comparison of an informally structured triage system, the emergency severity index, and the manchester triage system to distinguish patient priority in the emergency department. Acad Emerg Med. 2011 Aug;18(8):822-9. doi: 10.1111/j.1553-2712.2011.01122.x.
- Moll HA. Challenges in the validation of triage systems at emergency departments. J Clin Epidemiol. 2010 Apr;63(4):384-8. doi: 10.1016/j.jclinepi.2009.07.009. Epub 2009 Oct 28.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (추정된)
연구 완료 (추정된)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
IPD 공유 기간
IPD 공유 액세스 기준
IPD 공유 지원 정보 유형
- 연구_프로토콜
- 수액
- ICF
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .