외상 추적 예측(프로젝트 2: 목표 2)
데이터 적응형 방법을 사용하여 카메룬에서 퇴원 후 부상당한 환자의 후속 조치 최적화(목표 2)
전 세계 사망자의 약 9%, 연간 500만 명 이상이 부상으로 인해 사망합니다. 외상성 부상의 역학 및 결과가 잘 특징지어지는 고소득 국가에서 외상은 주로 젊고 생산적인 인구 구성원에게 영향을 미치며 심각한 장기 장애와 관련이 있습니다. 카메룬과 같은 사하라 이남 아프리카(SSA) 국가에서 부상당한 사람들은 퇴원 후 잠재적으로 생명을 구할 수 있는 후속 치료를 포함하여 외상 치료에 여러 가지 장애물에 직면합니다. 카메룬 남서부에 있는 8,065명의 환자를 대상으로 한 Investigators의 지역사회 기반 설문조사에 따르면 부상을 입은 응답자의 34.6%는 부상 후 즉각적인 공식 치료를 구하지 않았고, 다른 9.9%는 전통 의학 개업의와 상담하는 것과 같은 대체 수단 이후에만 공식 치료를 찾았습니다.
카메룬에서는 부상 후 공식 치료를 찾는 65.4%의 부상자에게5 치료 일정이 복잡할 수 있으며, 종종 지원이 제대로 이루어지지 않는 다른 시설로의 의뢰 또는 공식 치료에서 전환이 수반됩니다. 결과적으로 공식적인 치료 시스템은 후속 치료를 위해 외상 환자를 유지하지 못하며, 이러한 환자는 부상에 대한 초기 치료를 찾는 데 상당한 재정적 및 개인적 어려움을 이미 극복했기 때문에 놓친 기회입니다. 결과적으로 퇴원한 외상 환자는 후속 치료가 도움이 될 수 있으며 진행된 합병증이 발생할 때까지 치료를 지연시키는 경우가 많습니다.
이 연구의 목적은 기계 학습에 최적화된 전화 기반 스크리닝 도구를 평가하여 어떤 외상 환자가 후속 치료를 통해 혜택을 받을 가능성이 가장 높은지 예측하는 것입니다. 852명의 외상 환자를 포함하는 카메룬의 10개 병원에서 클러스터 무작위 시험 제어 추적이 수행됩니다. 대조군은 기존의 표준 mHealth 스크리닝 도구를 사용하고 개입은 기계 학습 접근 방식을 사용하여 최적화된 버전의 mHealth 스크리닝 도구(개입)를 사용합니다. 6개월 동안 환자를 추적하여 휴대폰을 사용하여 후속 치료가 필요한 퇴원 후 외상 환자의 비율을 결정해야 합니다.
연구 개요
상세 설명
mHealth와 머신 러닝의 기술 융합은 특히 소외 계층을 위해 SSA에서 부상 치료를 혁신할 수 있는 전례 없는 기회를 제공합니다. 휴대전화의 보편화와 mHealth의 출현은 SSA에서 부상 치료를 개선할 수 있는 새로운 기회를 제공합니다. 카메룬(85%~95%)과 SSA의 다른 지역에서 높은 수준의 휴대전화 보급률을 감안할 때 조사관은 트라우마 환자를 위한 mHealth, 전화 기반 7개 항목 스크리닝 도구를 설계하고 시험하여 대면 추적의 필요성을 예측했습니다. 퇴원 후 업케어. 효과가 있다면, 이 접근 방식은 퇴원 후 치료에 대한 포괄적인 조언보다 더 실현 가능하고 확장 가능하며 비용 효율적인 후속 치료의 혜택을 받을 가능성이 가장 높은 환자의 하위 집합을 효율적으로 식별할 수 있습니다. 조사관은 전화 후속 조치가 실현 가능하고 수용 가능하며 검증 연구에서 선별 도구와 독립적인 대면 시험의 좋은 상관 관계가 있음을 발견했습니다.
조사관은 이전 연구를 기반으로 데이터 과학을 사용하여 mHealth 스크리닝 도구를 개선, 구현 및 평가하며 궁극적인 목표는 심각한 부상 부담을 줄이는 것입니다. 이는 트라우마 치료 및 트라우마 시스템 최적화에 대한 약속을 입증한 머신 러닝을 활용함으로써 달성될 것입니다. 기존 지식을 바탕으로 연구자들은 결과 예측에 대한 데이터 적응형 기계 학습 접근 방식이 SSA 부상 후 생존을 크게 개선하고 이환율을 줄일 수 있다는 가설을 세웠습니다.
조사관은 기계 학습 접근 방식을 적용하여 mHealth 분류 도구를 적응적으로 최적화하여 클러스터 무작위 통제 시험을 통해 후속 치료의 필요성을 예측하는 전화 통화 타이밍 및 알고리즘을 개선합니다. 이것은 Aim 1에서 수집된 트라우마 레지스트리, 접촉 시도 및 스크리닝 설문 데이터를 사용하여 변수 중요도에 대한 예측 및 교차 검증된 목표 최대 우도 추정(CV-TMLE)을 위한 SuperLearner를 사용하여 달성될 것입니다. 전반적인 목표는 퇴원 후 후속 치료가 필요한 취약한 환자에 대한 mHealth 도구의 예측을 개선하는 것입니다. 이 연구는 18개월에 걸쳐 수행됩니다. 6개월 등록 및 12개월 후속 참가자. 조사관은 3개월에 GOSE(Glasgow Outcomes Scale-Extended)24,25 점수의 1차 결과로 852명의 부상 환자가 있는 10개 병원의 무작위 연구에서 최적화된 접근법의 영향을 평가할 것입니다.
연구 유형
등록 (예상)
단계
- 해당 없음
연락처 및 위치
연구 연락처
- 이름: Alain Chichom-Mefire, MD
- 전화번호: +237677530532
- 이메일: chichom.mefire@ubuea.cm
연구 연락처 백업
- 이름: Fanny JN Dissak-Delon, MD, PhD
- 전화번호: +237697582185
- 이메일: fannynadia@gmail.com
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
설명
포함 기준:
외상 등록(CTR): 다음 포함 기준을 만족하는 환자는 등록에 포함됩니다.
- 급성 외상성 손상이 있는 환자, 즉 치료를 위해 내원한 지 2주 이내.
- 입원 환자로 공식적으로 병원에 입원한 외상 환자.
- 응급실에 도착하거나 병원에 입원하는 동안 사망한 외상 환자.
- 다른 의료 시설로 이송된 외상 환자.
- (의사의 평가에 근거하여) 병원 입원 징후가 있지만 의학적 조언을 거부하고 떠나는 외상 환자
- 응급실에서 24시간 이상 관찰 중인 외상 환자
표준 mHealth 분류 도구 적격성: mHealth 분류 도구는 입원 후 치료 후 집에서 퇴원하는 트라우마 레지스트리에 포함된 환자의 하위 집합에 적용됩니다.
mHealth 스크리닝 도구의 최적화된 버전(개입) 자격: mHealth 스크리닝 도구의 최적화된 버전은 트라우마 레지스트리에 포함된 환자 중 입원 후 치료 후 집에서 퇴원하는 하위 집합에 적용됩니다.
제외 기준:
- 외상 등록 제외 기준: 환자는 연령, 성별, 인종 또는 국적에 따라 제외되지 않습니다. 환자 또는 대리 의사 결정자가 참여에 동의하지 않으면 해당 환자는 제외됩니다.
세계보건기구(WHO) 상해 정의에 따르면 다음은 "부상"의 정의에서 제외됩니다. "위의 상해 정의에는 익사(산소 부족), 저체온증(열 부족) 산소 부족), 감압병 또는 "굴곡"(과도한 질소 화합물) 및 중독(독성 물질에 의한), 수근관 증후군, 만성 요통 및 감염으로 인한 중독과 같은 지속적인 스트레스로 인한 상태는 포함되지 않습니다. . 정신 장애 및 만성 장애는 신체 상해의 궁극적인 결과일 수 있지만 위의 정의에서도 제외됩니다." 중독은 WHO 정의에 포함되어 있지만 중독은 현재까지 CTR에서 매우 드문 사건이었고 대부분의 다른 맥락에서 일반적으로 외상 레지스트리에 포함되지 않았기 때문에 CTR에서 제외됩니다.
정식으로 입원하지 않고 응급실에서 24시간 이내에 퇴원하는 환자는 제외된다.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 방지
- 할당: 무작위
- 중재 모델: 병렬 할당
- 마스킹: 하나의
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
간섭 없음: 표준 mHealth 검사 도구
이것은 환자가 퇴원한 후 대면 후속 조치의 필요성을 결정하는 테스트된 표준 전화 선별 도구입니다.
동의한 외상 환자는 퇴원 후 0.5, 1, 3, 6개월에 휴대전화로 연락을 취해 연구 조교가 스크리닝을 완료하고 플래그가 지정된 수에 따라 환자가 후속 치료를 받아야 하는지 여부를 안내합니다. 7개 항목 선별 조사에서 1개 이상의 질문에 대한 응답.
|
|
|
실험적: 기계 학습 접근 방식을 사용하는 최적화된 버전의 mHealth 스크리닝 도구(개입)
이 팔은 기계 학습 접근 방식을 사용하여 mHealth 분류 도구에 대한 개선을 받게 됩니다.
환자는 결과 시점(3개월, 6개월 및 12개월)에 최적화된 도구를 사용하여 호출됩니다.
각 통화에서 연구 보조원은 GOSE 설문 조사 및 mHealth 분류 도구를 완료하여 통화 결과 및 환자 응답을 mHealth 시스템에 직접 입력합니다.
후속 치료가 필요한 경우 연구 조교는 해당 정보를 환자와 공유하고 약속 일정을 제안합니다.
|
기계 학습 접근 방식을 사용하여 mHealth 분류 도구를 개선하여 통화 일정의 효율성을 최적화하고 Cameroon Trauma Registry를 통해 병원에서 수집한 데이터를 기반으로 후속 치료의 혜택을 받을 가능성이 가장 높은 환자를 예측합니다. 퇴원 후 전화 연락 시도 및 설문 조사 정보.
추정기의 근간은 앙상블 기계 학습 알고리즘인 Superlearner이며 부상 및 외상을 포함한 의료 상황에 적용되었습니다.
이것은 선택된 모델(학습자의 가중 평균)이 점근적으로 동등하도록 잠재적으로 많은 다른 학습자(예: 표준 회귀, 트리 회귀, 랜덤 포레스트, 신경망)를 결합하는 교차 검증을 기반으로 하는 이론 기반 방법입니다. 소위 "오라클" - 데이터 생성 분포에 최적으로 맞는 학습자.
이 추정기의 이중 강력한 CV-TMLE 버전은 tlverse에서 tmle3mopttx 함수로 사용할 수 있습니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
Glasgow Outcomes Scale-Extended(GOSE) 점수 평가
기간: 3개월
|
이 결과는 외상 후 회복을 측정하며 범위는 1(사망), 2(식물인간 상태), 8(상부 회복 양호)입니다.
|
3개월
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
GOSE 점수
기간: 생후 6개월 및 12개월
|
이 결과는 외상 후 회복을 측정하며 범위는 1(사망), 2(식물인간 상태), 8(상부 회복 양호)입니다.
|
생후 6개월 및 12개월
|
|
휴대폰으로 도달한 비율
기간: 0.5, 1, 3, 6개월에
|
양팔 퇴원 후 휴대전화로 연락이 되는 입원 외상 환자의 수 및 비율
|
0.5, 1, 3, 6개월에
|
|
사후관리가 필요한 비율
기간: 0.5, 1, 3, 6개월에
|
퇴원 후 휴대전화로 연결되고 선별 도구에 의해 후속 치료가 필요한 것으로 식별된 입원 외상 환자의 수와 비율.
|
0.5, 1, 3, 6개월에
|
공동 작업자 및 조사자
협력자
수사관
- 수석 연구원: Alain Chichom-Mefire, MD, University of Buea
- 수석 연구원: Catherine Juillard, MD, MPH, University of California, Los Angeles
연구 기록 날짜
연구 주요 날짜
연구 시작 (예상)
기본 완료 (예상)
연구 완료 (예상)
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
추가 관련 MeSH 약관
기타 연구 ID 번호
- GRANT13254336 - Aim 2
- U54TW012087 (미국 NIH 보조금/계약)
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
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. .