- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04757194
Door machinaal leren ondersteunde differentiatie van patiënten met een lage scherpte bij verzending (MADLAD)
Door machinaal leren ondersteunde differentiatie van patiënten met een lage scherpte bij verzending: een gerandomiseerde gecontroleerde studie
ACHTERGROND:
Bij Emergency Medical Dispatch (EMD) -centra zijn Resource Constrained Situations (RCS) gebruikelijk, waarbij er meer bellers zijn die een ambulance nodig hebben dan er beschikbare ambulances zijn. In de EMD-centra in Uppsala en Västmanland krijgen patiënten die deze situaties doormaken doorgaans een lage prioriteit toegewezen, zijn ze vaak bejaard en hebben ze niet-specifieke symptomen. Machine learning-technieken bieden een veelbelovende maar grotendeels ongeteste benadering voor het beoordelen van risico's bij deze patiënten.
DOELSTELLINGEN:
Om vast te stellen of het verstrekken van op machine learning gebaseerde risicoscores het vermogen van dispatchers verbetert om patiënten te identificeren die een hoog risico lopen op verslechtering van RCS.
ONTWERP:
Multicenter, parallel gegroepeerde, gerandomiseerde, door analisten geblindeerde studie.
BEVOLKING:
Volwassen patiënten die contact opnemen met de nationale alarmlijn (112), beoordeeld door een meldkamerverpleegkundige in Uppsala of Västmanland als een ambulance met lage prioriteit, en die een RCS doormaken.
UITKOMSTEN:
Primair:
1. Percentage RCS waar de eerste beschikbare ambulance werd verzonden naar de patiënt met de hoogste National Early Warning Score (NEWS)-score
Ondergeschikt:
- Verschil in samengestelde risicoscore bestaande uit ambulance-interventies, spoedeisend transport, ziekenhuisopname, intensive care en mortaliteit tussen patiënten die onmiddellijke vs. vertraagde ambulance-respons kregen tijdens RCS.
- Verschil in NIEUWS tussen patiënten die een directe versus een vertraagde ambulance-respons krijgen tijdens RCS.
INTERVENTIE:
Een machine learning-model zal het risico inschatten dat verbonden is aan elke patiënt die betrokken is bij de RCS, en een patiënt voorstellen om de beschikbare ambulance te ontvangen. Alleen in de interventiearm wordt de beoordeling weergegeven in een gebruikersinterface die is geïntegreerd in het dispatchingsysteem.
PROEFGROOTTE:
1500 RCS elk bestaande uit meerdere patiënten 1:1 gerandomiseerd naar controle- en interventiearmen
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Studietype
Inschrijving (Werkelijk)
Fase
- Niet toepasbaar
Contacten en locaties
Studie Locaties
-
-
-
Uppsala, Zweden
- Uppsala University Hospital
-
-
Västmanland
-
Västerås, Västmanland, Zweden
- Västmanland hospital Västerås
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Beschrijving
Inclusiecriteria:
- Identificatie van een situatie met beperkte middelen door ambulancedirecteur (d.w.z. 2 of meer patiënten wachten op een ambulance-respons)
- Toegekend prioriteit 2A of 2B (ambulanceoproep met lage prioriteit) door centralist van de alarmcentrale
- Geldig Zweeds persoonlijk identificatienummer verzameld bij verzending
- Leeftijd >= 18 jaar
Uitsluitingscriteria:
- Relevante oproepen kwamen meer dan 30 minuten na elkaar binnen
- Logistieke factoren (bijv. de geografische locatie van de patiënt) zijn van invloed op de beslissing over de toewijzing van een ambulance
- Risicofactoren ter plaatse (bijv. een patiënt is buiten en riskeert onderkoeling) of risicobeperkende factoren (bijv. medisch personeel dat al ter plaatse is met een patiënt) zijn van invloed op de beslissing over de toewijzing van een ambulance
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Onderzoek naar gezondheidsdiensten
- Toewijzing: Gerandomiseerd
- Interventioneel model: Parallelle opdracht
- Masker: Enkel
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Experimenteel: Interventie
Berekening van risicobeoordelingsscore door machine learning-algoritme en weergave van risicobeoordelingsinformatie om verpleegkundigen te sturen.
Het personeel wordt aangemoedigd, maar is niet verplicht om te voldoen aan de voorgestelde rangschikking.
|
Een machine learning-algoritme (Gradient boosting) dat wordt toegepast op gestructureerde gegevens die zijn verzameld in het Alitis Clinical Decision Support-systeem, demografische patiëntgegevens en vrije tekstnotities.
|
|
Geen tussenkomst: Controle
Ambulanceverzending per zorgstandaard
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Percentage RCS waarbij de eerste beschikbare ambulance werd gestuurd naar de patiënt met de hoogste National Early Warning Score (NEWS).
Tijdsspanne: Bij reactie ambulance (binnen 8 uur na verzending)
|
NEWS is een veelgebruikt en goed gevalideerd scorealgoritme op basis van objectieve vitale functies van de patiënt, die niet causaal afhankelijk zijn van de uitkomsten die worden gebruikt om de in dit onderzoek onderzochte machine learning-modellen te trainen.
NEWS-waarden worden gebaseerd op de eerste set vitale functies die ambulanceverpleegkundigen bij het contact met de patiënt verkrijgen.
NEWS wordt gemeten op een schaal van 0-21, waarbij hogere waarden overeenkomen met patiënten met een hoger risico op achteruitgang.
|
Bij reactie ambulance (binnen 8 uur na verzending)
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Verschil in samengestelde uitkomstmaatscore tussen patiënten met onmiddellijke vs. vertraagde respons.
Tijdsspanne: Tot 30 dagen
|
Deze meting onderzoekt een samengestelde score die bestaat uit de uitkomsten die zijn gebruikt om de machine learning-modellen te trainen. De samengestelde score wordt gegenereerd door de volgende patiëntuitkomsten te identificeren en de bijbehorende gewichten toe te kennen: Abnormale initiële arway-/ademhalings-/circulatiebevindingen door ambulancepersoneel (4) Spoedeisend (lichten en sirenes) transport naar het ziekenhuis (2) Verlenen van preklinische interventies (1) Opname in een ziekenhuis of overlijden binnen 30 dagen (1) Dit resulteert in een score van 0-8, waarbij hogere scores meer vertegenwoordigen |
Tot 30 dagen
|
|
Verschil in National Early Warning Score (NEWS) tussen patiënten met onmiddellijke versus vertraagde respons.
Tijdsspanne: Bij reactie ambulance (binnen 8 uur na verzending)
|
Per primaire uitkomst
|
Bij reactie ambulance (binnen 8 uur na verzending)
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Hans Blomberg, MD, PhD, Uppsala University Hospital
Publicaties en nuttige links
Algemene publicaties
- Spangler D, Hermansson T, Smekal D, Blomberg H. A validation of machine learning-based risk scores in the prehospital setting. PLoS One. 2019 Dec 13;14(12):e0226518. doi: 10.1371/journal.pone.0226518. eCollection 2019.
- Spangler D, Edmark L, Winblad U, Collden-Benneck J, Borg H, Blomberg H. Using trigger tools to identify triage errors by ambulance dispatch nurses in Sweden: an observational study. BMJ Open. 2020 Mar 19;10(3):e035004. doi: 10.1136/bmjopen-2019-035004.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- SVLC001
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
IPD-tijdsbestek voor delen
IPD-toegangscriteria voor delen
IPD delen Ondersteunend informatietype
- LEERPROTOCOOL
- ANALYTIC_CODE
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .