Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Door machinaal leren ondersteunde differentiatie van patiënten met een lage scherpte bij verzending (MADLAD)

7 januari 2025 bijgewerkt door: Hans Blomberg, Uppsala University Hospital

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

Voltooid

Conditie

Studietype

Ingrijpend

Inschrijving (Werkelijk)

2499

Fase

  • Niet toepasbaar

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studie Locaties

      • Uppsala, Zweden
        • Uppsala University Hospital
    • Västmanland
      • Västerås, Västmanland, Zweden
        • Västmanland hospital Västerås

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

14 jaar en ouder (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

Nee

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

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

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

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Medewerkers

Onderzoekers

  • Hoofdonderzoeker: Hans Blomberg, MD, PhD, Uppsala University Hospital

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 februari 2021

Primaire voltooiing (Werkelijk)

30 november 2024

Studie voltooiing (Werkelijk)

30 november 2024

Studieregistratiedata

Eerst ingediend

3 februari 2021

Eerst ingediend dat voldeed aan de QC-criteria

11 februari 2021

Eerst geplaatst (Werkelijk)

17 februari 2021

Updates van studierecords

Laatste update geplaatst (Werkelijk)

25 maart 2025

Laatste update ingediend die voldeed aan QC-criteria

7 januari 2025

Laatst geverifieerd

1 januari 2025

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?

JA

Beschrijving IPD-plan

Gegevens op individueel niveau beschikbaar op redelijk verzoek aan auteurs na publicatie

IPD-tijdsbestek voor delen

Bij publicatie

IPD-toegangscriteria voor delen

Onderzoekers met een ethiekcommissie hebben een onderzoeksplan goedgekeurd

IPD delen Ondersteunend informatietype

  • LEERPROTOCOOL
  • ANALYTIC_CODE

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

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 .

Abonneren