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

Impact van kunstmatige intelligentie in een telemonitoringprogramma van COPD-patiënten met meerdere ziekenhuisopnames

25 juli 2021 bijgewerkt door: Dr. Cristobal Esteban

Impact van de kunstmatige intelligentie (machine learning) in een telemonitoringprogramma van COPD-patiënten met meerdere ziekenhuisopnames (telEPOC)

Gezien de huidige situatie op het gebied van gezondheidszorg, demografie van de bevolking en economie, lijkt het nodig om nieuwe benaderingen in het gezondheidssysteem te zoeken. Het gebruik van nieuwe technologieën moet de belangrijkste factor zijn voor deze verandering.

ALGEMENE DOELSTELLING:

Bepalen welke impact de toepassing van een artificieel intelligentiesysteem (Machine Learning) zou kunnen hebben op een actief telemonitoringprogramma van heropgenomen COPD-patiënten.

Bijzondere doelstellingen: het bepalen van de veranderingen in:

  • Het gebruik van zorgmiddelen.
  • De kwaliteit van leven van patiënten.
  • Kosten.
  • Veel werk.
  • Dagelijkse klinische praktijk.
  • Ontstekingsmarkeringen

METHODEN:

Gebaseerd op het teleEPOC-programma en Machine Learning-ontwikkeling in dit project, niet-gerandomiseerde interventiestudie, met twee takken: interventie (Galdakao ziekenhuis) en controle (Cruces en Basurto ziekenhuis).

Steekproefomvang van minimaal 115 patiënten per ziekenhuis (115 in de interventietak en 230 in de controletak). Een follow-up van 2 jaar.

Uni- en multivariate statistieken worden toegepast.

Studie Overzicht

Toestand

Werving

Conditie

Gedetailleerde beschrijving

Telemonitoringprogramma's zijn een alternatief voor de traditionele controlesystemen van patiënten, vooral bij chronische ziekten. Dit soort instrumenten zijn ook belangrijk vanwege de vergrijzing van de bevolking, de toename van chronische ziekten en de daaruit voortvloeiende stijging van de onderhoudskosten van de gezondheidssystemen. Aan de andere kant worden deze chronische patiënten tegenwoordig vooral bezocht vanwege exacerbaties, voornamelijk in noodsituaties en ziekenhuisopnames, en ook in persoonlijke geplande consultaties wanneer patiënten stabiel zijn. Dan is meer aandacht wenselijk vanuit het oogpunt van kliniek, management en kosten.

COPD (Chronic Obstructive Pulmonary Disease) is een veel voorkomende ziekte. Bovendien heeft het een hoog verbruik van sanitaire middelen en hoge kosten, waarvan 50% te wijten is aan ziekenhuisopnames.

Bovendien hebben exacerbaties bij COPD, en vooral de ernstige, belangrijke gevolgen voor patiënten (verslechtering van de longfunctie, verslechtering van de kwaliteit van leven en toename van de mortaliteit).

Daarom lijkt telemonitoring een oplossing om de controle over deze patiënten te verbeteren en het verbruik van middelen te verbeteren. In het Galdakao-ziekenhuis in Spanje is een telemonitoringprogramma gestart bij COPD-patiënten die opnieuw in het ziekenhuis worden opgenomen. Het primaire doel was om het aantal heropnames vanwege COPD-exacerbaties te verminderen en het kon een significante afname van het gebruik van sanitaire middelen aantonen (ziekenhuisopnames, bezoek aan de afdeling spoedeisende hulp, heropnames en gemiddelde verblijfsdagen). Het toonde ook een minder verslechtering van de klinische symptomen en de kwaliteit van leven aan bij ernstiger patiënten.

Er zijn echter drie factoren die erg belangrijk zijn bij chronische ziekten: de toename van ouder wordende mensen, de toename van mensen met chronische ziekten en de snelle evolutie van technologie, met name de geheugen- en informatieverwerkingssystemen.

Machine Learning (ML) is het belangrijkste onderdeel van de kunstmatige intelligentie en heeft als doel het leren van een computer. De computer schrijft zijn eigen programma's om problemen op te lossen waarvan we niet weten hoe we ze moeten oplossen. Wanneer werken moeilijk zijn, zoals het doen van voorspellingen in medische scenario's, hebben ML-algoritmen een grote hoeveelheid data nodig om het leren te krijgen. De meeste medische databases hebben ongemakken die voortkomen uit menselijk ingrijpen, zoals ontbrekende gegevens, verkeerde waarden, enz. Daarom lijken programma's op basis van telegeneeskunde een ideaal platform voor ML-algoritmen. Dit komt omdat telegeneeskundesystemen normaal gesproken een periodieke stroom van verzamelde gegevens langs elektronische weg produceren en deze direct in een database worden opgeslagen. Deze constante stroom van datums en de lage deelname van mensen aan de herinnering en opslag ervan, geven een hoge kwaliteit aan databases, die ML-algoritmen kunnen gebruiken om de beste voorspellingen te doen.

Daarom blijkt TelEPOC (het telemonitoringprogramma in een COPD-cohort, in het Galdakao-ziekenhuis) de beste optie te zijn om in zijn gegevens de ML-algoritmen te gebruiken, vanwege de kwaliteit en de kwantiteit van gegenereerde gegevens, en ook vanwege het nut van die voorspellingen in de klinische praktijk.

In deze situatie is de vraag of onderzoekers konden anticiperen op een exacerbatie of in hoeverre ze konden anticiperen op een manifestatie van een exacerbatie. Om deze hypothese te testen, wordt hier een project gepresenteerd dat gebruik maakt van kunstmatige intelligentie (ML).

Onderzoekers deden eerder een test met dit systeem, dat gaf veelbelovende resultaten. Dat prototype was getraind met retrospectieve gegevens die het TelEPOC-programma eerder had verzameld en het was gebaseerd op een ML-algoritme genaamd Random Forests. Met deze sonde kregen ze een ROC-curve (receiver operating Characteristic Curve) van 0,8 als voorspelling van een exacerbatie in de volgende drie dagen. Momenteel wordt in het Galdakao-ziekenhuis een ML-systeem ontwikkeld in het TelEPOC-programma. Het doel is om te anticiperen op een alarm (exacerbatie).

Hierbij denken onderzoekers aan veel aanvullende vragen die onderzocht kunnen worden, zoals bijvoorbeeld: hoe kan de komst van deze technologie in de dagboekklinische praktijk worden beïnvloed? In dit project kan het gebruik van ML de manier van focus van de klinische hulpverlening veranderen. Er zijn tools die de evolutie van de patiënten kunnen voorspellen. Een andere vraag is dat als onderzoekers een exacerbatie verwachten, ze de pathogene basis (ontstekingsmediatoren) die een COPD-exacerbatie omringen, kunnen veranderen.

Onderzoekers beschouwen dit initiatief als pionier op dit gebied van COPD en chronische ziekten.

Studietype

Ingrijpend

Inschrijving (Verwacht)

345

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.

Studiecontact

Studie Locaties

    • Vizcaya
      • Galdakao, Vizcaya, Spanje, 48960
        • Werving
        • Hospital Galdakao Usansolo
        • Contact:

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

18 jaar tot 85 jaar (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

Nee

Geslachten die in aanmerking komen voor studie

Allemaal

Beschrijving

Inclusiecriteria:

  • Een COPD hebben (COPD werd bevestigd als het geforceerde expiratoire volume in één seconde na bronchodilatatie (FEV1) gedeeld door de geforceerde vitale capaciteit (FVC) minder was dan 0,7 (FEV1/FVC<70%)
  • Minstens twee keer in het voorgaande jaar of drie keer in de twee voorgaande jaren zijn opgenomen voor een COPD-exacerbatie (eCOPD).

Uitsluitingscriteria:

  • Een andere belangrijke luchtwegaandoening.
  • Een actief neoplasma.
  • Een terminale klinische situatie.
  • Onvermogen om een ​​van de metingen van het project uit te voeren.
  • Onwil om deel te nemen aan het onderzoek.

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: Preventie
  • Toewijzing: Niet-gerandomiseerd
  • Interventioneel model: Parallelle opdracht
  • Masker: Enkel

Wapens en interventies

Deelnemersgroep / Arm
Interventie / Behandeling
Experimenteel: TelePOC met machine learning (ML)

Ziekenhuis met een actief telemonitoringprogramma van heropgenomen COPD-patiënten (TelEPOC) na toepassing van een artificieel intelligentiesysteem (Machine Learning: ML).

* TelEPOC: Het programma bestond uit: 1) Educatief programma over COPD. Dit educatieve programma werd uitgevoerd door een ademhalingsverpleegkundige in twee toespraken van 30 minuten voor de patiënt en de carrière, een keer bij hun opname in het programma en opnieuw 1 jaar later. 2) Training in het gebruik van het apparaat (smartphone) dat de telemonitoring ondersteunde. 3) Dagelijkse telefoontjes om de patiënt de eerste week zelfverzekerd te maken. Daarna werden de telefoongesprekken tot stand gebracht op basis van het vermogen van de patiënt om zichzelf te redden.

Een artificieel intelligentiesysteem (Machine Learning: ML) toepassen op een actief telemonitoringprogramma van heropgenomen COPD-patiënten (TelEPOC)
Geen tussenkomst: TelEPOC zonder ML
Ziekenhuizen met een actief telemonitoringprogramma van heropgenomen COPD-patiënten (TelEPOC) zonder toepassing van een artificieel intelligentiesysteem (Machine Learning: ML).

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Aantal bronnen na de implementatie van ML (Machine Learning) toegevoegd aan een telegeneeskundesysteem bij opnieuw opgenomen COPD-patiënten (telEPOC).
Tijdsspanne: 2 jaar
  • Aantal hospitalisaties (gegevens ziekenhuisbasis).
  • Dagen van ziekenhuisverblijf ((gegevens ziekenhuisbasis).
  • Noodbezoeken (gegevens ziekenhuisbasis).
  • Heropnames (gegevens ziekenhuisbasis).
  • Bezoeken aan consultatie pneumologie in de afgelopen 2 jaar (gegevens ziekenhuisbasis).
2 jaar
Verandering in kwaliteit van leven bij patiënten na de implementatie van ML (bij patiënten die alarmen genereren)
Tijdsspanne: 2 jaar
-CAT (COPD assessment test): impact van COPD op de gezondheidstoestand. 8 items (hoesten, slijm, benauwdheid op de borst, kortademigheid, beperkte activiteiten, zelfvertrouwen om het huis uit te gaan, slapeloosheid en energie), schaal van 1 tot 5. Hogere scores duiden op een grotere impact van COPD op het leven van een patiënt.
2 jaar
Veranderingen in kwaliteit van leven bij patiënten na de implementatie van ML (bij patiënten die alarmen genereren)
Tijdsspanne: 2 jaar
  • EuroQol-5d-vragenlijst: gezondheidsmaat voor klinische en economische beoordeling.

    2 delen:

  • Beschrijvend systeem met 5 dimensies (mobiliteit, zelfzorg, gebruikelijke activiteiten, pijn/ongemak en angst/depressie). Elk van hen heeft 3 niveaus van ernst (geen problemen -1 punt- , enkele problemen -2 punten- of matig-ernstige problemen - 3 punten-). Meer punten hebben betekent een slechtere situatie.
  • Een visuele analoge schaal voor een meer algemene evaluatie. Het is een verticale schaal die loopt van 0 (slechtst denkbare gezondheidstoestand) tot 100 (best denkbare gezondheidstoestand). Daarin moet het individu het punt op de verticale lijn markeren dat het beste de beoordeling van zijn huidige wereldwijde gezondheidsstatus weergeeft.
2 jaar
Kosten van de implementatie van ML in relatie tot de standaard telemonitoring programma's
Tijdsspanne: 2 jaar
- Economische evaluatie, met inbegrip van alle interventies die inherent zijn aan het programma, gaande van telefoontjes, verplaatsing van patiënten voor consultatie, drugsgebruik, ziekenhuisopnames en bezoeken aan noodsituaties, eerstelijns- en gespecialiseerde zorg (gegevens ziekenhuisbasis).
2 jaar
Werkdruk van verpleegkundigen
Tijdsspanne: 2 jaar
- De tijd die elke dag moet worden besteed aan het beheren van de alarmen na het toevoegen van ML.
2 jaar
Veranderingen in de klinische dagboekpraktijk na opname van ML
Tijdsspanne: 2 jaar
- Inspanningsvermogen (zes minuten looptest)
2 jaar
Verandering in klinische dagboekpraktijk na opname van ML
Tijdsspanne: 2 jaar
- Lichamelijke activiteit (stappenteller)
2 jaar

Medewerkers en onderzoekers

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

Medewerkers

Onderzoekers

  • Hoofdonderzoeker: Cristobal Esteban, MD, Osakidetza

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.

Algemene publicaties

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 januari 2018

Primaire voltooiing (Verwacht)

1 januari 2022

Studie voltooiing (Verwacht)

1 juni 2022

Studieregistratiedata

Eerst ingediend

11 april 2021

Eerst ingediend dat voldeed aan de QC-criteria

25 juli 2021

Eerst geplaatst (Werkelijk)

27 juli 2021

Updates van studierecords

Laatste update geplaatst (Werkelijk)

27 juli 2021

Laatste update ingediend die voldeed aan QC-criteria

25 juli 2021

Laatst geverifieerd

1 juli 2021

Meer informatie

Termen gerelateerd aan deze studie

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

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