- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04978922
Impact van kunstmatige intelligentie in een telemonitoringprogramma van COPD-patiënten met meerdere ziekenhuisopnames
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
Conditie
Interventie / Behandeling
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
Inschrijving (Verwacht)
Fase
- Niet toepasbaar
Contacten en locaties
Studiecontact
- Naam: Cristobal Esteban, MD
- Telefoonnummer: +34 94 400 7002
- E-mail: cristobal.est@gmail.com
Studie Locaties
-
-
Vizcaya
-
Galdakao, Vizcaya, Spanje, 48960
- Werving
- Hospital Galdakao Usansolo
-
Contact:
- Cristobal Esteban, MD
- Telefoonnummer: +34-944007002
- E-mail: cristobal.est@gmail.com
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
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
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
|
|
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
|
|
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
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Cristobal Esteban, MD, Osakidetza
Publicaties en nuttige links
Algemene publicaties
- Soler-Cataluna JJ, Martinez-Garcia MA, Roman Sanchez P, Salcedo E, Navarro M, Ochando R. Severe acute exacerbations and mortality in patients with chronic obstructive pulmonary disease. Thorax. 2005 Nov;60(11):925-31. doi: 10.1136/thx.2005.040527. Epub 2005 Jul 29.
- Mathers CD, Loncar D. Updated projections of global mortality and burden of disease, 2002-2030.World Health Organization, http//www.who.int/healthinfo/statistics/bodprojectionspaper.pdf
- World Health Organization. Chronic Obstructive Pulmonary Disease (COPD). Avalaible from: http:// www.who.int/respiratory/copd/en/index.html
- Donaldson GC, Seemungal TA, Bhowmik A, Wedzicha JA. Relationship between exacerbation frequency and lung function decline in chronic obstructive pulmonary disease. Thorax. 2002 Oct;57(10):847-52. doi: 10.1136/thorax.57.10.847. Erratum In: Thorax. 2008 Aug;63(8):753.
- Esteban C, Quintana JM, Moraza J, Aburto M, Egurrola M, Espana PP, Perez-Izquierdo J, Aguirre U, Aizpiri S, Capelastegui A. Impact of hospitalisations for exacerbations of COPD on health-related quality of life. Respir Med. 2009 Aug;103(8):1201-8. doi: 10.1016/j.rmed.2009.02.002. Epub 2009 Mar 9.
- Pinnock H, Hanley J, McCloughan L, Todd A, Krishan A, Lewis S, Stoddart A, van der Pol M, MacNee W, Sheikh A, Pagliari C, McKinstry B. Effectiveness of telemonitoring integrated into existing clinical services on hospital admission for exacerbation of chronic obstructive pulmonary disease: researcher blind, multicentre, randomised controlled trial. BMJ. 2013 Oct 17;347:f6070. doi: 10.1136/bmj.f6070.
- Bolton CE, Waters CS, Peirce S, Elwyn G; EPSRC and MRC Grand Challenge Team. Insufficient evidence of benefit: a systematic review of home telemonitoring for COPD. J Eval Clin Pract. 2011 Dec;17(6):1216-22. doi: 10.1111/j.1365-2753.2010.01536.x. Epub 2010 Sep 16.
- Jordan R, Adab P, Jolly K. Telemonitoring for patients with COPD. BMJ. 2013 Oct 17;347:f5932. doi: 10.1136/bmj.f5932. No abstract available.
- Esteban C, Moraza J, Iriberri M, Aguirre U, Goiria B, Quintana JM, Aburto M, Capelastegui A. Outcomes of a telemonitoring-based program (telEPOC) in frequently hospitalized COPD patients. Int J Chron Obstruct Pulmon Dis. 2016 Nov 24;11:2919-2930. doi: 10.2147/COPD.S115350. eCollection 2016.
- Esteban C, Schmidt D, Krompaß D y Tresp V. Predicting sequences of clinical events by using a personalized temporal latent embedding model. Proceedings of the IEEE International Conference on Healthcare Informatics, 2015
- SPARRA: Scottish Patients at Risk of Readmission and Admission - A report on development work to extend the algorithm's applicability to patients of all ages, Information Services Division, NHS National Services Scotland. June 2008
- Esteban C, Moraza J, Sancho F et al. Sistema de Alerta Temprana para el programa telEPOC mediante Machine Learning. Congreso Internacional SEPAR 2015 , Gran Canaria, España, Junio 2015.
- Esteban C, Moraza J, Sancho F et al. Machine Learning for COPD exacerbation prediction. European Respiratory Journal 2015;46:Issue suppl 59
- Noell G, Cosio BG, Faner R, Monso E, Peces-Barba G, de Diego A, Esteban C, Gea J, Rodriguez-Roisin R, Garcia-Nunez M, Pozo-Rodriguez F, Kalko SG, Agusti A. Multi-level differential network analysis of COPD exacerbations. Eur Respir J. 2017 Sep 27;50(3):1700075. doi: 10.1183/13993003.00075-2017. Print 2017 Sep.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Verwacht)
Studie voltooiing (Verwacht)
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
Trefwoorden
Andere studie-ID-nummers
- PI18/01797
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
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 .