Enquêtes gebruiken om het verband te onderzoeken tussen blootstelling aan ML-sterfterisicovoorspellingen en de prognostische nauwkeurigheid en besluitvorming van medische oncologen
20 november 2024 bijgewerkt door: Abramson Cancer Center at Penn Medicine
Bijna de helft van de kankerpatiënten in de VS krijgt vóór hun overlijden zorg die niet strookt met hun wensen.
Early Advanced Care Planning (ACP) en palliatieve zorg verbeteren de doelgerichte zorg en symptomen en verminderen onnodig gebruik.
Een veelbelovende strategie om ACS- en palliatieve zorg te vergroten is het identificeren van patiënten met een risico op overlijden eerder in het ziekteverloop, zodat deze diensten zich hierop kunnen richten.
Machine learning (ML)-algoritmen zijn in verschillende sectoren, waaronder de geneeskunde, gebruikt om het risico op ongunstige uitkomsten nauwkeurig te voorspellen en eerder middelen aan te wenden.
Van ‘mens-machine-samenwerkingen’ – systemen die zowel ML als menselijke intuïtie benutten – is aangetoond dat ze de voorspellingen en besluitvorming in verschillende situaties verbeteren, maar het is niet bekend of mens-machine-samenwerkingen de prognostische nauwkeurigheid kunnen verbeteren en tot grotere en eerdere samenwerkingen kunnen leiden. ACS en palliatieve zorg.
In dit onderzoek hebben we contact opgenomen met een nationale steekproef van medische oncologen en hen uitgenodigd een op vignetten gebaseerd onderzoek in te vullen.
Ons doel was om de associatie tussen blootstelling aan ML-sterfterisicovoorspellingen en de prognostische nauwkeurigheid en besluitvorming van artsen te onderzoeken.
We presenteerden een reeks van zes vignetten die drie klinische scenario's beschrijven die specifiek zijn voor een patiënt met gevorderde niet-kleincellige longkanker (aNSCLC) en die verschillen qua leeftijd, geslacht, prestatiestatus, rookgeschiedenis, omvang van de ziekte, symptomen en moleculaire status.
We zullen deze op vignetten gebaseerde enquêtes gebruiken om de associatie tussen blootstelling aan ML-sterfterisicovoorspellingen en de prognostische nauwkeurigheid en besluitvorming van medische oncologen te onderzoeken.
Studie Overzicht
Studietype
Observationeel
Inschrijving (Werkelijk)
52
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
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Verenigde Staten, 19104
- Abramson Cancer Center of the University of Pennsylvania
-
-
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
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Nee
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
De onderzoekspopulatie bestond uit een gemakssteekproef van praktiserende medische oncologen die in de VS longkanker behandelden.
We rekruteerden medische oncologen via directe e-mails aan de persoonlijke contacten van de hoofdonderzoeker (n=29); directe berichten via Doximity, een online netwerkdienst voor medische professionals (n=17), met behulp van een "thoracale oncologie"; en directe berichten via X (voorheen Twitter) (n=4).
Er zijn pogingen ondernomen om gelijke monsters te nemen uit vier geografische regio's in de VS (Noordoost, Zuid, Midwest, West).
Beschrijving
Inclusiecriteria:
- Medische oncologen die longkanker behandelen
Uitsluitingscriteria:
- Medische oncologen die geen longkankerpatiënten zien
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
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
1A 2B 3C
1. Gemiddeld; 1.A. Referentie afhankelijk; 2. Arm; 2.B.
Absolute prognose; 3. Goed; 3.C.
Beide
|
Het onderzoek bestond uit een 3 x 3 online factorieel experiment waarbij gebruik werd gemaakt van een enquête-instrument dat werd gehost via Qualtrics en waarin drie patiëntenvignetten werden beschreven.
De drie patiëntenvignetten varieerden op basis van verschillende klinische kenmerken, waaronder leeftijd, geslacht, prestatiestatus, rookgeschiedenis, omvang van de ziekte, symptomen en moleculaire status.
Elke patiënt had gevorderde niet-kleincellige longkanker (aNSCLC).
Elk vignet bestond uit twee delen: deel 1 beschreef de anamnese van één van de drie patiënten, waarna prognostische schattingen en medische besluitvorming werden beoordeeld (d.w.z. 1, 2, 3).
Deel 2 volgde onmiddellijk en beschreef hetzelfde vignet van dezelfde patiënt met toegevoegde informatie van een hypothetisch ML-voorspellend algoritme (d.w.z.
A, B, C).
De volgorde van de vignetten in elke enquête was gerandomiseerd met betrekking tot presentatiestrategieën voor de voorspellingen van het ML-risico, zodat er zes versies van de enquête waren waarin elke deelnemer werd gerandomiseerd.
|
|
1A 2C 3B
1. Gemiddeld; 1.A. Referentie afhankelijk; 2. Arm; 2.C.
Beide; 3. Goed; 3.B.
Absolute prognose
|
Het onderzoek bestond uit een 3 x 3 online factorieel experiment waarbij gebruik werd gemaakt van een enquête-instrument dat werd gehost via Qualtrics en waarin drie patiëntenvignetten werden beschreven.
De drie patiëntenvignetten varieerden op basis van verschillende klinische kenmerken, waaronder leeftijd, geslacht, prestatiestatus, rookgeschiedenis, omvang van de ziekte, symptomen en moleculaire status.
Elke patiënt had gevorderde niet-kleincellige longkanker (aNSCLC).
Elk vignet bestond uit twee delen: deel 1 beschreef de anamnese van één van de drie patiënten, waarna prognostische schattingen en medische besluitvorming werden beoordeeld (d.w.z. 1, 2, 3).
Deel 2 volgde onmiddellijk en beschreef hetzelfde vignet van dezelfde patiënt met toegevoegde informatie van een hypothetisch ML-voorspellend algoritme (d.w.z.
A, B, C).
De volgorde van de vignetten in elke enquête was gerandomiseerd met betrekking tot presentatiestrategieën voor de voorspellingen van het ML-risico, zodat er zes versies van de enquête waren waarin elke deelnemer werd gerandomiseerd.
|
|
1B 2A 3C
1. Gemiddeld; 1.B.
Absoluut; 2. Arm; 2.A. Referentie afhankelijk; 3. Goed; 3.C.
Beide
|
Het onderzoek bestond uit een 3 x 3 online factorieel experiment waarbij gebruik werd gemaakt van een enquête-instrument dat werd gehost via Qualtrics en waarin drie patiëntenvignetten werden beschreven.
De drie patiëntenvignetten varieerden op basis van verschillende klinische kenmerken, waaronder leeftijd, geslacht, prestatiestatus, rookgeschiedenis, omvang van de ziekte, symptomen en moleculaire status.
Elke patiënt had gevorderde niet-kleincellige longkanker (aNSCLC).
Elk vignet bestond uit twee delen: deel 1 beschreef de anamnese van één van de drie patiënten, waarna prognostische schattingen en medische besluitvorming werden beoordeeld (d.w.z. 1, 2, 3).
Deel 2 volgde onmiddellijk en beschreef hetzelfde vignet van dezelfde patiënt met toegevoegde informatie van een hypothetisch ML-voorspellend algoritme (d.w.z.
A, B, C).
De volgorde van de vignetten in elke enquête was gerandomiseerd met betrekking tot presentatiestrategieën voor de voorspellingen van het ML-risico, zodat er zes versies van de enquête waren waarin elke deelnemer werd gerandomiseerd.
|
|
1B 2C 3A
1. Gemiddeld; 1.B.
Absoluut; 2. Arm; 2.C.
Beide; 3. Goed; 3.A.
Referentie afhankelijk
|
Het onderzoek bestond uit een 3 x 3 online factorieel experiment waarbij gebruik werd gemaakt van een enquête-instrument dat werd gehost via Qualtrics en waarin drie patiëntenvignetten werden beschreven.
De drie patiëntenvignetten varieerden op basis van verschillende klinische kenmerken, waaronder leeftijd, geslacht, prestatiestatus, rookgeschiedenis, omvang van de ziekte, symptomen en moleculaire status.
Elke patiënt had gevorderde niet-kleincellige longkanker (aNSCLC).
Elk vignet bestond uit twee delen: deel 1 beschreef de anamnese van één van de drie patiënten, waarna prognostische schattingen en medische besluitvorming werden beoordeeld (d.w.z. 1, 2, 3).
Deel 2 volgde onmiddellijk en beschreef hetzelfde vignet van dezelfde patiënt met toegevoegde informatie van een hypothetisch ML-voorspellend algoritme (d.w.z.
A, B, C).
De volgorde van de vignetten in elke enquête was gerandomiseerd met betrekking tot presentatiestrategieën voor de voorspellingen van het ML-risico, zodat er zes versies van de enquête waren waarin elke deelnemer werd gerandomiseerd.
|
|
1C 2A 3B
1. Gemiddeld; 1.C.
Beide; 2. Arm; 2.A. Referentie afhankelijk; 3. Goed; 3.B.
Absoluut
|
Het onderzoek bestond uit een 3 x 3 online factorieel experiment waarbij gebruik werd gemaakt van een enquête-instrument dat werd gehost via Qualtrics en waarin drie patiëntenvignetten werden beschreven.
De drie patiëntenvignetten varieerden op basis van verschillende klinische kenmerken, waaronder leeftijd, geslacht, prestatiestatus, rookgeschiedenis, omvang van de ziekte, symptomen en moleculaire status.
Elke patiënt had gevorderde niet-kleincellige longkanker (aNSCLC).
Elk vignet bestond uit twee delen: deel 1 beschreef de anamnese van één van de drie patiënten, waarna prognostische schattingen en medische besluitvorming werden beoordeeld (d.w.z. 1, 2, 3).
Deel 2 volgde onmiddellijk en beschreef hetzelfde vignet van dezelfde patiënt met toegevoegde informatie van een hypothetisch ML-voorspellend algoritme (d.w.z.
A, B, C).
De volgorde van de vignetten in elke enquête was gerandomiseerd met betrekking tot presentatiestrategieën voor de voorspellingen van het ML-risico, zodat er zes versies van de enquête waren waarin elke deelnemer werd gerandomiseerd.
|
|
1C 2B 3A
1. Gemiddeld; 1.C.
Beide; 2. Arm; 2.B.
Absoluut; 3. Goed; 3.A.
Referentie afhankelijk
|
Het onderzoek bestond uit een 3 x 3 online factorieel experiment waarbij gebruik werd gemaakt van een enquête-instrument dat werd gehost via Qualtrics en waarin drie patiëntenvignetten werden beschreven.
De drie patiëntenvignetten varieerden op basis van verschillende klinische kenmerken, waaronder leeftijd, geslacht, prestatiestatus, rookgeschiedenis, omvang van de ziekte, symptomen en moleculaire status.
Elke patiënt had gevorderde niet-kleincellige longkanker (aNSCLC).
Elk vignet bestond uit twee delen: deel 1 beschreef de anamnese van één van de drie patiënten, waarna prognostische schattingen en medische besluitvorming werden beoordeeld (d.w.z. 1, 2, 3).
Deel 2 volgde onmiddellijk en beschreef hetzelfde vignet van dezelfde patiënt met toegevoegde informatie van een hypothetisch ML-voorspellend algoritme (d.w.z.
A, B, C).
De volgorde van de vignetten in elke enquête was gerandomiseerd met betrekking tot presentatiestrategieën voor de voorspellingen van het ML-risico, zodat er zes versies van de enquête waren waarin elke deelnemer werd gerandomiseerd.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Prognostische nauwkeurigheid zoals beoordeeld via enquête
Tijdsspanne: Tot 3 maanden
|
Prognostische schattingen werden gemeten met behulp van twee items die werden toegediend na deel 1 en 2 van elk van de drie vignetten:
Nauwkeurige prognoses werden gedefinieerd als de vraag of de gerapporteerde schatting van de levensverwachting binnen 33% van de LCPI-schatting lag, zoals gewijzigd na de focusgroepen. Deelnemers beantwoordden de eerste vraag in maanden en de tweede vraag als een percentage tussen 0-100%. |
Tot 3 maanden
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Beslissingen over vroegtijdige zorgplanning zoals beoordeeld via een enquête
Tijdsspanne: Tot 3 maanden
|
De besluitvorming in de ACS-landen werd beoordeeld aan de hand van het volgende item dat werd toegediend na deel 1 en 2 van elk van de drie vignetten: 1) Zou u op dit punt in haar ziekteverloop een discussie willen voeren over vroegtijdige zorgplanning? Elke vraag werd geoperationaliseerd als een ja/nee-antwoord en werd gevolgd door een gratis antwoordvak met de vraag: "Vertel alstublieft uw reden voor deze beslissing." |
Tot 3 maanden
|
|
Verwijzing naar palliatieve zorg zoals beoordeeld via een enquête
Tijdsspanne: Tot 3 maanden
|
De verwijzing voor palliatieve zorg werd beoordeeld aan de hand van het volgende item, toegediend na deel 1 en 2 van elk van de drie vignetten: 1) Zou u hem/haar op dit punt in het ziekteverloop doorverwijzen naar een specialist in palliatieve zorg? Elke vraag werd geoperationaliseerd als een ja/nee-antwoord en werd gevolgd door een gratis antwoordvak met de vraag: "Vertel alstublieft uw reden voor deze beslissing." |
Tot 3 maanden
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
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)
13 maart 2023
Primaire voltooiing (Werkelijk)
31 juli 2023
Studie voltooiing (Werkelijk)
31 december 2023
Studieregistratiedata
Eerst ingediend
30 april 2024
Eerst ingediend dat voldeed aan de QC-criteria
12 juni 2024
Eerst geplaatst (Werkelijk)
18 juni 2024
Updates van studierecords
Laatste update geplaatst (Geschat)
21 november 2024
Laatste update ingediend die voldeed aan QC-criteria
20 november 2024
Laatst geverifieerd
1 november 2024
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- UPCC 10524
- 850382 (Andere identificatie: Penn IRB)
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 .