Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Identyfikacja oparta na danych w przypadku niewłaściwego użycia substancji

23 stycznia 2024 zaktualizowane przez: University of Wisconsin, Madison

Oparte na danych strategie identyfikacji nadużywania substancji u pacjentów hospitalizowanych

Badacze proponują opracowanie otwartego, publicznie dostępnego modelu uczenia maszynowego, który systemy opieki zdrowotnej mogłyby pobierać i stosować w swoich elektronicznych bazach danych dotyczących zdrowia w celu badania nadużywania substancji przez swoich pacjentów. Badacze stawiają hipotezę, że algorytm przetwarzania języka naturalnego może zapewnić ustandaryzowane i interoperacyjne podejście do zautomatyzowanego codziennego badania przesiewowego wszystkich hospitalizowanych pacjentów i zapewnić lepszą wierność implementacji badań przesiewowych, krótkiej interwencji i skierowania na leczenie.

Przegląd badań

Szczegółowy opis

W 2016 r. prawie 30% wypisów ze szpitali w Stanach Zjednoczonych miało główną kategorię diagnostyczną stanu związanego z używaniem substancji. Nadużywanie substancji psychoaktywnych zajmuje drugie miejsce wśród głównych diagnoz dotyczących nieplanowanych 7-dniowych odsetków ponownych hospitalizacji. Pomimo dostępności interwencji przesiewowych, krótkiej interwencji i skierowania na leczenie (SBIRT), nadużywanie substancji nie jest częścią rutynowych przyjęć i tylko mniejszość pacjentów jest badana pod kątem nadużywania substancji w warunkach szpitalnych. Jest to szczególnie problematyczne, ponieważ wśród hospitalizowanych pacjentów rozpowszechnienie nadużywania substancji szacuje się na 25%, czyli więcej niż w populacji ogólnej lub w warunkach ambulatoryjnych. Potrzebne są praktyczne metody przesiewowe dostosowane do warunków szpitalnych.

Wraz z pojawieniem się znaczącego wykorzystania w elektronicznej dokumentacji medycznej (EHR) skuteczność wykrywania alkoholu można poprawić, wykorzystując dane zebrane podczas zwykłej opieki. Dokumentacja używania substancji jest powszechna i pojawia się w ponad 96% zaświadczeń o przyjęciu dostawcy, ale ich format wolnego tekstu utrudnia ich wyszukiwanie i analizę. Przetwarzanie języka naturalnego (NLP) i uczenie maszynowe to poddziedziny sztucznej inteligencji (AI), które zapewniają rozwiązanie do analizy danych tekstowych w EHR w celu identyfikacji nadużywania substancji. Nowoczesne NLP połączyło się z uczeniem maszynowym, kolejną dziedziną sztucznej inteligencji skupioną na uczeniu się na podstawie danych. W szczególności najpotężniejsze metody NLP opierają się na uczeniu nadzorowanym, rodzaju uczenia maszynowego, które wykorzystuje aktualne standardy referencyjne do przewidywania niewidocznych przypadków

We wcześniejszej wersji narzędzia NLP i uczenia maszynowego badacze z powodzeniem wykorzystali dane z notatek klinicznych zebranych w ciągu pierwszych 24 godzin przyjęcia do szpitala, aby osiągnąć czułość i swoistość powyżej 70% w celu identyfikacji nadużywania alkoholu. Przy prawie 36 milionach przyjęć do szpitali w 2016 r. klasyfikator nadużywania substancji może potencjalnie wpłynąć na miliony.

W tym badaniu celem jest prospektywne wdrożenie klasyfikatora nadużywania substancji w celu zbadania jego skuteczności w porównaniu z obecną praktyką wszystkich hospitalizowanych dorosłych pacjentów w systemie opieki zdrowotnej trzeciego stopnia. System opieki zdrowotnej posiada dojrzały system badań przesiewowych w celu zbadania działania klasyfikatora nadużywania substancji w porównaniu z obecną praktyką przesiewowych kwestionariuszy.

Hipoteza jest taka, że ​​klasyfikator nadużywania substancji może zapewnić znormalizowane, interoperacyjne i dokładne podejście do przesiewowej hospitalizacji pacjentów. Pomyślne wdrożenie klasyfikatora u pacjentów hospitalizowanych to krok w kierunku zautomatyzowanego i kompleksowego uniwersalnego systemu przesiewowego w kierunku nadużywania substancji.

Typ studiów

Interwencyjne

Zapisy (Szacowany)

34800

Faza

  • Nie dotyczy

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Kontakt w sprawie studiów

Lokalizacje studiów

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

18 lat do 89 lat (Dorosły, Starszy dorosły)

Akceptuje zdrowych ochotników

Nie

Opis

Kryteria przyjęcia:

  • Wiek od 18 do 89 lat
  • Stan pacjenta podczas hospitalizacji
  • Długość pobytu powyżej 24 godzin

Kryteria wyłączenia:

  • Nie może uczestniczyć w zwykłej interwencji opieki SBIRT
  • Śmierć lub utrata przytomności w ciągu pierwszych 24 godzin od przyjęcia
  • Zwolniony wbrew zaleceniom lekarskim
  • Przeniesiony z innego szpitala intensywnej terapii
  • Przeniesiony do innego szpitala intensywnej terapii

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

  • Główny cel: Ekranizacja
  • Przydział: Nie dotyczy
  • Model interwencyjny: Zadanie dla jednej grupy
  • Maskowanie: Brak (otwarta etykieta)

Broń i interwencje

Grupa uczestników / Arm
Interwencja / Leczenie
Eksperymentalny: Wstępny ekran NLP (przetwarzanie języka naturalnego).
Zautomatyzowane przetwarzanie notatek klinicznych zebranych podczas rutynowej opieki w ciągu pierwszych 24 godzin przyjęcia do szpitala w celu zidentyfikowania osób zagrożonych nadużywaniem substancji w celu poddania standardowej opieki pełnej kontroli i ocenie, krótkiej interwencji lub skierowania na leczenie (SBIRT).
Notatki kliniczne zebrane w pierwszym dniu przyjęcia do szpitala podczas zwykłej opieki jako dane wejściowe do przetwarzania języka naturalnego i algorytmu uczenia maszynowego.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Odsetek pacjentów, u których wynik uniwersalnego testu przesiewowego był pozytywny i którzy otrzymali SBIRT (badanie przesiewowe, krótka interwencja lub skierowanie na leczenie)
Ramy czasowe: 54 miesiące
Podstawowym wynikiem jest odsetek pacjentów, którzy otrzymali SBIRT po pozytywnym uniwersalnym badaniu przesiewowym na ryzyko nadużywania substancji. Projekt jest prospektywnym badaniem obserwacyjnym z przerwanymi szeregami czasowymi.
54 miesiące

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Ponowne hospitalizacje z dowolnej przyczyny po 6 miesiącach od wizyty w szpitalu Index
Ramy czasowe: 12-miesięczna rejestracja z 6-miesięczną obserwacją w celu ponownej hospitalizacji
Porównamy wyniki korzystania z opieki zdrowotnej u wszystkich pacjentów między okresami przed i po, kontrolując wszystkie cechy demograficzne i kliniczne pacjentów.
12-miesięczna rejestracja z 6-miesięczną obserwacją w celu ponownej hospitalizacji

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Publikacje i pomocne linki

Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

1 lutego 2023

Zakończenie podstawowe (Szacowany)

30 stycznia 2025

Ukończenie studiów (Szacowany)

30 marca 2025

Daty rejestracji na studia

Pierwszy przesłany

6 lutego 2019

Pierwszy przesłany, który spełnia kryteria kontroli jakości

6 lutego 2019

Pierwszy wysłany (Rzeczywisty)

7 lutego 2019

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Szacowany)

25 stycznia 2024

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

23 stycznia 2024

Ostatnia weryfikacja

1 stycznia 2024

Więcej informacji

Terminy związane z tym badaniem

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

TAK

Opis planu IPD

Dane pacjenta są chronionymi informacjami zdrowotnymi i są niedostępne publicznie, ale algorytm zostanie udostępniony. Badacze dokonają serializacji naszych najlepszych modeli opracowanych przy użyciu pickle (natywny mechanizm serializacji obiektów w Pythonie) lub joblib (https://pythonhosted.org/joblib/) i pisać oprogramowanie, które będzie w stanie je ponownie załadować i przewidywać. Oprogramowanie będzie dystrybuowane za pośrednictwem github.com lub podobną internetową usługę hostingu oprogramowania.

Ramy czasowe udostępniania IPD

12 miesięcy po ukończeniu studiów i dostępne przez co najmniej pięć lat na github.com

Typ informacji pomocniczych dotyczących udostępniania IPD

  • ANALITYCZNY_KOD

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .

3
Subskrybuj