Wspomagane przez uczenie maszynowe różnicowanie pacjentów o niskim poziomie ostrości podczas wysyłki (MADLAD)
Wspomagane uczenie maszynowe różnicowanie pacjentów o niskiej ostrości podczas wysyłki: randomizowana, kontrolowana próba
TŁO:
W centrach Emergency Medical Dispatch (EMD) powszechne są sytuacje ograniczonych zasobów (RCS), w których jest więcej osób dzwoniących wymagających karetki niż dostępnych karetek. W ośrodkach EMD w Uppsali i Västmanland pacjentom doświadczającym takich sytuacji zazwyczaj przypisuje się pomoc o niskim priorytecie, często są to osoby w podeszłym wieku i mają niespecyficzne objawy. Techniki uczenia maszynowego oferują obiecujące, ale w dużej mierze nieprzetestowane podejście do oceny ryzyka wśród tych pacjentów.
CELE:
Ustalenie, czy dostarczanie ocen ryzyka opartych na uczeniu maszynowym poprawia zdolność dyspozytorów do identyfikowania pacjentów z wysokim ryzykiem pogorszenia RCS.
PROJEKT:
Wieloośrodkowe, równoległe, randomizowane badanie z zaślepieniem analityków.
POPULACJA:
Dorośli pacjenci kontaktujący się z krajową linią ratunkową (112), ocenieni przez pielęgniarkę dyspozytorską w Uppsali lub Västmanland jako wymagający pomocy karetki o niskim priorytecie i doświadczający RCS.
WYNIKI:
Podstawowa:
1. Odsetek RCS, w których pierwsza dostępna karetka została wysłana do pacjenta z najwyższym wynikiem National Early Warning Score (NEWS)
Wtórny:
- Różnica w złożonej punktacji ryzyka obejmującej interwencje karetki pogotowia ratunkowego, transport ratunkowy, przyjęcie do szpitala, intensywną terapię i śmiertelność między pacjentami otrzymującymi natychmiastową a opóźnioną reakcją karetki podczas RCS.
- Różnica w NEWS między pacjentami otrzymującymi natychmiastową a opóźnioną reakcją karetki podczas RCS.
INTERWENCJA:
Model uczenia maszynowego oszacuje ryzyko związane z każdym pacjentem biorącym udział w RCS i zaproponuje pacjentowi przyjęcie dostępnej karetki. Tylko w części interwencyjnej ocena będzie wyświetlana w interfejsie użytkownika zintegrowanym z systemem dyspozytorskim.
ROZMIAR PRÓBY:
1500 RCS, z których każdy składał się z wielu pacjentów przydzielonych losowo w stosunku 1:1 do ramion kontrolnych i interwencyjnych
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Typ studiów
Zapisy (Rzeczywisty)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Uppsala, Szwecja
- Uppsala university hospital
-
-
Västmanland
-
Västerås, Västmanland, Szwecja
- Västmanland hospital Västerås
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Opis
Kryteria przyjęcia:
- Identyfikacja sytuacji ograniczonej zasobów przez dyrektora karetki (tj. 2 lub więcej pacjentów oczekujących na przyjazd karetki)
- Przypisany priorytet 2A lub 2B (reakcja karetki pogotowia o niskim priorytecie) przez pielęgniarkę dyspozytorską
- Ważny szwedzki osobisty numer identyfikacyjny pobrany przy wysyłce
- Wiek >= 18 lat
Kryteria wyłączenia:
- Odpowiednie połączenia odebrane w odstępie ponad 30 minut
- Czynniki logistyczne (np. lokalizacja geograficzna pacjentów) wpływają na decyzję o przydzieleniu karetki
- Na miejscu czynniki ryzyka (np. pacjent przebywa na zewnątrz i grozi mu hipotermia) lub środki zmniejszające ryzyko (np. personel medyczny już na miejscu z pacjentem) wpływają na decyzję o przydzieleniu karetki
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Badania usług zdrowotnych
- Przydział: Randomizowane
- Model interwencyjny: Przydział równoległy
- Maskowanie: Pojedynczy
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Eksperymentalny: Interwencja
Obliczanie wyniku oceny ryzyka za pomocą algorytmu uczenia maszynowego i wyświetlanie informacji o ocenie ryzyka pielęgniarkom dyspozytorskim.
Personel zachęcany, ale nie zobowiązany do przestrzegania sugerowanego rankingu.
|
Algorytm uczenia maszynowego (zwiększanie gradientu) zastosowany do ustrukturyzowanych danych zebranych w systemie wspomagania decyzji klinicznych Alitis, dane demograficzne pacjentów i notatki tekstowe.
|
|
Brak interwencji: Kontrola
Wysłanie karetki według standardu opieki
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Odsetek RCS, w których pierwsza dostępna karetka została wysłana do pacjenta z najwyższym krajowym wskaźnikiem wczesnego ostrzegania (NEWS).
Ramy czasowe: Po przybyciu karetki (w ciągu 8 godzin od wysłania)
|
NEWS jest szeroko stosowanym i dobrze sprawdzonym algorytmem punktacji opartym na obiektywnych parametrach życiowych pacjenta, które nie są przyczynowo zależne od wyników wykorzystywanych do trenowania modeli uczenia maszynowego badanych w tym badaniu.
Wartości NEWS będą oparte na pierwszym zestawie parametrów życiowych uzyskanym przez pielęgniarki karetki po nawiązaniu kontaktu z pacjentem.
NEWS jest mierzony w skali 0-21, przy czym wyższe wartości odpowiadają pacjentom z wyższym ryzykiem pogorszenia.
|
Po przybyciu karetki (w ciągu 8 godzin od wysłania)
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Różnica w wyniku złożonej miary wyniku między pacjentami z natychmiastową a opóźnioną odpowiedzią.
Ramy czasowe: Do 30 dni
|
Ta miara bada wynik złożony składający się z wyników używanych do uczenia modeli uczenia maszynowego. Złożony wynik jest generowany poprzez identyfikację następujących wyników pacjenta i przypisanie odpowiednich wag: Nieprawidłowe początkowe wyniki badań dotyczących dróg oddechowych/oddechu/krążenia przez załogę karetki (4) Nagły transport (światła i syreny) do szpitala (2) Zapewnienie interwencji przedszpitalnych (1) Przyjęcie do opieki szpitalnej lub zgon w ciągu 30 dni (1) Daje to wynik od 0 do 8, przy czym wyższe wyniki oznaczają więcej |
Do 30 dni
|
|
Różnica w National Early Warning Score (NEWS) między pacjentami z natychmiastową a opóźnioną odpowiedzią.
Ramy czasowe: Po przybyciu karetki (w ciągu 8 godzin od wysłania)
|
Na główny wynik
|
Po przybyciu karetki (w ciągu 8 godzin od wysłania)
|
Współpracownicy i badacze
Sponsor
Współpracownicy
Śledczy
- Główny śledczy: Hans Blomberg, MD, PhD, Uppsala university hospital
Publikacje i pomocne linki
Publikacje ogólne
- Spangler D, Hermansson T, Smekal D, Blomberg H. A validation of machine learning-based risk scores in the prehospital setting. PLoS One. 2019 Dec 13;14(12):e0226518. doi: 10.1371/journal.pone.0226518. eCollection 2019.
- Spangler D, Edmark L, Winblad U, Collden-Benneck J, Borg H, Blomberg H. Using trigger tools to identify triage errors by ambulance dispatch nurses in Sweden: an observational study. BMJ Open. 2020 Mar 19;10(3):e035004. doi: 10.1136/bmjopen-2019-035004.
Przydatne linki
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- SVLC001
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Ramy czasowe udostępniania IPD
Kryteria dostępu do udostępniania IPD
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
- ANALITYCZNY_KOD
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
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 .