Korzystanie z ankiet w celu zbadania powiązania narażenia na ryzyko śmiertelności z powodu ML z dokładnością prognostyczną i podejmowaniem decyzji przez onkologów medycznych
20 listopada 2024 zaktualizowane przez: Abramson Cancer Center at Penn Medicine
Prawie połowa pacjentów chorych na raka w USA przed śmiercią otrzyma opiekę niezgodną z ich życzeniami.
Wczesne planowanie zaawansowanej opieki (ACP) i opieka paliatywna poprawiają opiekę zgodną z celem i objawy oraz ograniczają niepotrzebne wykorzystanie.
Obiecującą strategią zwiększania ACP i opieki paliatywnej jest identyfikacja pacjentów z ryzykiem zgonu na wcześniejszym etapie choroby w celu ukierunkowania tych usług.
Algorytmy uczenia maszynowego (ML) są stosowane w różnych gałęziach przemysłu, w tym w medycynie, do dokładnego przewidywania ryzyka wystąpienia niekorzystnych skutków i kierowania wcześniejszymi zasobami.
Wykazano, że „współpraca człowiek-maszyna” – systemy wykorzystujące zarówno uczenie maszynowe, jak i ludzką intuicję – poprawia przewidywanie i podejmowanie decyzji w różnych sytuacjach, ale nie wiadomo, czy współpraca człowiek-maszyna może poprawić dokładność prognozowania i prowadzić do większych i wcześniejszych wyników. ACP i opieka paliatywna.
W ramach tego badania skontaktowaliśmy się z ogólnokrajową próbą onkologów medycznych i poprosiliśmy ich o wypełnienie ankiety opartej na winiecie.
Naszym celem było zbadanie związku narażenia na przewidywania ryzyka śmiertelności z powodu ML z dokładnością prognostyczną i podejmowaniem decyzji przez klinicystów.
Zaprezentowaliśmy serię sześciu winiet opisujących trzy scenariusze kliniczne specyficzne dla pacjenta z zaawansowanym niedrobnokomórkowym rakiem płuc (aNSCLC), różniące się wiekiem, płcią, stanem sprawności, historią palenia, stopniem zaawansowania choroby, objawami i stanem molekularnym.
Wykorzystamy te ankiety oparte na winietach do zbadania związku narażenia na przewidywania ryzyka śmiertelności z powodu ML z dokładnością prognostyczną i podejmowaniem decyzji przez onkologów medycznych.
Przegląd badań
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
52
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Stany Zjednoczone, 19104
- Abramson Cancer Center of the University of Pennsylvania
-
-
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
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Nie
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Badana populacja składała się z wygodnej próby praktykujących onkologów medycznych, którzy leczyli raka płuc w USA.
Rekrutowaliśmy onkologów medycznych za pośrednictwem bezpośrednich e-maili do osobistych kontaktów głównego badacza (n=29); wiadomości bezpośrednie za pośrednictwem Doximity, usługi sieciowej online dla pracowników służby zdrowia (n=17), korzystającej z „onkologii klatki piersiowej”; oraz wiadomości bezpośrednie za pośrednictwem X (dawniej Twitter) (n=4).
Podjęto wysiłki, aby wybrać równe próbki z 4 regionów geograficznych Stanów Zjednoczonych (północny wschód, południe, środkowy zachód i zachód).
Opis
Kryteria przyjęcia:
- Onkolodzy medyczni leczący raka płuc
Kryteria wyłączenia:
- Onkolodzy medyczni, którzy nie przyjmują pacjentów z rakiem płuc
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
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
1A 2B 3C
1. Średniozaawansowany; 1.A. Zależne od odniesienia; 2. Biedny; 2.B.
Absolutne rokowanie; 3. Dobry; 3.C.
Obydwa
|
Badanie składało się z internetowego eksperymentu czynnikowego 3 × 3, w którym wykorzystano narzędzie ankietowe hostowane za pośrednictwem Qualtrics, przedstawiającego opis trzech winiet pacjentów.
Winiety trzech pacjentów różniły się pod względem różnych cech klinicznych, w tym wieku, płci, stanu sprawności, historii palenia, stopnia zaawansowania choroby, objawów i stanu molekularnego.
U każdego pacjenta występował zaawansowany niedrobnokomórkowy rak płuc (aNSCLC).
Każda winieta składała się z dwóch części: Część 1 opisywała historię przypadku jednego z trzech pacjentów, po czym oceniano szacunki prognostyczne i podejmowanie decyzji medycznych (tj. 1, 2, 3).
Część 2 nastąpiła bezpośrednio po tym i opisała tę samą winietę od tego samego pacjenta z dodatkowymi informacjami z hipotetycznego algorytmu predykcyjnego ML (tj.
A, B, C).
Kolejność winiet w każdym badaniu została losowana pod względem strategii prezentacji przewidywań ryzyka prania pieniędzy, tak że istniało 6 wersji badania, do których przydzielano losowo każdego uczestnika.
|
|
1A 2C 3B
1. Średniozaawansowany; 1.A. Zależne od odniesienia; 2. Biedny; 2.C.
Obydwa; 3. Dobry; 3.B.
Absolutne rokowanie
|
Badanie składało się z internetowego eksperymentu czynnikowego 3 × 3, w którym wykorzystano narzędzie ankietowe hostowane za pośrednictwem Qualtrics, przedstawiającego opis trzech winiet pacjentów.
Winiety trzech pacjentów różniły się pod względem różnych cech klinicznych, w tym wieku, płci, stanu sprawności, historii palenia, stopnia zaawansowania choroby, objawów i stanu molekularnego.
U każdego pacjenta występował zaawansowany niedrobnokomórkowy rak płuc (aNSCLC).
Każda winieta składała się z dwóch części: Część 1 opisywała historię przypadku jednego z trzech pacjentów, po czym oceniano szacunki prognostyczne i podejmowanie decyzji medycznych (tj. 1, 2, 3).
Część 2 nastąpiła bezpośrednio po tym i opisała tę samą winietę od tego samego pacjenta z dodatkowymi informacjami z hipotetycznego algorytmu predykcyjnego ML (tj.
A, B, C).
Kolejność winiet w każdym badaniu została losowana pod względem strategii prezentacji przewidywań ryzyka prania pieniędzy, tak że istniało 6 wersji badania, do których przydzielano losowo każdego uczestnika.
|
|
1B 2A 3C
1. Średniozaawansowany; 1.B.
Absolutny; 2. Biedny; 2.A. Zależne od odniesienia; 3. Dobry; 3.C.
Obydwa
|
Badanie składało się z internetowego eksperymentu czynnikowego 3 × 3, w którym wykorzystano narzędzie ankietowe hostowane za pośrednictwem Qualtrics, przedstawiającego opis trzech winiet pacjentów.
Winiety trzech pacjentów różniły się pod względem różnych cech klinicznych, w tym wieku, płci, stanu sprawności, historii palenia, stopnia zaawansowania choroby, objawów i stanu molekularnego.
U każdego pacjenta występował zaawansowany niedrobnokomórkowy rak płuc (aNSCLC).
Każda winieta składała się z dwóch części: Część 1 opisywała historię przypadku jednego z trzech pacjentów, po czym oceniano szacunki prognostyczne i podejmowanie decyzji medycznych (tj. 1, 2, 3).
Część 2 nastąpiła bezpośrednio po tym i opisała tę samą winietę od tego samego pacjenta z dodatkowymi informacjami z hipotetycznego algorytmu predykcyjnego ML (tj.
A, B, C).
Kolejność winiet w każdym badaniu została losowana pod względem strategii prezentacji przewidywań ryzyka prania pieniędzy, tak że istniało 6 wersji badania, do których przydzielano losowo każdego uczestnika.
|
|
1B 2C 3A
1. Średniozaawansowany; 1.B.
Absolutny; 2. Biedny; 2.C.
Obydwa; 3. Dobry; 3.A.
Zależne od odniesienia
|
Badanie składało się z internetowego eksperymentu czynnikowego 3 × 3, w którym wykorzystano narzędzie ankietowe hostowane za pośrednictwem Qualtrics, przedstawiającego opis trzech winiet pacjentów.
Winiety trzech pacjentów różniły się pod względem różnych cech klinicznych, w tym wieku, płci, stanu sprawności, historii palenia, stopnia zaawansowania choroby, objawów i stanu molekularnego.
U każdego pacjenta występował zaawansowany niedrobnokomórkowy rak płuc (aNSCLC).
Każda winieta składała się z dwóch części: Część 1 opisywała historię przypadku jednego z trzech pacjentów, po czym oceniano szacunki prognostyczne i podejmowanie decyzji medycznych (tj. 1, 2, 3).
Część 2 nastąpiła bezpośrednio po tym i opisała tę samą winietę od tego samego pacjenta z dodatkowymi informacjami z hipotetycznego algorytmu predykcyjnego ML (tj.
A, B, C).
Kolejność winiet w każdym badaniu została losowana pod względem strategii prezentacji przewidywań ryzyka prania pieniędzy, tak że istniało 6 wersji badania, do których przydzielano losowo każdego uczestnika.
|
|
1C 2A 3B
1. Średniozaawansowany; 1.C.
Obydwa; 2. Biedny; 2.A. Zależne od odniesienia; 3. Dobry; 3.B.
Absolutny
|
Badanie składało się z internetowego eksperymentu czynnikowego 3 × 3, w którym wykorzystano narzędzie ankietowe hostowane za pośrednictwem Qualtrics, przedstawiającego opis trzech winiet pacjentów.
Winiety trzech pacjentów różniły się pod względem różnych cech klinicznych, w tym wieku, płci, stanu sprawności, historii palenia, stopnia zaawansowania choroby, objawów i stanu molekularnego.
U każdego pacjenta występował zaawansowany niedrobnokomórkowy rak płuc (aNSCLC).
Każda winieta składała się z dwóch części: Część 1 opisywała historię przypadku jednego z trzech pacjentów, po czym oceniano szacunki prognostyczne i podejmowanie decyzji medycznych (tj. 1, 2, 3).
Część 2 nastąpiła bezpośrednio po tym i opisała tę samą winietę od tego samego pacjenta z dodatkowymi informacjami z hipotetycznego algorytmu predykcyjnego ML (tj.
A, B, C).
Kolejność winiet w każdym badaniu została losowana pod względem strategii prezentacji przewidywań ryzyka prania pieniędzy, tak że istniało 6 wersji badania, do których przydzielano losowo każdego uczestnika.
|
|
1C 2B 3A
1. Średniozaawansowany; 1.C.
Obydwa; 2. Biedny; 2.B.
Absolutny; 3. Dobry; 3.A.
Zależne od odniesienia
|
Badanie składało się z internetowego eksperymentu czynnikowego 3 × 3, w którym wykorzystano narzędzie ankietowe hostowane za pośrednictwem Qualtrics, przedstawiającego opis trzech winiet pacjentów.
Winiety trzech pacjentów różniły się pod względem różnych cech klinicznych, w tym wieku, płci, stanu sprawności, historii palenia, stopnia zaawansowania choroby, objawów i stanu molekularnego.
U każdego pacjenta występował zaawansowany niedrobnokomórkowy rak płuc (aNSCLC).
Każda winieta składała się z dwóch części: Część 1 opisywała historię przypadku jednego z trzech pacjentów, po czym oceniano szacunki prognostyczne i podejmowanie decyzji medycznych (tj. 1, 2, 3).
Część 2 nastąpiła bezpośrednio po tym i opisała tę samą winietę od tego samego pacjenta z dodatkowymi informacjami z hipotetycznego algorytmu predykcyjnego ML (tj.
A, B, C).
Kolejność winiet w każdym badaniu została losowana pod względem strategii prezentacji przewidywań ryzyka prania pieniędzy, tak że istniało 6 wersji badania, do których przydzielano losowo każdego uczestnika.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność prognostyczna oceniana na podstawie ankiety
Ramy czasowe: Do 3 miesięcy
|
Szacunki prognostyczne mierzono przy użyciu dwóch pozycji podanych po częściach 1 i 2 każdej z 3 winiet:
Dokładne prognozy zdefiniowano na podstawie tego, czy podana szacunkowa oczekiwana długość życia mieściła się w granicach 33% oszacowania LCPI, zmodyfikowanego po grupach fokusowych. Uczestnicy odpowiadali na pierwsze pytanie w miesiącach, a na drugie pytanie procentowo w przedziale 0–100%. |
Do 3 miesięcy
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Decyzje dotyczące planowania opieki z wyprzedzeniem oceniane na podstawie ankiety
Ramy czasowe: Do 3 miesięcy
|
Podejmowanie decyzji przez AKP oceniano za pomocą następującego punktu podawanego po częściach 1 i 2 każdej z 3 winiet: 1) Czy na tym etapie przebiegu choroby przeprowadziłbyś dyskusję na temat planowania opieki z wyprzedzeniem? Każde pytanie miało formę odpowiedzi „tak/nie”, a po nim znajdowało się pole z możliwością dowolnej odpowiedzi z pytaniem: „Proszę podać powód tej decyzji”. |
Do 3 miesięcy
|
|
Skierowanie do opieki paliatywnej na podstawie ankiety
Ramy czasowe: Do 3 miesięcy
|
Skierowanie do opieki paliatywnej oceniano za pomocą następującego punktu podawanego po Części 1 i 2 każdej z 3 winiet: 1) Czy na tym etapie choroby skierowałbyś go do specjalisty opieki paliatywnej? Każde pytanie miało formę odpowiedzi „tak/nie”, a po nim znajdowało się pole z możliwością dowolnej odpowiedzi z pytaniem: „Proszę podać powód tej decyzji”. |
Do 3 miesięcy
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
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)
13 marca 2023
Zakończenie podstawowe (Rzeczywisty)
31 lipca 2023
Ukończenie studiów (Rzeczywisty)
31 grudnia 2023
Daty rejestracji na studia
Pierwszy przesłany
30 kwietnia 2024
Pierwszy przesłany, który spełnia kryteria kontroli jakości
12 czerwca 2024
Pierwszy wysłany (Rzeczywisty)
18 czerwca 2024
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Szacowany)
21 listopada 2024
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
20 listopada 2024
Ostatnia weryfikacja
1 listopada 2024
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- UPCC 10524
- 850382 (Inny identyfikator: Penn IRB)
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIE
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 .