- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT06810076
Opracowywanie i ocena narzędzia do przedawkowania opioidów uczenia maszynowego (DEMONSTRATE)
Opracowywanie i ocena prognozowania opioidów uczenia maszynowego i rozstrzygania ryzyka e-platform (demonstracja)
Przegląd badań
Status
Warunki
Szczegółowy opis
To badanie kliniczne ocenia pilotażowe wdrożenie narzędzia CDS opartych na ML, zaprojektowane w celu przewidywania ryzyka przedawkowania opioidów w systemie elektronicznego dokumentacji zdrowia (EHR) w dziewięciu klinikach medycyny wewnętrznej i medycyny rodzinnej UF w Gainesville na Florydzie.
Proces wdrażania obejmował opracowanie backend i frontend i integrację narzędzia CDS. W celu integracji backendów badacze dokonali przeglądu klinicznych przepływów pracy, zaprojektowali plan przepływu danych w celu uwzględnienia wyników ryzyka do wykresów pacjentów i współpracowały z UF Health IT i zintegrowanym repozytorium badawczym (IDR) w celu rozwiązania wdrożenia ostrzegania, przepływu danych, specyfikacji serwera i obowiązki. Oceny ryzyka zatwierdzone przez UF Health IT i Institutional Review Board (IRB) zapewniły bezpieczny dostęp do informacji o zdrowiu pacjenta (PHI) i umożliwiły integrację EHR. W celu opracowywania frontendów badacze wykorzystali podejście projektowe skoncentrowane na użytkowniku do tworzenia prototypu narzędzia CDS, zawierając informacje zwrotne z PCPS podczas wywiadów formatywnych w celu udoskonalenia interfejsu użytkownika i zapewnienia terminowych, możliwych do działania w systemie EPIC bez zakłócania klinicznych przepływów pracy.
Badanie ma na celu przede wszystkim ocenę użyteczności, akceptacji i wykonalności narzędzia CDS sześć miesięcy po wdrożeniu poprzez oceny mieszanego metody. Naukowcy będą korzystać z częściowo ustrukturyzowanych wywiadów i kwestionariusz internetowy, aby zbierać informacje zwrotne z PCP, koncentrując się na użyteczności, preferencjach i wynikach. Analizy ilościowe ocenią ostrzeżenie penetracji, wzorców użytkowania i działań PCP, podczas gdy analizy jakościowe zbadają tematy i spostrzeżenia z zastępowania komentarzy, aby poprowadzić optymalizację narzędzi. Naukowcy będą również zbadać wtórne wyniki na poziomie pacjenta przy użyciu danych EHR, takich jak recepty na nalokson.
Typ studiów
Zapisy (Rzeczywisty)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Florida
-
Gainesville, Florida, Stany Zjednoczone, 32608
- University of Florida Health Internal Medicine and Family Medicine
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Opis
Kryteria włączenia:
Do oceny wyników na poziomie PCP
- PCPS
- Ćwiczenie w dowolnej z 9 uczestniczących klinik (6 klinik medycyny rodzinnej UF Health i 3 UF Health Wewnętrzna medycyna) w Gainesville na Florydzie.
W przypadku oceny wyników na poziomie pacjenta:
Kryteria włączenia: pacjenci, którzy widzieli w jednym z 9 uczestniczących klinik zdrowotnych UF, którzy
- są w wieku ≥18 lat
- Otrzymali każdą receptę opioidową w ostatnim roku przed wizytą w klinice.
- są identyfikowane jako podwyższone ryzyko przedawkowania przez algorytm ML. Kryteria wykluczenia: pacjenci, którzy
- miał złośliwą diagnozę raka lub opiekę hospicyjną przed zapisaniem się na studia
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Badania usług zdrowotnych
- Przydział: Nie dotyczy
- Model interwencyjny: Zadanie dla jednej grupy
- Maskowanie: Brak (otwarta etykieta)
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Eksperymentalny: Ramię interwencyjne ostrzegania o przedawkowaniu (OPA)
Ramię interwencyjne otrzyma narzędzie ML CDS, które zapewnia powiadomienia przerwające dla pacjentów z podwyższonym ryzykiem przedawkowania opioidów, uruchomione, gdy klinicysta podpisuje zamówienie opioidowe.
|
W tym badaniu naukowcy będą pilotować przechodzącego przerywające narzędzie CDS dla ryzyka przedawkowania opioidów w trzynastu klinikach podstawowej opieki zdrowotnej w UF Health w Gainesville, Floryda.
Gdy pacjent jest zidentyfikowany przez algorytm ML jako posiadający podwyższone ryzyko przedawkowania, a PCP podpisuje receptę opioidową dla pacjenta, zostanie uruchomiony alarm zapobiegania opioidom (OPA).
Ustąpienie będzie obejmować uzasadnienie podwyższonego statusu ryzyka pacjenta i zapewni trzy zalecenia dotyczące łagodzenia ryzyka: optymalizacja leczenia bólu i wsparcie zdrowia psychicznego, przegląd i omawianie ryzyka z pacjentem oraz oferowanie naloksonu rocznie, jeśli nie można znaleźć wcześniejszego nakazu naloksonu w zapisie pacjenta.
PCP mogą również wybrać powód zastąpienia, taki jak pacjent ma już nalokson, odmówił interwencji, nie jest obecny/nie jest to właściwy czas, w przeciwnym razie ostrzeżenie nie jest istotne/inne komentarze, w stosownych przypadkach.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Złożone wyniki poziomu pacjenta związane z opioidami
Ramy czasowe: Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu OPA
|
Narzędzie CDS wygeneruje ostrzeżenie o zapobieganiu przedawkowaniu (OPA), gdy PCP podpisuje kolejność opioidów w EPIC®. Aby ocenić skuteczność narzędzia, naukowcy przeprowadzą porównania wewnątrzkliniczne (przed implementacją) i zbadać złożony wyników na poziomie pacjenta po wdrożeniu, w tym odsetek pacjentów posiadających którekolwiek z następujących 6 wyników:
|
Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu OPA
|
|
Używanie informacji zwrotnej PCP na temat alertu zapobiegania przedawkowaniu (OPA)
Ramy czasowe: Od rejestracji i do 7 miesięcy po wdrożeniu OPA
|
Kwestionariusz online dla PCPS, który wchodzi w interakcję z OPA, obejmuje 12 elementów w skali Likerta (skala 4-punktowa: 1 = zdecydowanie nie zgadzam się z 4 = zdecydowanie się zgadzam) ocena akceptowalności, odpowiedniości OPA:
Średnie wyniki (z odchyleniami standardowymi [SD]) zostaną obliczone na wszystkich pozycjach, a także indywidualne średnie wyniki (SD). |
Od rejestracji i do 7 miesięcy po wdrożeniu OPA
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Otrzymanie zamówienia naloksonu lub wypełnienia na receptę
Ramy czasowe: Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu alertu zapobiegania przedawkowaniu (OPA)
|
Odsetek pacjentów otrzymujących ostrzeżenie, którzy mają porządek naloksonu lub wypełnienie na receptę
|
Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu alertu zapobiegania przedawkowaniu (OPA)
|
|
Brak diagnozowania przedawkowania opioidów i podawania naloksonu
Ramy czasowe: Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
Odsetek pacjentów otrzymujących ostrzeżenie, którzy nie mają diagnozy przedawkowania opioidów i podawania naloksonu
|
Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
|
Brak wizyt ED lub hospitalizacji z powodu przedawkowania opioidów lub Oud
Ramy czasowe: Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
Odsetek pacjentów otrzymujących czujność, którzy nie mają wizyt ED lub hospitalizacji z powodu przedawkowania opioidów lub zaburzenia używania opioidów (Oud)
|
Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
|
Brak nakładającego się stosowania opioidów i benzodiazepiny
Ramy czasowe: Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
Odsetek pacjentów otrzymujących czujność, którzy nie mają nakładającego się stosowania opioidów i benzodiazepiny
|
Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
|
Brak stosowania opioidów o dużej dawce (średni dziennik Morphine Milligram równoważny ≥50)
Ramy czasowe: Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
Odsetek pacjentów otrzymujących ostrzeżenie, którzy nie mają wysokich dawek stosowania opioidów (średni dziennik Morphine Milligram równoważny ≥50).
|
Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
|
Otrzymanie skierowań do leczenia bólu niefarmakologicznego (np. Fizjoterapia, opieka chiropraktyki
Ramy czasowe: Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
Odsetek pacjentów otrzymujących czujność, którzy mają skierowanie do niefarmakologicznego leczenia bólu (np. Fizjoterapia, opieka chiropraktyki).
|
Od rejestracji i do 12 miesięcy (3, 6, 12 miesięcy) po wdrożeniu
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Wei-Hsuan Lo-Ciganic, PhD, Division of General Internal Medicine, School of Medicine, University of Pittsburgh, Pittsburgh, PA
Publikacje i pomocne linki
Publikacje ogólne
- Lo-Ciganic WH, Huang JL, Zhang HH, Weiss JC, Kwoh CK, Donohue JM, Gordon AJ, Cochran G, Malone DC, Kuza CC, Gellad WF. Using machine learning to predict risk of incident opioid use disorder among fee-for-service Medicare beneficiaries: A prognostic study. PLoS One. 2020 Jul 17;15(7):e0235981. doi: 10.1371/journal.pone.0235981. eCollection 2020.
- Lo-Ciganic WH, Donohue JM, Yang Q, Huang JL, Chang CY, Weiss JC, Guo J, Zhang HH, Cochran G, Gordon AJ, Malone DC, Kwoh CK, Wilson DL, Kuza CC, Gellad WF. Developing and validating a machine-learning algorithm to predict opioid overdose in Medicaid beneficiaries in two US states: a prognostic modelling study. Lancet Digit Health. 2022 Jun;4(6):e455-e465. doi: 10.1016/S2589-7500(22)00062-0.
- Nguyen K, Wilson DL, Diiulio J, Hall B, Militello L, Gellad WF, Harle CA, Lewis M, Schmidt S, Rosenberg EI, Nelson D, He X, Wu Y, Bian J, Staras SAS, Gordon AJ, Cochran J, Kuza C, Yang S, Lo-Ciganic W. Design and development of a machine-learning-driven opioid overdose risk prediction tool integrated in electronic health records in primary care settings. Bioelectron Med. 2024 Oct 18;10(1):24. doi: 10.1186/s42234-024-00156-3.
- Militello LG, Diiulio J, Wilson DL, Nguyen KA, Harle CA, Gellad W, Lo-Ciganic WH. Using human factors methods to mitigate bias in artificial intelligence-based clinical decision support. J Am Med Inform Assoc. 2025 Feb 1;32(2):398-403. doi: 10.1093/jamia/ocae291.
- Lo-Ciganic WH, Huang JL, Zhang HH, Weiss JC, Wu Y, Kwoh CK, Donohue JM, Cochran G, Gordon AJ, Malone DC, Kuza CC, Gellad WF. Evaluation of Machine-Learning Algorithms for Predicting Opioid Overdose Risk Among Medicare Beneficiaries With Opioid Prescriptions. JAMA Netw Open. 2019 Mar 1;2(3):e190968. doi: 10.1001/jamanetworkopen.2019.0968.
- Hong JJ,Wilson DL,Nguyen K,Gellad WF,Diiulio J,Militello L,Yan S,Harle CA,Nelson D,Rosenberg EI,Schmidt S,Chang CH,Cochran G,Wu Y,Staras SAS,Kuza C,Lo-Ciganic WH
Przydatne linki
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
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
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- STUDY24040038
- R01DA050676 (Grant/umowa NIH USA)
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
produkt wyprodukowany i wyeksportowany z USA
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 .
Badania kliniczne na Zaburzenia psychiczne
-
Yonsei UniversityZakończonyPielęgniarki, które pracują w Community Mental Health Welfare CenterRepublika Korei