- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT04689711
Modelos prognósticos para atendimento ao COVID-19
Modelos Prognósticos Generalizáveis para Decisões Centradas no Paciente em COVID-19
Aproximadamente 20% dos pacientes hospitalizados com COVID-19 requerem cuidados intensivos e possivelmente ventilação mecânica invasiva (VM). As preferências dos pacientes com COVID-19 para VM podem ser diferentes, porque a intubação para esses pacientes geralmente é prolongada (por várias semanas), é administrada em ambientes caracterizados pelo isolamento social e está associada a taxas médias de mortalidade muito altas. Apoiar pacientes que enfrentam essa decisão requer fornecer uma previsão precisa de seus resultados prováveis com base em suas características individuais.
Assim, os investigadores pretendem:
Desenvolva 3 CPMs em cada um dos 2 sistemas hospitalares (ou seja, 6 modelos distintos) para prever:
i) a necessidade de VM em pacientes internados com COVID-19; ii) mortalidade em pacientes sob VM; iii) tempo de permanência na UTI.
Avalie a transportabilidade geográfica e temporal desses modelos e examine as abordagens de atualização.
- Para avaliar a transportabilidade geográfica, os investigadores aplicarão a estrutura de avaliação e atualização desenvolvida (na concessão principal do PCORI) para avaliar a validade e generalização do CPM nos diferentes conjuntos de dados.
- Para avaliar a transportabilidade temporal, os investigadores examinarão o efeito principal do tempo do calendário e também examinarão o tempo do calendário como um modificador de efeito.
- Envolva as partes interessadas para facilitar o melhor uso desses CPMs no atendimento de pacientes com COVID-19.
Visão geral do estudo
Status
Condições
Descrição detalhada
Houve uma proliferação de modelos de previsão clínica (CPMs) de COVID-19 relatados na literatura em todos os sistemas de saúde, mas a validade e potencial generalização desses modelos para outras configurações é desconhecida. Geralmente, a maioria dos hospitais (e sistemas) não tem um número suficiente de casos (e resultados) para desenvolver modelos adequados à sua população local, e as variáveis preditoras não são obtidas de maneira uniforme e confiável nos sistemas. Portanto, reunir e harmonizar recursos de dados e avaliar a capacidade de generalização em diferentes locais é urgentemente necessário para criar ferramentas que possam ajudar a apoiar a tomada de decisões em vários contextos. Além disso, como as melhores práticas estão evoluindo rapidamente ao longo do tempo (por exemplo, pronação, minimização de paralíticos, volumes de proteção pulmonar, remdesivir, dexametasona ou outros tratamentos), atualizar e recalibrar esses CPMs é de importância crucial.
No atual projeto de Métodos PCORI, os pesquisadores desenvolveram uma avaliação de CPM e uma estrutura de atualização incluindo medidas de desempenho convencionais e novas. Os investigadores usarão essa estrutura para avaliar modelos prognósticos de COVID-19 na maior coorte de pacientes com COVID-19 examinados até o momento, abrangendo 2 conjuntos de dados de configurações muito diferentes. Como a pandemia de COVID-19 afeta diferentes regiões, com ondas subsequentes esperadas, é necessário identificar as ferramentas de prognóstico mais precisas, robustas e generalizáveis para orientar a tomada de decisões centradas no paciente em diversas populações e contextos.
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
Massachusetts
-
Boston, Massachusetts, Estados Unidos, 02111
- Tufts Medical Center
-
-
New York
-
Manhasset, New York, Estados Unidos, 11030
- Northwell Health (The Feinstein Institutes for Medical Research)
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Sobrevivente de paciente com COVID-19
- Familiar/cuidador de paciente internado por COVID-19
- Médico com experiência em cuidar de pacientes com COVID-19
- Outro provedor (cuidados pastorais, enfermagem, terapia respiratória) com experiência em cuidar de pacientes com COVID-19
Critério de exclusão:
- Não é proficiente em ler ou falar inglês
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Mudanças na discriminação do modelo (Modelo 1: necessidade de VM em pacientes hospitalizados com COVID-19)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Resultado: Mudanças na área sob a curva característica de operação do receptor (AUC) [delta AUC] para modelos que preveem a probabilidade de: a necessidade de VM em pacientes hospitalizados com COVID-19.
|
30 dias a partir da internação
|
Mudanças na discriminação do modelo (Modelo 2: mortalidade em pacientes recebendo VM)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Resultado: Mudanças na área sob a curva característica de operação do receptor (AUC) [delta AUC] para modelos que preveem a probabilidade de: mortalidade em pacientes recebendo VM.
|
30 dias a partir da internação
|
Mudanças na discriminação do modelo (Modelo 3: tempo de permanência na UTI)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Resultado: Mudanças na área sob a curva característica de operação do receptor (AUC) [delta AUC] para modelos que preveem a probabilidade de: tempo de permanência na UTI.
|
30 dias a partir da internação
|
Alterações na calibração do modelo (Modelo 1: necessidade de VM em pacientes internados com COVID-19)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Resultado-Mudanças no E de Harrell para modelos que preveem a probabilidade de: a necessidade de VM em pacientes hospitalizados com COVID-19.
|
30 dias a partir da internação
|
Mudanças na calibração do modelo (Modelo 2: mortalidade em pacientes recebendo VM)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Mudanças no resultado do E de Harrell para modelos que preveem a probabilidade de: mortalidade em pacientes recebendo VM.
|
30 dias a partir da internação
|
Alterações na calibração do modelo (Modelo 3: tempo de permanência na UTI)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Resultado-Mudanças no E de Harrell para modelos que preveem a probabilidade de: duração da permanência na UTI.
|
30 dias a partir da internação
|
Mudanças no benefício líquido (Modelo 1: necessidade de VM em pacientes hospitalizados com COVID-19)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Resultado-Mudanças no benefício líquido para modelos que preveem a probabilidade de: a necessidade de VM em pacientes hospitalizados com COVID-19.
|
30 dias a partir da internação
|
Mudanças no benefício líquido (Modelo 2: mortalidade em pacientes recebendo VM)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Resultado-Mudanças no benefício líquido para modelos que preveem a probabilidade de: mortalidade em pacientes recebendo VM.
|
30 dias a partir da internação
|
Mudanças no benefício líquido (Modelo 3: tempo de permanência na UTI)
Prazo: 30 dias a partir da internação
|
Objetivo 1 Resultado-Mudanças no benefício líquido para modelos que preveem a probabilidade de: duração da permanência na UTI.
|
30 dias a partir da internação
|
Alterações na discriminação de modelos em banco de dados externo após atualização (Modelo 1: necessidade de VM em pacientes internados com COVID-19)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Mudanças de resultado na área sob a curva característica de operação do receptor (AUC) [delta AUC] para modelos que preveem a probabilidade de: a necessidade de VM em pacientes hospitalizados com COVID-19.
|
30 dias a partir da internação
|
Mudanças na discriminação do modelo no banco de dados externo após atualização (Modelo 2: mortalidade em pacientes recebendo VM)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Mudanças no resultado da área sob a curva característica de operação do receptor (AUC) [delta AUC] para modelos que preveem a probabilidade de: mortalidade em pacientes recebendo VM.
|
30 dias a partir da internação
|
Alterações na discriminação do modelo em banco de dados externo após atualização (Modelo 3: tempo de permanência na UTI)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Resultado-Mudanças na área sob a curva característica de operação do receptor (AUC) [delta AUC] para modelos que preveem a probabilidade de: tempo de permanência na UTI.
|
30 dias a partir da internação
|
Alterações na calibração do modelo em banco de dados externo após atualização (Modelo 1: necessidade de VM em pacientes internados com COVID-19)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Mudanças no resultado do E de Harrell para modelos que preveem a probabilidade de: a necessidade de VM em pacientes hospitalizados com COVID-19.
|
30 dias a partir da internação
|
Mudanças na calibração do modelo em banco de dados externo após atualização (Modelo 2: mortalidade em pacientes recebendo VM)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Mudanças no resultado do Harrell's E para modelos que preveem a probabilidade de: mortalidade em pacientes recebendo VM.
|
30 dias a partir da internação
|
Alterações na calibração do modelo em banco de dados externo após atualização (Modelo 3: tempo de permanência na UTI)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Mudanças no resultado do E de Harrell para modelos que preveem a probabilidade de: duração da permanência na UTI.
|
30 dias a partir da internação
|
Alterações no benefício líquido em banco de dados externo após atualização (Modelo 1: necessidade de VM em pacientes internados com COVID-19)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Mudanças no resultado líquido para modelos que preveem a probabilidade de: a necessidade de VM em pacientes hospitalizados com COVID-19.
|
30 dias a partir da internação
|
Mudanças no benefício líquido no banco de dados externo após atualização (Modelo 2: mortalidade em pacientes recebendo VM)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Mudanças no Resultado Líquido para modelos que preveem a probabilidade de: mortalidade em pacientes recebendo VM.
|
30 dias a partir da internação
|
Alterações no benefício líquido em banco de dados externo após atualização (Modelo 3: tempo de internação na UTI)
Prazo: 30 dias a partir da internação
|
Objetivo 2 Resultado-Mudanças no benefício líquido para modelos que preveem a probabilidade de: duração da permanência na UTI.
|
30 dias a partir da internação
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Percepções, crenças e opiniões das partes interessadas sobre os modelos de previsão da COVID
Prazo: 6 meses
|
Objetivo 3 Resultado-O resultado será avaliado com um livro de códigos derivado dedutivamente de nosso guia de entrevista estruturada para identificar temas que surgem nas sessões semiestruturadas.
Por meio de grupos focais realizados por meio de videoconferências síncronas, nos envolveremos com pacientes e provedores clínicos para identificar temas relatados por pacientes e provedores que surgem em como os modelos de previsão clínica podem apoiar a tomada de decisões no cuidado de pacientes com COVID-19.
Os temas serão identificados por meio da análise qualitativa do feedback do paciente e do provedor.
Esperamos obter crenças, opiniões e valores de pacientes e provedores em torno dos aspectos científicos, éticos e pragmáticos do uso desses modelos para apoiar a tomada de decisões.
|
6 meses
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: David M Kent, MD, MS, Tufts Medical Center
Publicações e links úteis
Publicações Gerais
- Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, Xiang J, Wang Y, Song B, Gu X, Guan L, Wei Y, Li H, Wu X, Xu J, Tu S, Zhang Y, Chen H, Cao B. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020 Mar 28;395(10229):1054-1062. doi: 10.1016/S0140-6736(20)30566-3. Epub 2020 Mar 11. Erratum In: Lancet. 2020 Mar 28;395(10229):1038. Lancet. 2020 Mar 28;395(10229):1038.
- Lim WS, van der Eerden MM, Laing R, Boersma WG, Karalus N, Town GI, Lewis SA, Macfarlane JT. Defining community acquired pneumonia severity on presentation to hospital: an international derivation and validation study. Thorax. 2003 May;58(5):377-82. doi: 10.1136/thorax.58.5.377.
- Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, Bonten MMJ, Dahly DL, Damen JAA, Debray TPA, de Jong VMT, De Vos M, Dhiman P, Haller MC, Harhay MO, Henckaerts L, Heus P, Kammer M, Kreuzberger N, Lohmann A, Luijken K, Ma J, Martin GP, McLernon DJ, Andaur Navarro CL, Reitsma JB, Sergeant JC, Shi C, Skoetz N, Smits LJM, Snell KIE, Sperrin M, Spijker R, Steyerberg EW, Takada T, Tzoulaki I, van Kuijk SMJ, van Bussel B, van der Horst ICC, van Royen FS, Verbakel JY, Wallisch C, Wilkinson J, Wolff R, Hooft L, Moons KGM, van Smeden M. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 2020 Apr 7;369:m1328. doi: 10.1136/bmj.m1328. Erratum In: BMJ. 2020 Jun 3;369:m2204.
- Richardson S, Hirsch JS, Narasimhan M, Crawford JM, McGinn T, Davidson KW; the Northwell COVID-19 Research Consortium; Barnaby DP, Becker LB, Chelico JD, Cohen SL, Cookingham J, Coppa K, Diefenbach MA, Dominello AJ, Duer-Hefele J, Falzon L, Gitlin J, Hajizadeh N, Harvin TG, Hirschwerk DA, Kim EJ, Kozel ZM, Marrast LM, Mogavero JN, Osorio GA, Qiu M, Zanos TP. Presenting Characteristics, Comorbidities, and Outcomes Among 5700 Patients Hospitalized With COVID-19 in the New York City Area. JAMA. 2020 May 26;323(20):2052-2059. doi: 10.1001/jama.2020.6775. Erratum In: JAMA. 2020 May 26;323(20):2098.
- Clarification of Mortality Rate and Data in Abstract, Results, and Table 2. JAMA. 2020 May 26;323(20):2098. doi: 10.1001/jama.2020.7681. No abstract available.
- Levy TJ, Richardson S, Coppa K, et al. Development and Validation of a Survival Calculator for Hospitalized Patients with COVID-19. medRxiv. 2020:2020.2004.2022.20075416.
- Tibshirani R. Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society Series B (Methodological). 1996;58(1):267-288.
- Putter H, Fiocco M, Geskus RB. Tutorial in biostatistics: competing risks and multi-state models. Stat Med. 2007 May 20;26(11):2389-430. doi: 10.1002/sim.2712.
- de Wreede LC, Fiocco M, Putter H. The mstate package for estimation and prediction in non- and semi-parametric multi-state and competing risks models. Comput Methods Programs Biomed. 2010 Sep;99(3):261-74. doi: 10.1016/j.cmpb.2010.01.001. Epub 2010 Mar 15.
- van Klaveren D, Steyerberg EW, Gonen M, Vergouwe Y. The calibrated model-based concordance improved assessment of discriminative ability in patient clusters of limited sample size. Diagn Progn Res. 2019 Jun 6;3:11. doi: 10.1186/s41512-019-0055-8. eCollection 2019.
- Jones AE, Trzeciak S, Kline JA. The Sequential Organ Failure Assessment score for predicting outcome in patients with severe sepsis and evidence of hypoperfusion at the time of emergency department presentation. Crit Care Med. 2009 May;37(5):1649-54. doi: 10.1097/CCM.0b013e31819def97.
- Griffith GJ, Morris TT, Tudball MJ, Herbert A, Mancano G, Pike L, Sharp GC, Sterne J, Palmer TM, Davey Smith G, Tilling K, Zuccolo L, Davies NM, Hemani G. Collider bias undermines our understanding of COVID-19 disease risk and severity. Nat Commun. 2020 Nov 12;11(1):5749. doi: 10.1038/s41467-020-19478-2.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (REAL)
Conclusão Primária (REAL)
Conclusão do estudo (REAL)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (REAL)
Atualizações de registro de estudo
Última Atualização Postada (REAL)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- PCORI-ME-1606-35555
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .
Ensaios clínicos em Covid19
-
Anavasi DiagnosticsAinda não está recrutando
-
Ain Shams UniversityRecrutamento
-
Israel Institute for Biological Research (IIBR)Concluído
-
Colgate PalmoliveConcluído
-
Christian von BuchwaldConcluído
-
Luye Pharma Group Ltd.Shandong Boan Biotechnology Co., LtdAtivo, não recrutando
-
University of ZurichLabor Speiz; Swiss Armed Forces; Universitätsspital ZürichInscrevendo-se por convite
-
Alexandria UniversityConcluído