Previsão de Acompanhamento de Trauma (Projeto 2: Objetivo 2)
Usando métodos de adaptação de dados para otimizar o acompanhamento de pacientes feridos após a alta hospitalar em Camarões (objetivo 2)
Aproximadamente 9% das mortes no mundo, mais de 5 milhões de mortes anualmente, são devidas a lesões. Em países de alta renda, onde a epidemiologia e os resultados das lesões traumáticas são bem caracterizados, o trauma afeta principalmente membros jovens e produtivos da população e está associado a incapacidade significativa a longo prazo. Em países da África Subsaariana (SSA), como Camarões, as pessoas feridas enfrentam vários obstáculos para o tratamento de traumas, incluindo cuidados de acompanhamento potencialmente salvadores após a alta hospitalar. A pesquisa baseada na comunidade dos Investigadores com 8.065 pacientes no sudoeste de Camarões constatou que 34,6% dos entrevistados feridos não procuraram atendimento formal imediato após a lesão e outros 9,9% apenas procuraram atendimento formal após meios alternativos, como consulta com praticantes de medicina tradicional.
Em Camarões, para 65,4% das pessoas feridas que buscam atendimento formal após a lesão,5 os itinerários terapêuticos podem ser complexos, muitas vezes envolvendo encaminhamentos mal apoiados para outras instalações ou transições para longe do atendimento formal. Como resultado, os sistemas formais de atendimento falham em reter pacientes com trauma para acompanhamento, uma oportunidade perdida, pois esses pacientes já superaram desafios financeiros e pessoais significativos para buscar atendimento inicial para suas lesões. Conseqüentemente, pacientes com trauma que receberam alta e que podem se beneficiar de cuidados de acompanhamento geralmente atrasam o atendimento até que complicações avançadas se desenvolvam.
O objetivo deste estudo é avaliar uma ferramenta de triagem baseada em telefone otimizada para aprendizado de máquina que prevê quais pacientes com trauma têm maior probabilidade de se beneficiar do atendimento de acompanhamento. Um estudo randomizado controlado por cluster será realizado em 10 hospitais em Camarões, envolvendo 852 pacientes com trauma. O grupo de controle deve usar a ferramenta de triagem padrão mHealth existente, enquanto a intervenção deve usar a versão otimizada da ferramenta de triagem mHealth (intervenção) usando a abordagem de aprendizado de máquina. Os pacientes devem ser acompanhados por um período de 6 meses para determinar a proporção de pacientes pós-trauma que precisam de cuidados de acompanhamento por telefone celular.
Visão geral do estudo
Status
Condições
Descrição detalhada
A convergência tecnológica de mHealth e aprendizado de máquina oferece uma oportunidade sem precedentes para transformar o tratamento de lesões na SSA, principalmente para populações desfavorecidas. A ubiquidade dos telemóveis e o advento da mHealth oferecem uma nova oportunidade para melhorar o tratamento de lesões na SSA. Dados os altos níveis de penetração de telefones celulares em Camarões (85% a 95%) e em outros lugares da ASS, os pesquisadores projetaram e testaram uma ferramenta de triagem de 7 itens baseada em mHealth para pacientes com trauma para prever a necessidade de acompanhamento pessoal. cuidados após a alta. Se eficaz, essa abordagem poderia identificar com eficiência o subconjunto de pacientes com maior probabilidade de se beneficiar do tratamento de acompanhamento, que é mais viável, escalável e econômico do que o aconselhamento geral para cuidados pós-alta. Os investigadores descobriram que o acompanhamento por telefone é viável e aceitável e um estudo de validação revelou uma boa correlação da ferramenta de triagem com um exame pessoal independente.
Os investigadores se basearão em suas pesquisas anteriores e usarão a ciência de dados para melhorar, implementar e avaliar a ferramenta de triagem mHealth, com o objetivo final de reduzir a carga incapacitante de lesões. Isso será alcançado aproveitando o aprendizado de máquina, que demonstrou ser promissor na otimização de sistemas de atendimento e trauma de trauma. A nova combinação de mHealth e aprendizado de máquina oferece uma oportunidade poderosa para transformar o acesso aos cuidados de saúde para aqueles com menor probabilidade de recebê-lo. Com base no conhecimento existente, os investigadores levantam a hipótese de que uma abordagem de aprendizado de máquina adaptável a dados para a previsão de resultados poderia melhorar radicalmente a sobrevida e reduzir a morbidade após lesões na SSA.
Os investigadores aplicarão uma abordagem de aprendizado de máquina para otimizar de forma adaptativa a ferramenta de triagem mHealth, melhorando o tempo de chamada telefônica e o algoritmo que prevê a necessidade de cuidados de acompanhamento por meio de um estudo controlado randomizado por cluster. Isso será alcançado usando o SuperLearner para previsão e estimativa de probabilidade máxima direcionada com validação cruzada (CV-TMLE) para importância variável, usando o registro de trauma, tentativa de contato e dados de pesquisa de triagem coletados no Objetivo 1. O objetivo geral é melhorar a previsão da ferramenta mHealth de pacientes vulneráveis que necessitam de cuidados de acompanhamento após a alta. Este estudo será realizado durante um período de 18 meses; inscrição em 6 meses e participantes de acompanhamento por 12 meses. Os investigadores avaliarão o impacto da abordagem otimizada em um estudo randomizado em 10 hospitais com 852 pacientes com lesões com o desfecho primário da escala de resultados estendida de Glasgow (GOSE)24,25 em 3 meses.
Tipo de estudo
Inscrição (Antecipado)
Estágio
- Não aplicável
Contactos e Locais
Contato de estudo
- Nome: Alain Chichom-Mefire, MD
- Número de telefone: +237677530532
- E-mail: chichom.mefire@ubuea.cm
Estude backup de contato
- Nome: Fanny JN Dissak-Delon, MD, PhD
- Número de telefone: +237697582185
- E-mail: fannynadia@gmail.com
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Descrição
Critério de inclusão:
Registro de Trauma (CTR): Os pacientes que satisfizerem os seguintes critérios de inclusão serão incluídos no registro:
- Pacientes com lesão traumática aguda, ou seja, dentro de 2 semanas após a apresentação para atendimento.
- Pacientes com trauma que são admitidos formalmente no hospital como pacientes internados.
- Pacientes traumatizados que falecem na chegada ao Pronto Socorro ou durante a internação.
- Pacientes traumatizados que são transferidos para outras unidades de saúde.
- Pacientes traumatizados com indicação de internação hospitalar (com base na avaliação dos médicos), mas dispensados contra orientação médica
- Pacientes traumatizados mantidos em observação no Serviço de Emergência por mais de 24 horas
Elegibilidade da ferramenta de triagem mHealth padrão: A ferramenta de triagem mHealth será administrada ao subconjunto de pacientes incluídos no registro de trauma que são admitidos e recebem alta após o tratamento.
Versão otimizada da ferramenta de triagem mHealth (intervenção) Elegibilidade: A versão otimizada da ferramenta de triagem mHealth será administrada ao subconjunto de pacientes incluídos no registro de trauma que são admitidos e recebem alta após o tratamento.
Critério de exclusão:
- Critérios de exclusão do registro de trauma: Os pacientes não serão excluídos com base em idade, sexo, raça ou nacionalidade. Se os pacientes ou seu responsável pelas decisões não derem consentimento para a participação, esses pacientes serão excluídos.
De acordo com a definição de lesão da Organização Mundial da Saúde (OMS), o seguinte será excluído da definição de "lesão": "Considerando que a definição de lesão acima inclui afogamento (falta de oxigênio), hipotermia (falta de calor), estrangulamento ( falta de oxigênio), doença de descompressão ou "the bends" (excesso de compostos de nitrogênio) e envenenamentos (por substâncias tóxicas), NÃO inclui condições que resultam de estresse contínuo, como síndrome do túnel do carpo, dor crônica nas costas e envenenamento devido a infecções . Transtornos mentais e deficiência crônica, embora possam ser consequências eventuais de lesões físicas, também são excluídos pela definição acima." Embora incluídos na definição da OMS, os envenenamentos serão excluídos do CTR, pois foram eventos extremamente raros no CTR até o momento e normalmente não são incluídos nos registros de trauma na maioria dos outros contextos.
Serão excluídos os pacientes que não forem admitidos formalmente e receberem alta em até 24 horas da Enfermaria de Emergência.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Prevenção
- Alocação: Randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Solteiro
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Sem intervenção: Ferramenta padrão de triagem mHealth
Esta é uma ferramenta padrão de triagem por telefone testada que determina a necessidade de acompanhamento pessoal após a alta do paciente.
Pacientes com trauma consentido serão contatados por telefone celular em 0,5, 1, 3 e 6 meses após a alta por um assistente de pesquisa para concluir a triagem que orientará se o paciente deve ou não procurar atendimento de acompanhamento com base no número de sinalizados respostas a ≥1 pergunta na pesquisa de triagem de 7 itens.
|
|
|
Experimental: Versão otimizada da ferramenta de triagem mHealth (intervenção) usando a abordagem de aprendizado de máquina
Este braço receberá uma melhoria na ferramenta de triagem mHealth usando uma abordagem de aprendizado de máquina.
Os pacientes serão chamados usando a ferramenta otimizada nos pontos de tempo de resultado (3 meses, 6 meses e 12 meses).
Em cada chamada, os assistentes de pesquisa preencherão a pesquisa GOSE e a ferramenta de triagem mHealth, inserindo os resultados da chamada e as respostas do paciente diretamente no sistema mHealth.
Se for indicado tratamento de acompanhamento, o assistente de pesquisa compartilhará essas informações com o paciente e se oferecerá para agendar uma consulta.
|
Uma melhoria na ferramenta de triagem mHealth usando uma abordagem de aprendizado de máquina, otimizando a eficiência do agendamento de chamadas e a previsão de quais pacientes têm maior probabilidade de se beneficiar de cuidados de acompanhamento dados coletados no hospital por meio do Registro de Trauma de Camarões, bem como tentativas de contato telefônico pós-alta e informações de pesquisa.
A espinha dorsal dos estimadores é o algoritmo de aprendizado de máquina conjunto, o Superlearner, que foi aplicado a contextos médicos, incluindo lesões e traumas.
É um método teórico baseado na validação cruzada, que combina potencialmente muitos alunos diferentes (por exemplo, regressão padrão, regressão em árvore, floresta aleatória, redes neurais) de modo que o modelo escolhido (uma média ponderada dos alunos) seja assintoticamente equivalente para o chamado "Oracle" - o aluno que se encaixa de forma ideal para a distribuição de geração de dados.
Observe que as versões CV-TMLE duplamente robustas deste estimador estão disponíveis como a função tmle3mopttx em tlverse.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Avalie a pontuação da escala estendida de resultados de Glasgow (GOSE)
Prazo: Aos 3 meses
|
Este resultado medirá a recuperação após lesão traumática e varia de 1 (morte), 2 (estado vegetativo) a 8 (boa recuperação superior).
|
Aos 3 meses
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Pontuação GOSE
Prazo: Aos 6 e 12 meses
|
Este resultado medirá a recuperação após lesão traumática e varia de 1 (morte), 2 (estado vegetativo) a 8 (boa recuperação superior).
|
Aos 6 e 12 meses
|
|
Proporção alcançada por telefones móveis
Prazo: Aos 0,5, 1, 3 e 6 meses
|
Número e proporção de pacientes traumatizados hospitalizados que são contatados por telefone celular após a alta em ambos os braços
|
Aos 0,5, 1, 3 e 6 meses
|
|
Proporção que necessita de acompanhamento
Prazo: Aos 0,5, 1, 3 e 6 meses
|
Número e proporção de pacientes traumatizados hospitalizados que são contatados por telefone celular após a alta e que são identificados pela ferramenta de triagem como necessitando de cuidados de acompanhamento.
|
Aos 0,5, 1, 3 e 6 meses
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Alain Chichom-Mefire, MD, University of Buea
- Investigador principal: Catherine Juillard, MD, MPH, University of California, Los Angeles
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Antecipado)
Conclusão Primária (Antecipado)
Conclusão do estudo (Antecipado)
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
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- GRANT13254336 - Aim 2
- U54TW012087 (Concessão/Contrato do NIH dos EUA)
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano 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 .