Usando pesquisas para examinar a associação da exposição às previsões de risco de mortalidade por ML com a precisão do prognóstico e a tomada de decisões dos oncologistas médicos
20 de novembro de 2024 atualizado por: Abramson Cancer Center at Penn Medicine
Quase metade dos pacientes com cancro nos EUA receberá cuidados que são inconsistentes com os seus desejos antes da morte.
O planejamento precoce de cuidados avançados (ACP) e os cuidados paliativos melhoram os cuidados e os sintomas concordantes com os objetivos e reduzem a utilização desnecessária.
Uma estratégia promissora para aumentar a ACP e os cuidados paliativos é identificar os pacientes em risco de mortalidade mais cedo no curso da doença, a fim de direcionar esses serviços.
Algoritmos de aprendizado de máquina (ML) têm sido usados em vários setores, incluindo a medicina, para prever com precisão o risco de resultados adversos e direcionar recursos anteriores.
Demonstrou-se que "colaborações homem-máquina" - sistemas que aproveitam tanto o ML quanto a intuição humana - melhoram as previsões e a tomada de decisões, mas não se sabe se as colaborações homem-máquina podem melhorar a precisão do prognóstico e levar a resultados maiores e mais precoces. ACP e cuidados paliativos.
Neste estudo, contatamos uma amostra nacional de médicos oncologistas e os convidamos a preencher uma pesquisa baseada em vinhetas.
Nosso objetivo foi examinar a associação da exposição às previsões de risco de mortalidade por ML com a precisão prognóstica e a tomada de decisões dos médicos.
Apresentamos uma série de seis vinhetas descrevendo três cenários clínicos específicos para um paciente com câncer de pulmão de células não pequenas avançado (aNSCLC) que diferem por idade, sexo, status de desempenho, histórico de tabagismo, extensão da doença, sintomas e status molecular.
Usaremos essas pesquisas baseadas em vinhetas para examinar a associação da exposição às previsões de risco de mortalidade por ML com a precisão do prognóstico e a tomada de decisões dos médicos oncologistas.
Visão geral do estudo
Tipo de estudo
Observacional
Inscrição (Real)
52
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Estados Unidos, 19104
- Abramson Cancer Center of the University of Pennsylvania
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Não
Método de amostragem
Amostra Não Probabilística
População do estudo
A população do estudo consistiu em uma amostra de conveniência de oncologistas médicos que trataram câncer de pulmão nos EUA.
Recrutamos oncologistas médicos através de e-mails diretos aos contatos pessoais do Investigador Principal (n=29); mensagens diretas via Doximity, um serviço de rede online para profissionais médicos (n=17), utilizando uma “oncologia torácica”; e mensagens diretas via X (antigo Twitter) (n=4).
Foram feitos esforços para obter amostras iguais de 4 regiões geográficas dos EUA (Nordeste, Sul, Centro-Oeste, Oeste).
Descrição
Critério de inclusão:
- Oncologistas médicos que tratam câncer de pulmão
Critério de exclusão:
- Oncologistas médicos que não atendem pacientes com câncer de pulmão
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
1A 2B 3C
1. Intermediário; 1.A. Dependente de referência; 2. Pobre; 2.B.
Prognóstico absoluto; 3. Bom; 3.C.
Ambos
|
O estudo consistiu em um experimento fatorial on-line 3 × 3 empregando um instrumento de pesquisa hospedado via Qualtrics apresentando a descrição de três vinhetas de pacientes.
As três vinhetas dos pacientes variaram de acordo com várias características clínicas, incluindo idade, sexo, status de desempenho, histórico de tabagismo, extensão da doença, sintomas e status molecular.
Cada paciente tinha câncer de pulmão de células não pequenas avançado (aNSCLC).
Cada vinheta tinha duas partes: a Parte 1 descreveu o histórico do caso de um dos três pacientes, após o qual foram avaliadas as estimativas prognósticas e a tomada de decisão médica (ou seja, 1, 2, 3).
A Parte 2 seguiu imediatamente e descreveu a mesma vinheta do mesmo paciente com informações adicionais de um algoritmo preditivo de ML hipotético (ou seja,
A, B, C).
A ordem das vinhetas em cada pesquisa foi randomizada em relação às estratégias de apresentação das previsões de risco de BC, de modo que houve 6 versões da pesquisa para as quais cada participante foi randomizado.
|
|
1A 2C 3B
1. Intermediário; 1.A. Dependente de referência; 2. Pobre; 2.C.
Ambos; 3. Bom; 3.B.
Prognóstico absoluto
|
O estudo consistiu em um experimento fatorial on-line 3 × 3 empregando um instrumento de pesquisa hospedado via Qualtrics apresentando a descrição de três vinhetas de pacientes.
As três vinhetas dos pacientes variaram de acordo com várias características clínicas, incluindo idade, sexo, status de desempenho, histórico de tabagismo, extensão da doença, sintomas e status molecular.
Cada paciente tinha câncer de pulmão de células não pequenas avançado (aNSCLC).
Cada vinheta tinha duas partes: a Parte 1 descreveu o histórico do caso de um dos três pacientes, após o qual foram avaliadas as estimativas prognósticas e a tomada de decisão médica (ou seja, 1, 2, 3).
A Parte 2 seguiu imediatamente e descreveu a mesma vinheta do mesmo paciente com informações adicionais de um algoritmo preditivo de ML hipotético (ou seja,
A, B, C).
A ordem das vinhetas em cada pesquisa foi randomizada em relação às estratégias de apresentação das previsões de risco de BC, de modo que houve 6 versões da pesquisa para as quais cada participante foi randomizado.
|
|
1B 2A 3C
1. Intermediário; 1.B.
Absoluto; 2. Pobre; 2.A. Dependente de referência; 3. Bom; 3.C.
Ambos
|
O estudo consistiu em um experimento fatorial on-line 3 × 3 empregando um instrumento de pesquisa hospedado via Qualtrics apresentando a descrição de três vinhetas de pacientes.
As três vinhetas dos pacientes variaram de acordo com várias características clínicas, incluindo idade, sexo, status de desempenho, histórico de tabagismo, extensão da doença, sintomas e status molecular.
Cada paciente tinha câncer de pulmão de células não pequenas avançado (aNSCLC).
Cada vinheta tinha duas partes: a Parte 1 descreveu o histórico do caso de um dos três pacientes, após o qual foram avaliadas as estimativas prognósticas e a tomada de decisão médica (ou seja, 1, 2, 3).
A Parte 2 seguiu imediatamente e descreveu a mesma vinheta do mesmo paciente com informações adicionais de um algoritmo preditivo de ML hipotético (ou seja,
A, B, C).
A ordem das vinhetas em cada pesquisa foi randomizada em relação às estratégias de apresentação das previsões de risco de BC, de modo que houve 6 versões da pesquisa para as quais cada participante foi randomizado.
|
|
1B 2C 3A
1. Intermediário; 1.B.
Absoluto; 2. Pobre; 2.C.
Ambos; 3. Bom; 3.A.
Dependente de referência
|
O estudo consistiu em um experimento fatorial on-line 3 × 3 empregando um instrumento de pesquisa hospedado via Qualtrics apresentando a descrição de três vinhetas de pacientes.
As três vinhetas dos pacientes variaram de acordo com várias características clínicas, incluindo idade, sexo, status de desempenho, histórico de tabagismo, extensão da doença, sintomas e status molecular.
Cada paciente tinha câncer de pulmão de células não pequenas avançado (aNSCLC).
Cada vinheta tinha duas partes: a Parte 1 descreveu o histórico do caso de um dos três pacientes, após o qual foram avaliadas as estimativas prognósticas e a tomada de decisão médica (ou seja, 1, 2, 3).
A Parte 2 seguiu imediatamente e descreveu a mesma vinheta do mesmo paciente com informações adicionais de um algoritmo preditivo de ML hipotético (ou seja,
A, B, C).
A ordem das vinhetas em cada pesquisa foi randomizada em relação às estratégias de apresentação das previsões de risco de BC, de modo que houve 6 versões da pesquisa para as quais cada participante foi randomizado.
|
|
1C 2A 3B
1. Intermediário; 1.C.
Ambos; 2. Pobre; 2.A. Dependente de referência; 3. Bom; 3.B.
Absoluto
|
O estudo consistiu em um experimento fatorial on-line 3 × 3 empregando um instrumento de pesquisa hospedado via Qualtrics apresentando a descrição de três vinhetas de pacientes.
As três vinhetas dos pacientes variaram de acordo com várias características clínicas, incluindo idade, sexo, status de desempenho, histórico de tabagismo, extensão da doença, sintomas e status molecular.
Cada paciente tinha câncer de pulmão de células não pequenas avançado (aNSCLC).
Cada vinheta tinha duas partes: a Parte 1 descreveu o histórico do caso de um dos três pacientes, após o qual foram avaliadas as estimativas prognósticas e a tomada de decisão médica (ou seja, 1, 2, 3).
A Parte 2 seguiu imediatamente e descreveu a mesma vinheta do mesmo paciente com informações adicionais de um algoritmo preditivo de ML hipotético (ou seja,
A, B, C).
A ordem das vinhetas em cada pesquisa foi randomizada em relação às estratégias de apresentação das previsões de risco de BC, de modo que houve 6 versões da pesquisa para as quais cada participante foi randomizado.
|
|
1C 2B 3A
1. Intermediário; 1.C.
Ambos; 2. Pobre; 2.B.
Absoluto; 3. Bom; 3.A.
Dependente de referência
|
O estudo consistiu em um experimento fatorial on-line 3 × 3 empregando um instrumento de pesquisa hospedado via Qualtrics apresentando a descrição de três vinhetas de pacientes.
As três vinhetas dos pacientes variaram de acordo com várias características clínicas, incluindo idade, sexo, status de desempenho, histórico de tabagismo, extensão da doença, sintomas e status molecular.
Cada paciente tinha câncer de pulmão de células não pequenas avançado (aNSCLC).
Cada vinheta tinha duas partes: a Parte 1 descreveu o histórico do caso de um dos três pacientes, após o qual foram avaliadas as estimativas prognósticas e a tomada de decisão médica (ou seja, 1, 2, 3).
A Parte 2 seguiu imediatamente e descreveu a mesma vinheta do mesmo paciente com informações adicionais de um algoritmo preditivo de ML hipotético (ou seja,
A, B, C).
A ordem das vinhetas em cada pesquisa foi randomizada em relação às estratégias de apresentação das previsões de risco de BC, de modo que houve 6 versões da pesquisa para as quais cada participante foi randomizado.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão prognóstica avaliada por meio de pesquisa
Prazo: Até 3 meses
|
As estimativas prognósticas foram medidas usando dois itens administrados após as Partes 1 e 2 de cada uma das três vinhetas:
Os prognósticos precisos foram definidos como se a estimativa de esperança de vida relatada estivesse dentro de 33% da estimativa do LCPI, conforme modificado após os grupos focais. Os participantes responderam a primeira questão em meses e a segunda questão em percentual entre 0-100%. |
Até 3 meses
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Decisões antecipadas de planejamento de cuidados avaliadas por meio de pesquisa
Prazo: Até 3 meses
|
A tomada de decisões ACP foi avaliada utilizando o seguinte item administrado após as Partes 1 e 2 de cada uma das 3 vinhetas: 1) Você discutiria sobre o planejamento antecipado de cuidados neste ponto do curso da doença dela? Cada pergunta foi operacionalizada como uma resposta Sim/Não e foi seguida por uma caixa de resposta livre perguntando: “Por favor, compartilhe o motivo desta decisão”. |
Até 3 meses
|
|
Encaminhamento para cuidados paliativos avaliado por meio de pesquisa
Prazo: Até 3 meses
|
O encaminhamento para cuidados paliativos foi avaliado usando o seguinte item administrado após as Partes 1 e 2 de cada uma das 3 vinhetas: 1) Você o encaminharia para um especialista em cuidados paliativos neste momento do curso da doença? Cada pergunta foi operacionalizada como uma resposta Sim/Não e foi seguida por uma caixa de resposta livre perguntando: “Por favor, compartilhe o motivo desta decisão”. |
Até 3 meses
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
13 de março de 2023
Conclusão Primária (Real)
31 de julho de 2023
Conclusão do estudo (Real)
31 de dezembro de 2023
Datas de inscrição no estudo
Enviado pela primeira vez
30 de abril de 2024
Enviado pela primeira vez que atendeu aos critérios de CQ
12 de junho de 2024
Primeira postagem (Real)
18 de junho de 2024
Atualizações de registro de estudo
Última Atualização Postada (Estimado)
21 de novembro de 2024
Última atualização enviada que atendeu aos critérios de controle de qualidade
20 de novembro de 2024
Última verificação
1 de novembro de 2024
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- UPCC 10524
- 850382 (Outro identificador: Penn IRB)
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
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 .