- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT03882476
РКИ алгоритма машинного обучения сепсиса
Рандомизированное контролируемое исследование алгоритма машинного обучения для раннего выявления сепсиса
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
С января 2020 г. по февраль 2021 г. включительно исследователи проведут многоцентровое рандомизированное контролируемое исследование (РКИ) в CRMC, Огайо и UCSF. Все цели этого исследования были представлены на утверждение Наблюдательному совету Pearl с отказом от информированного согласия.
В течение периода исследования все пациенты старше 18 лет, поступившие в отделение неотложной помощи или госпитализированные в стационарное отделение в участвующих учреждениях, будут автоматически включаться в исследование до тех пор, пока не будет достигнуто целевое число участников исследования. Зачисление повлечет за собой рандомизацию либо в контрольную, либо в экспериментальную группу. Пациенты будут распределены в экспериментальную группу или контрольную группу на основе случайной последовательности распределения, сгенерированной компьютерной программой до начала испытания, с использованием простой рандомизации с соотношением распределения 1:1. Эта последовательность распределения будет скрыта от пациентов, медицинских работников и исследователей. Однако исследование будет иметь открытый дизайн, поскольку полное ослепление невозможно, так как некоторые групповые задания станут естественным образом раскрыты после получения телефонных предупреждений.
В кабинете будет две руки. В контрольную группу войдут пациенты с обычным стандартом лечения, а в экспериментальную группу войдут пациенты, находящиеся под наблюдением InSight. Если применимый алгоритм определяет, что пациент находится в группе высокого риска сепсиса, дежурной медсестре по месту нахождения пациента будет отправлено телефонное оповещение. Ответ на оповещения будет следовать протоколу нашего предыдущего клинического испытания сепсиса. Процедура состоит в том, что медсестра проводит осмотр пациента у постели больного, чтобы исключить подозрение на инфекцию. Это включает в себя оценку показателей жизнедеятельности пациента, заметки EHR и последние результаты лабораторных исследований. Если медсестра подозревает сепсис, врач впоследствии осматривает пациента и, при необходимости, назначает назначение стандартного набора для лечения сепсиса.
При проведении клинических испытаний некоторые открытые исследования являются кластерно-рандомизированными, в то время как другие рандомизируются на уровне отдельных пациентов. Кластерная рандомизация часто используется для минимизации «контаминации» между лечебной и контрольной группами, потому что контакт медицинских работников с пациентами из обеих групп в открытом исследовании часто вызывает непреднамеренные поведенческие предубеждения. Эти предубеждения могут привести к тому, что медицинские работники будут корректировать свои вмешательства в контрольной группе, чтобы имитировать их действия в экспериментальной группе, тем самым маскируя эффект вмешательства и искажая результаты исследования в сторону нуля. Хотя открытые кластерные рандомизированные исследования эффективны для сведения к минимуму контаминации среди групп, они имеют несколько существенных недостатков, в том числе большую сложность дизайна и анализа, а также большее число пациентов для достижения той же статистической мощности. Поскольку большие размеры выборки часто требуют увеличения стоимости, продолжительности или сложности испытания, текущие исследования показали, что испытателям следует использовать индивидуальную рандомизацию, если это возможно, из-за недостатков кластерного распределения. Принимая во внимание эти соображения, исследователи пришли к выводу, что индивидуальная рандомизация была лучшей стратегией для исследования, поскольку она обеспечивает значительное увеличение статистической мощности и позволяет оценивать результаты каждого пациента независимо от каждого другого пациента. Чтобы свести к минимуму возможную предвзятость, исследователи также решили сделать текст автоматического телефонного звонка идентичным для обеих рук. Успешное использование рандомизации на уровне пациентов в предыдущем клиническом исследовании сепсиса, проведенном исследователями, дает уверенность в этом дизайне исследования.
После выписки последнего зарегистрированного пациента исследователи оценят, достигнута ли первичная конечная точка внутрибольничной смертности на основе SIRS. Дополнительные показатели результатов, представляющие интерес для каждой группы на основе SIRS, будут включать: время до завершения каждого элемента пакета кампании по выживанию при сепсисе (SSC); дни без ИВЛ; дни интенсивной терапии; и частота повторных госпитализаций в течение 30 дней. 1-часовой пакет SSC состоит из получения культур крови, измерения уровня лактата, введения антибиотиков широкого спектра действия, введения 30 мл/кг кристаллоидной жидкости при артериальной гипертензии или лактата >4 ммоль/л и применения вазопрессоров, если у пациента гипотензия во время или после жидкостная реанимация.
Исследователи планируют использовать клинические данные на основе EHR для первичного анализа конечных точек, в отличие от данных, основанных на утверждениях, благодаря их способности обеспечивать более объективные измерения результатов лечения пациентов.
По завершении исследования важные выводы будут опубликованы в виде научных статей.
Тип исследования
Фаза
- Фаза 2
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Описание
Критерии включения:
- В течение периода исследования все пациенты старше 18 лет, поступившие в отделение неотложной помощи или госпитализированные в стационарное отделение в участвующих учреждениях, будут автоматически включены в исследование до тех пор, пока не будет достигнута цель набора для исследования.
Критерий исключения:
- Пациенты в возрасте до 18 лет
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Диагностика
- Распределение: Рандомизированный
- Интервенционная модель: Параллельное назначение
- Маскировка: Тройной
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
|---|---|
|
Экспериментальный: Экспериментальный
В экспериментальную группу войдут пациенты, находящиеся под наблюдением InSight.
|
Система поддержки принятия клинических решений (CDS) для выявления сепсиса
|
|
Без вмешательства: Контроль
В контрольную группу не будут вмешиваться пациенты с обычными стандартами лечения.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Внутрибольничная смертность на основе SIRS
Временное ограничение: По завершении обучения в среднем восемь месяцев
|
Уровень смертности, связанный с пациентами, отвечающими двум или более критериям SIRS в какой-то момент во время их пребывания
|
По завершении обучения в среднем восемь месяцев
|
Соавторы и исследователи
Спонсор
Публикации и полезные ссылки
Общие публикации
- Calvert JS, Price DA, Barton CW, Chettipally UK, Das R. Discharge recommendation based on a novel technique of homeostatic analysis. J Am Med Inform Assoc. 2017 Jan;24(1):24-29. doi: 10.1093/jamia/ocw014. Epub 2016 Mar 28.
- Desautels T, Calvert J, Hoffman J, Mao Q, Jay M, Fletcher G, Barton C, Chettipally U, Kerem Y, Das R. Using Transfer Learning for Improved Mortality Prediction in a Data-Scarce Hospital Setting. Biomed Inform Insights. 2017 Jun 12;9:1178222617712994. doi: 10.1177/1178222617712994. eCollection 2017.
- Calvert J, Mao Q, Rogers AJ, Barton C, Jay M, Desautels T, Mohamadlou H, Jan J, Das R. A computational approach to mortality prediction of alcohol use disorder inpatients. Comput Biol Med. 2016 Aug 1;75:74-9. doi: 10.1016/j.compbiomed.2016.05.015. Epub 2016 May 24.
- Calvert J, Mao Q, Hoffman JL, Jay M, Desautels T, Mohamadlou H, Chettipally U, Das R. Using electronic health record collected clinical variables to predict medical intensive care unit mortality. Ann Med Surg (Lond). 2016 Sep 6;11:52-57. doi: 10.1016/j.amsu.2016.09.002. eCollection 2016 Nov.
- Shimabukuro DW, Barton CW, Feldman MD, Mataraso SJ, Das R. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res. 2017 Nov 9;4(1):e000234. doi: 10.1136/bmjresp-2017-000234. eCollection 2017.
Даты записи исследования
Изучение основных дат
Начало исследования (Ожидаемый)
Первичное завершение (Ожидаемый)
Завершение исследования (Ожидаемый)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- 19-494662
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .