Прогнозирование последствий травмы (Проект 2: Цель 2)
Использование методов, адаптированных к данным, для оптимизации последующего наблюдения за пострадавшими после выписки из больницы в Камеруне (цель 2)
Приблизительно 9% смертей в мире, более 5 миллионов смертей ежегодно, связаны с травмами. В странах с высоким уровнем дохода, где эпидемиология и исходы травматического повреждения хорошо изучены, травма в первую очередь затрагивает молодых, продуктивных представителей населения и связана со значительной длительной нетрудоспособностью. В странах Африки к югу от Сахары (АЮС), таких как Камерун, пострадавшие сталкиваются с многочисленными препятствиями при оказании помощи при травмах, включая потенциально спасающее жизнь последующее лечение после выписки из больницы. Опрос 8065 пациентов на юго-западе Камеруна, проведенный исследователями на уровне сообщества, показал, что 34,6% респондентов с травмами не обращались за неотложной официальной помощью после травмы, а еще 9,9% обращались за официальной помощью только после альтернативных средств, таких как консультации с практикующими врачами традиционной медицины.
В Камеруне для 65,4% пострадавших, которые обращаются за официальной помощью после травмы5, терапевтические маршруты могут быть сложными, часто включающими плохо поддерживаемые направления в другие учреждения или переходы от формального лечения. В результате формальные системы помощи не могут удержать пациентов с травмами для последующего лечения, что является упущенной возможностью, поскольку эти пациенты уже преодолели значительные финансовые и личные проблемы, чтобы обратиться за первичной помощью для своих травм. Следовательно, выписанные пациенты с травмами, которым может быть полезно последующее лечение, часто откладывают лечение до тех пор, пока не разовьются тяжелые осложнения.
Целью этого исследования является оценка оптимизированного с помощью машинного обучения инструмента скрининга на основе телефона, который прогнозирует, какие пациенты с травмами, скорее всего, выиграют от последующего лечения. Кластерное рандомизированное контролируемое исследование будет проведено в 10 больницах Камеруна с участием 852 пациентов с травмами. Контрольная группа должна использовать существующий стандартный инструмент скрининга mHealth, в то время как вмешательство должно использовать оптимизированную версию инструмента скрининга mHealth (вмешательство) с использованием подхода машинного обучения. Пациенты должны находиться под наблюдением в течение 6 месяцев, чтобы определить долю пациентов с травмой после выписки, которые нуждаются в последующем уходе с использованием мобильного телефона.
Обзор исследования
Статус
Условия
Подробное описание
Технологическая конвергенция мобильного здравоохранения и машинного обучения предоставляет беспрецедентную возможность трансформировать помощь при травмах в SSA, особенно для неблагополучных слоев населения. Повсеместное распространение мобильных телефонов и появление мобильного здравоохранения открывают новые возможности для улучшения лечения травм в SSA. Учитывая высокий уровень проникновения мобильных телефонов в Камеруне (от 85% до 95%) и в других странах Южной Африки, исследователи разработали и опробовали телефонный инструмент для скрининга пациентов с травмами, состоящий из 7 пунктов, чтобы предсказать необходимость личного наблюдения. уход после выписки. В случае эффективности этот подход мог бы эффективно идентифицировать подгруппу пациентов, которым, скорее всего, будет полезен последующий уход, который является более осуществимым, масштабируемым и экономически эффективным, чем общие рекомендации по уходу после выписки. Исследователи обнаружили, что последующее наблюдение по телефону осуществимо и приемлемо, а проверочное исследование показало хорошую корреляцию инструмента скрининга с независимым личным обследованием.
Исследователи будут опираться на свои предыдущие исследования и использовать науку о данных для улучшения, внедрения и оценки инструмента скрининга mHealth с конечной целью снижения тяжелого бремени травм. Это будет достигнуто за счет использования машинного обучения, которое продемонстрировало многообещающие результаты в оптимизации лечения травм и систем травматизма. Новое сочетание мобильного здравоохранения и машинного обучения предоставляет мощную возможность изменить доступ к медицинской помощи для тех, кто с наименьшей вероятностью ее получит. Опираясь на имеющиеся знания, исследователи выдвигают гипотезу о том, что адаптивный к данным и машинное обучение подход к прогнозированию исходов может радикально улучшить выживаемость и снизить заболеваемость после травм при ССА.
Исследователи будут применять подход машинного обучения для адаптивной оптимизации инструмента сортировки mHealth, улучшения синхронизации телефонных звонков и алгоритма, который прогнозирует необходимость последующего лечения с помощью кластерного рандомизированного контролируемого исследования. Это будет достигнуто с помощью SuperLearner для прогнозирования и перекрестной проверки целевой оценки максимального правдоподобия (CV-TMLE) для переменной важности с использованием реестра травм, попыток контакта и данных скринингового опроса, собранных в цели 1. Общая цель состоит в том, чтобы улучшить прогнозирование с помощью инструмента мобильного здравоохранения уязвимых пациентов, нуждающихся в последующем уходе после выписки. Это исследование должно проводиться в течение 18 месяцев; зачисление через 6 месяцев и последующие участники в течение 12 месяцев. Исследователи оценят влияние оптимизированного подхода в рандомизированном исследовании в 10 больницах с участием 852 пациентов с травмами с первичным результатом по расширенной шкале исходов Глазго (GOSE) 24,25 балла через 3 месяца.
Тип исследования
Регистрация (Ожидаемый)
Фаза
- Непригодный
Контакты и местонахождение
Контакты исследования
- Имя: Alain Chichom-Mefire, MD
- Номер телефона: +237677530532
- Электронная почта: chichom.mefire@ubuea.cm
Учебное резервное копирование контактов
- Имя: Fanny JN Dissak-Delon, MD, PhD
- Номер телефона: +237697582185
- Электронная почта: fannynadia@gmail.com
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Описание
Критерии включения:
Реестр травм (CTR): пациенты, удовлетворяющие следующим критериям включения, будут включены в реестр:
- Пациенты с острой травматической травмой, то есть в течение 2 недель после обращения за медицинской помощью.
- Пациенты с травмами, официально госпитализированные в стационар.
- Пациенты с травмами, которые умирают по прибытии в отделения неотложной помощи или при поступлении в больницу.
- Пациенты с травмами, переведенные в другие медицинские учреждения.
- Пациенты с травмами с показаниями для госпитализации (на основании оценок врачей), но выписанные вопреки рекомендациям врача
- Больные с травмами, находящиеся под наблюдением в отделении неотложной помощи более 24 часов
Стандартный инструмент сортировки mHealth Право на участие: Инструмент сортировки mHealth будет использоваться для подмножества пациентов, включенных в регистр травм, которые госпитализированы, а затем выписаны домой после лечения.
Оптимизированная версия инструмента скрининга mHealth (вмешательство) Право на участие: Оптимизированная версия инструмента скрининга mHealth будет применяться к подгруппе пациентов, включенных в регистр травм, которые госпитализированы, а затем выписаны домой после лечения.
Критерий исключения:
- Критерии исключения из реестра травм: пациенты не будут исключены по возрасту, полу, расе или национальности. Если пациенты или лица, принимающие решения, не дают согласия на участие, эти пациенты будут исключены.
Согласно определению травмы Всемирной организации здравоохранения (ВОЗ), из определения «травмы» будет исключено следующее: «Принимая во внимание, что вышеприведенное определение травмы включает утопление (недостаток кислорода), переохлаждение (недостаток тепла), удушение ( недостаток кислорода), декомпрессионная болезнь или «загибы» (избыток соединений азота) и отравления (токсичными веществами), сюда НЕ входят состояния, возникающие в результате постоянного стресса, такие как синдром запястного канала, хронические боли в спине и отравления из-за инфекций . Психические расстройства и хроническая инвалидность, хотя они и могут быть возможными последствиями телесных повреждений, также исключаются приведенным выше определением». Несмотря на то, что отравления включены в определение ВОЗ, они будут исключены из CTR, поскольку на сегодняшний день они были чрезвычайно редкими событиями в CTR и обычно не включаются в реестры травм в большинстве других контекстов.
Пациенты, официально не госпитализированные и не выписанные в течение 24 часов из отделения неотложной помощи, будут исключены.
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Профилактика
- Распределение: Рандомизированный
- Интервенционная модель: Параллельное назначение
- Маскировка: Одинокий
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
|---|---|
|
Без вмешательства: Стандартный инструмент скрининга mHealth
Это проверенный стандартный инструмент скрининга по телефону, который определяет необходимость личного наблюдения после выписки пациента.
Через 0,5, 1, 3 и 6 месяцев после выписки с пациентами, получившими согласие на травму, свяжется по мобильному телефону ассистент-исследователь для завершения скрининга, который определит, следует ли пациенту обращаться за последующей помощью, исходя из количества отмеченных ответы на ≥1 вопрос скринингового опроса из 7 пунктов.
|
|
|
Экспериментальный: Оптимизированная версия инструмента скрининга mHealth (вмешательство) с использованием подхода машинного обучения
Это подразделение получит усовершенствование инструмента сортировки mHealth с использованием подхода машинного обучения.
Пациентам будут звонить с использованием оптимизированного инструмента в определенные моменты времени (3 месяца, 6 месяцев и 12 месяцев).
При каждом звонке ассистенты-исследователи будут заполнять опрос GOSE и инструмент сортировки mHealth, вводя результаты звонка и ответы пациентов непосредственно в систему mHealth.
Если показано последующее наблюдение, ассистент-исследователь поделится этой информацией с пациентом и предложит записаться на прием.
|
Улучшение инструмента сортировки mHealth с использованием подхода машинного обучения, оптимизация эффективности расписания вызовов и прогнозирование того, какие пациенты с наибольшей вероятностью получат пользу от последующего лечения, с учетом данных, собранных в больнице через Реестр травм Камеруна, а также попытки контакта по телефону после выписки и данные опроса.
Основой оценщиков является ансамблевый алгоритм машинного обучения Superlearner, который применялся в медицинских контекстах, включая травмы и травмы.
Это теоретический метод, основанный на перекрестной проверке, который потенциально объединяет множество разных обучаемых (например, стандартная регрессия, регрессия дерева, случайный лес, нейронные сети), так что выбранная модель (средневзвешенное значение обучающихся) асимптотически эквивалентна к так называемому «Оракулу» — обучающемуся, оптимально подходящему для распределения, генерирующего данные.
Обратите внимание, что версии этой оценки с двойной устойчивостью CV-TMLE доступны как функция tmle3mopttx в tlverse.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Оцените баллы по расширенной шкале исходов Глазго (GOSE)
Временное ограничение: В 3 месяца
|
Этот результат будет измерять восстановление после травматического повреждения и варьируется от 1 (смерть), 2 (вегетативное состояние) до 8 (хорошее восстановление верхних отделов).
|
В 3 месяца
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Оценка GOSE
Временное ограничение: В 6 и 12 месяцев
|
Этот результат будет измерять восстановление после травматического повреждения и варьируется от 1 (смерть), 2 (вегетативное состояние) до 8 (хорошее восстановление верхних отделов).
|
В 6 и 12 месяцев
|
|
Доля, охваченная мобильными телефонами
Временное ограничение: В 0,5, 1, 3 и 6 мес.
|
Количество и доля госпитализированных пациентов с травмами, с которыми можно связаться по мобильному телефону после выписки из обеих рук
|
В 0,5, 1, 3 и 6 мес.
|
|
Доля нуждающихся в последующем уходе
Временное ограничение: В 0,5, 1, 3 и 6 мес.
|
Количество и доля госпитализированных пациентов с травмами, с которыми можно связаться по мобильному телефону после выписки и которые с помощью инструмента скрининга определены как нуждающиеся в последующем лечении.
|
В 0,5, 1, 3 и 6 мес.
|
Соавторы и исследователи
Спонсор
Соавторы
Следователи
- Главный следователь: Alain Chichom-Mefire, MD, University of Buea
- Главный следователь: Catherine Juillard, MD, MPH, University of California, Los Angeles
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
- GRANT13254336 - Aim 2
- U54TW012087 (Грант/контракт NIH США)
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана IPD
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. .