Oövervakad maskininlärning för klustring av septiska patienter för att bestämma optimal behandling
17 september 2021 uppdaterad av: Dascena
Fokus för denna studie kommer att vara att genomföra en prospektiv, randomiserad kontrollerad studie (RCT) vid Cape Regional Medical Center (CRMC), Oroville Hospital (OH) och UCSF Medical Center (UCSF) där en vätskebehandlingsspecifik algoritm kommer att användas. tillämpas på EPJ-data för upptäckt av allvarlig sepsis.
För patienter som fastställts ha en hög risk för svår sepsis kommer algoritmen att generera automatisk röst, telefonavisering till vårdpersonal vid CRMC, OH och UCSF.
Algoritmens prestanda kommer att mätas genom analys av den primära endpointen, minskningar av dödligheten på sjukhus.
Studieöversikt
Status
Har inte rekryterat ännu
Betingelser
Intervention / Behandling
Studietyp
Interventionell
Inskrivning (Förväntat)
51645
Fas
- Fas 2
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Qingqing Mao, PhD
- Telefonnummer: 5108269508
- E-post: qmao@dascena.com
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
18 år och äldre (Vuxen, Äldre vuxen)
Tar emot friska volontärer
Ja
Kön som är behöriga för studier
Allt
Beskrivning
Inklusionskriterier:
- Alla vuxna över 18 år som är medlemmar i en av de kliniska subpopulationer som studerades i denna studie är berättigade att delta i studien.
Exklusions kriterier:
- Under 18 år
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Diagnostisk
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Trippel
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: Vätskebehandlingsspecifik algoritm
Den experimentella armen kommer att involvera patienter som övervakas av den vätskebehandlingsanpassade versionen av InSight.
|
InSight-algoritmen som hämtar information från en patients elektroniska journal (EPJ) för att förutsäga uppkomsten av svår sepsis, och i denna studie kommer den att anpassas för att skilja mellan kluster av patienter som svarar på liknande sätt på vätskebehandling enligt arten av deras sjukdomsprogress .
|
|
Aktiv komparator: Standard InSight
Kontrollarmen kommer att involvera patienter som övervakas med standardversionen av InSight utan behandling.
|
Den icke-anpassade InSight-algoritmen som hämtar information från en patients elektroniska journal (EPJ) för att förutsäga uppkomsten av allvarlig sepsis.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
SIRS-baserad dödlighet på sjukhus
Tidsram: Genom avslutad studie i snitt 8 månader
|
Dödlighet tillskrivs patienter som uppfyller två eller flera SIRS-kriterier någon gång under vistelsen
|
Genom avslutad studie i snitt 8 månader
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Utredare
- Huvudutredare: Qingqing Mao, PhD, Dascena, Inc.
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Allmänna publikationer
- 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.
- Mao Q, Jay M, Hoffman JL, Calvert J, Barton C, Shimabukuro D, Shieh L, Chettipally U, Fletcher G, Kerem Y, Zhou Y, Das R. Multicentre validation of a sepsis prediction algorithm using only vital sign data in the emergency department, general ward and ICU. BMJ Open. 2018 Jan 26;8(1):e017833. doi: 10.1136/bmjopen-2017-017833.
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Förväntat)
1 april 2022
Primärt slutförande (Förväntat)
31 mars 2024
Avslutad studie (Förväntat)
31 mars 2024
Studieregistreringsdatum
Först inskickad
21 november 2018
Först inskickad som uppfyllde QC-kriterierna
21 november 2018
Första postat (Faktisk)
26 november 2018
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
23 september 2021
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
17 september 2021
Senast verifierad
1 september 2021
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 19-426246
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .