- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04726228
Smärtbedömning hos cancerpatienter genom maskininlärning (PASCALE) (PASCALE)
Hembaserad telemedicin för automatisk smärtbedömning hos cancerpatienter: Datauppsättning och utveckling av maskininlärningsalgoritmer
Studieöversikt
Status
Betingelser
Detaljerad beskrivning
Under hela studiens varaktighet kommer patienter att förbli under vård av Early Palliative Care and Simultaneous Care polikliniskt team av Istituto Nazionale Tumori, Fondazione Pascale, hemma. Smärta och andra symtom kommer att hanteras enligt god klinisk praxis och patienterna kommer att få hjälp efter överenskommelse om den rutinmässiga medicinska vården.
Följande enheter kommer att användas:
- programvara
- Instrumentation
- Clinical Assessment Tools: European Organization for Research and Treatment of Cancer Quality-of-life Questionnaire Core 30 (EORTC QLQ-C30), Daily Pain Diary, 0-10 numerisk betygsskala (NRS).
Projektet kommer att delas upp i tre huvudarbetspaket (WP), dedikerade till skapandet av IT-infrastrukturen för att stödja förvärv (WP1), insamlingskampanjen för patientdata (WP2) och utvecklingen av maskininlärningsalgoritmer för automatisk smärtigenkänning (WP3). Appliceringen av enheterna och verifiering av korrekt funktion kommer att utföras i patientens hem av IT-personalen som är involverad i studien.
WP1 - Systemet består av tre huvudkomponenter: servern, med den bifogade databasen, applikationen för mobila enheter, även ansvarig för att hantera datainsamling från fysiologiska signalinsamlingsenheter, och skrivbordsapplikationen, som används av den kliniska personalen för att övervaka framstegen av datainsamling.
Den mobila applikationen kommer att ha rollen att kommunicera direkt med patienten och skaffa biometrisk data från bärbara enheter. Specifikt kommer följande signaler att förvärvas: hjärtfrekvens, kroppstemperatur, icke-invasivt blodtryck och galvanisk hudrespons (GSR). Hjärtfrekvensen kommer att erhållas genom en bärbar enhet (Garmin Vivosmart 4) medan kroppstemperaturen, det icke-invasiva blodtrycket och GSR kommer att erhållas av en extern enhet (en BITalino-plattform). För att ytterligare validera noggrannheten av algoritm som kommer att hantera smärtdetektering, patienterna kommer också att få ett frågeformulär om QoL (EORTC QLQ-C30).
För att inhämta grundsanningen i uppgifterna kommer patienten att bli ombedd att ge feedback på smärtnivån, både vid vissa tidsintervall under dagen och vid akuta smärtepisoder. Denna feedback kan baseras på NRS och multimediastrategier (t.ex. videor). Patienterna kommer att fylla i en daglig smärtdagbok.
WP2 - Kampanjen kommer att innehålla en preliminär förvärvsfas som syftar till att testa IT-infrastrukturen. För att erhålla en adekvat variabilitet mellan individer och intra-individer kommer det att vara nödvändigt att registrera minst 40 patienter, som skaffar data under 10-14 dagar. Datainsamlingskampanjen kommer alltså att pågå under cirka 6 månader. Varje ämne kommer att använda mobilapplikationen och sensorerna i 2 veckor. Data kommer att samlas in med hjälp av samtidiga datainsamlingspaket (applikation, sensorer och vilken mobil enhet som helst). Vid registreringen och i slutet kommer EORTC QLQ-C30 att administreras.
WP3 - Målet är utvecklingen av algoritmer som kan förutsäga nivån av smärta som patienten uppfattar. Genom att ha en betydande mängd märkt data tillgänglig kommer systemet att lära sig av exemplen.
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: Marco Cascella, MD
- Telefonnummer: +39 0815903508
- E-post: m.cascella@istitutotumori.na.it
Studera Kontakt Backup
- Namn: Arturo Cuomo, MD
- Telefonnummer: +39 0815903508
- E-post: a.cuomo@istitutotumori.na.it
Studieorter
-
-
Campania
-
Naples, Campania, Italien, 80131
- Rekrytering
- National Cancer Institute of Naples
-
Kontakt:
- Marco Cascella, MD
- Telefonnummer: +39 0815903508
- E-post: m.cascella@istitutotumori.na.it
-
Kontakt:
- Arturo Cuomo, MD
- Telefonnummer: +39 0815903508
- E-post: a.cuomo@istitutotumori.na.it
-
Napoli, Campania, Italien
- Har inte rekryterat ännu
- A.O.U. Federico II
-
Kontakt:
- Francesco Cutugno, PhD
- Telefonnummer: +39 081679191
- E-post: francesco.cutugno@unina.it
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Patienter > 18 år
- Hemtjänstpatienter diagnostiserade med avancerad cancersjukdom och förväntad livslängd ≤ 1 år
- Patienter som får behandling för cancersmärta
- Patienter som har gett sitt samtycke
Exklusions kriterier:
- Patienter < 18 år
- Villighet att underteckna formuläret för informerat samtycke (kan inte läsa eller skriva)
- Kognitiva underskott (t.ex. Alzheimers sjukdom eller senil demens)
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Kohort
- Tidsperspektiv: Blivande
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Upp till 2 veckor
|
Kliniska data: hjärtfrekvens (slag per minut, slag per minut)
|
Upp till 2 veckor
|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Kliniska data: Kroppstemperatur (Celsius, °C) Patienten kommer att använda den medföljande enheten (BITalino).
|
Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Kliniska data: Icke-invasivt blodtryck (mmHg).
Patienten kommer att använda den medföljande enheten (BITalino).
|
Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Kliniska data: The Galvanic Skin Response (GSR) hänvisar till förändringar i svettkörtelaktivitet som reflekterar intensiteten i det känslomässiga tillståndet. Patienten kommer att använda den medföljande enheten (BITalino). |
Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Smärtegenskaper: En daglig smärtdagbok kommer att användas. Typ: hur smärta känns (t.ex. skarp, värk, skott, stickningar). |
Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Smärtegenskaper: En daglig smärtdagbok kommer att användas. Grad: 0-10 numerisk betygsskala (NRS) där 0 är ingen smärta och 10 är den värsta smärta man kan tänka sig. |
Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Smärtegenskaper: En daglig smärtdagbok kommer att användas. Varaktighet (minuter, timmar, dagar). |
Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Smärtegenskaper: En daglig smärtdagbok kommer att användas. Utlösande faktorer. |
Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
|
Att utveckla en maskininlärningsalgoritm användbar för att förutsäga smärtnivån hos cancerpatienter. En databas som innehåller kliniska data och smärtegenskaper kommer att erhållas.
Tidsram: Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Smärtegenskaper: En daglig smärtdagbok kommer att användas. Namn och mängd läkemedel som använts och tidpunkt då den togs. |
Närhelst patienten har en försämring av sin smärta, upp till 2 veckor
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Patienternas livskvalitet bedömd med EORTC QLQ-C30 frågeformuläret.
Tidsram: I början och slutet av observationen, upp till 2 veckor
|
Livskvalitet (QoL) för patienter enligt European Organization for Research and Treatment of Cancer (EORTC) QLQ-C30 frågeformulär.
Det poängsätts på ett mått från 0 till 100.
Högre poäng betyder bättre resultat.
|
I början och slutet av observationen, upp till 2 veckor
|
Samarbetspartners och utredare
Samarbetspartners
Utredare
- Huvudutredare: Marco Cascella, MD, Anesthesia and Pain Medicine. Istituto Nazionale Tumori - IRCCS Fondazione Pascale - Napoli, Italy
- Huvudutredare: Arturo Cuomo, MD, Anesthesia and Pain Medicine. Istituto Nazionale Tumori - IRCCS Fondazione Pascale - Napoli, Italy
Publikationer och användbara länkar
Allmänna publikationer
- Reis-Pina P, Lawlor PG, Barbosa A. Adequacy of cancer-related pain management and predictors of undertreatment at referral to a pain clinic. J Pain Res. 2017 Aug 31;10:2097-2107. doi: 10.2147/JPR.S139715. eCollection 2017.
- Adamse C, Dekker-Van Weering MG, van Etten-Jamaludin FS, Stuiver MM. The effectiveness of exercise-based telemedicine on pain, physical activity and quality of life in the treatment of chronic pain: A systematic review. J Telemed Telecare. 2018 Sep;24(8):511-526. doi: 10.1177/1357633X17716576. Epub 2017 Jul 11.
- Sirintrapun SJ, Lopez AM. Telemedicine in Cancer Care. Am Soc Clin Oncol Educ Book. 2018 May 23;38:540-545. doi: 10.1200/EDBK_200141.
- Aung MSH, Kaltwang S, Romera-Paredes B, Martinez B, Singh A, Cella M, Valstar M, Meng H, Kemp A, Shafizadeh M, Elkins AC, Kanakam N, de Rothschild A, Tyler N, Watson PJ, de C Williams AC, Pantic M, Bianchi-Berthouze N. The Automatic Detection of Chronic Pain-Related Expression: Requirements, Challenges and the Multimodal EmoPain Dataset. IEEE Trans Affect Comput. 2016 Oct-Dec;7(4):435-451. doi: 10.1109/TAFFC.2015.2462830. Epub 2015 Jul 30.
- Gruss S, Geiger M, Werner P, Wilhelm O, Traue HC, Al-Hamadi A, Walter S. Multi-Modal Signals for Analyzing Pain Responses to Thermal and Electrical Stimuli. J Vis Exp. 2019 Apr 5;(146). doi: 10.3791/59057.
- Pfeifer AC, Uddin R, Schroder-Pfeifer P, Holl F, Swoboda W, Schiltenwolf M. Mobile Application-Based Interventions for Chronic Pain Patients: A Systematic Review and Meta-Analysis of Effectiveness. J Clin Med. 2020 Nov 5;9(11):3557. doi: 10.3390/jcm9113557.
- Cuomo A, Bimonte S, Forte CA, Botti G, Cascella M. Multimodal approaches and tailored therapies for pain management: the trolley analgesic model. J Pain Res. 2019 Feb 19;12:711-714. doi: 10.2147/JPR.S178910. eCollection 2019.
- Rashidi P, Edwards DA, Tighe PJ. Primer on machine learning: utilization of large data set analyses to individualize pain management. Curr Opin Anaesthesiol. 2019 Oct;32(5):653-660. doi: 10.1097/ACO.0000000000000779.
- Dawes TR, Eden-Green B, Rosten C, Giles J, Governo R, Marcelline F, Nduka C. Objectively measuring pain using facial expression: is the technology finally ready? Pain Manag. 2018 Mar;8(2):105-113. doi: 10.2217/pmt-2017-0049. Epub 2018 Feb 22.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 41/20 oss
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
produkt tillverkad i och exporterad från U.S.A.
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 .