- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04757194
Machine Learning Assisted differentiering av patienter med låg skärpa vid utskick (MADLAD)
Maskininlärningsassisterad differentiering av patienter med låg skärpa vid utskick: en randomiserad kontrollerad studie
BAKGRUND:
På Emergency Medical Dispatch (EMD)-center är resursbegränsade situationer (RCS) där det finns fler uppringare som behöver ambulans än det finns tillgängliga ambulanser vanliga. På EMD-centralerna i Uppsala och Västmanland får patienter som upplever dessa situationer typiskt sett ett lågprioriterat bemötande, är ofta äldre och har ospecifika symtom. Maskininlärningstekniker erbjuder en lovande men till stor del oprövad metod för att bedöma risker bland dessa patienter.
MÅL:
Att fastställa huruvida tillhandahållandet av maskininlärningsbaserade riskpoäng förbättrar avsändares förmåga att identifiera patienter med hög risk för försämring av RCS.
DESIGN:
Multicenter, parallellgrupperad, randomiserad, analytikerblindad studie.
BEFOLKNING:
Vuxna patienter som kontaktar riksjouren (112), bedöms av utsändande sjuksköterska i Uppsala eller Västmanland med behov av lågprioriterad ambulansinsats och upplever RCS.
RESULTAT:
Primär:
1. Andel RCS där den första tillgängliga ambulansen skickades till patienten med det högsta poängen för National Early Warning Score (NEWS)
Sekundär:
- Skillnad i sammansatt riskpoäng bestående av ambulansinsatser, akuttransport, sjukhusinläggning, intensivvård och mortalitet mellan patienter som får omedelbart kontra försenat ambulanssvar under RCS.
- Skillnad i NEWS mellan patienter som får omedelbart kontra försenat ambulanssvar under RCS.
INTERVENTION:
En maskininlärningsmodell kommer att uppskatta risken för varje patient som är inblandad i RCS, och föreslå en patient att ta emot tillgänglig ambulans. Endast i interventionsarmen kommer bedömningen att visas i ett användargränssnitt integrerat i utsändningssystemet.
PROVSTORLEK:
1500 RCS vardera bestående av flera patienter randomiserade 1:1 till kontroll- och interventionsarmarna
Studieöversikt
Status
Betingelser
Intervention / Behandling
Studietyp
Inskrivning (Faktisk)
Fas
- Inte tillämpbar
Kontakter och platser
Studieorter
-
-
-
Uppsala, Sverige
- Uppsala University Hospital
-
-
Västmanland
-
Västerås, Västmanland, Sverige
- Västmanland hospital Västerås
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Beskrivning
Inklusionskriterier:
- Identifiering av en resursbegränsad situation av ambulanschefen (dvs 2 eller fler patienter som väntar på ett ambulanssvar)
- Tilldelad prioritet 2A eller 2B (lågprioriterad ambulansinsats) av utsändande sjuksköterska
- Giltigt svenskt personnummer hämtas vid utskick
- Ålder >= 18 år
Exklusions kriterier:
- Relevanta samtal inkom med mer än 30 minuters mellanrum
- Logistiska faktorer (t.ex. patienternas geografiska läge) påverkar beslutet om ambulansuppdrag
- Riskfaktorer på plats (t.ex. en patient är utomhus och riskerar hypotermi) eller riskreducerande medel (t.ex. vårdpersonal som redan är på plats med en patient) påverkar beslutet om ambulansuppdrag
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Hälsovårdsforskning
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Enda
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: Intervention
Beräkning av riskbedömningspoäng genom maskininlärningsalgoritm och visning av riskbedömningsinformation för utskickande sjuksköterskor.
Personalen uppmuntras men krävs inte att följa den föreslagna rangordningen.
|
En maskininlärningsalgoritm (Gradient boosting) tillämpas på strukturerad data som samlats in i Alitis Clinical Decision Support-systemet, patientdemografi och fritextanteckningar.
|
|
Inget ingripande: Kontrollera
Ambulansutskick per vårdstandard
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Andel RCS där den första tillgängliga ambulansen skickades till patienten med högsta National Early Warning Score (NEWS).
Tidsram: Vid ambulanssvar (inom 8 timmar efter avsändning)
|
NEWS är en allmänt använd och välvaliderad poängalgoritm baserad på objektiva patientvitala tecken, som inte är orsaksmässigt beroende av de resultat som används för att träna maskininlärningsmodellerna som undersökts i denna studie.
NEWS-värden kommer att baseras på den första uppsättningen vitala tecken som ambulanssjuksköterskor erhåller när de kommer i kontakt med patienten.
NEWS mäts på en skala 0-21, med högre värden motsvarande patienter med högre risk för försämring.
|
Vid ambulanssvar (inom 8 timmar efter avsändning)
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Skillnad i sammansatt resultatmåttpoäng mellan patienter med omedelbar och fördröjd respons.
Tidsram: Upp till 30 dagar
|
Detta mått undersöker en sammansatt poäng som består av de resultat som används för att träna maskininlärningsmodellerna. Den sammansatta poängen genereras genom att identifiera följande patientresultat och tilldela motsvarande vikter: Onormala initiala Arway/Andning/Cirkulationsfynd av ambulanspersonal (4) Emergent (ljus och sirener) transport till sjukhuset (2) Tillhandahållande av prehospitala insatser (1) Inläggning till slutenvård eller dödlighet inom 30 dagar (1) Detta resulterar i en poäng från 0-8, med högre poäng representerar mer |
Upp till 30 dagar
|
|
Skillnad i National Early Warning Score (NEWS) mellan patienter med omedelbar vs. fördröjd respons.
Tidsram: Vid ambulanssvar (inom 8 timmar efter avsändning)
|
Per primärt resultat
|
Vid ambulanssvar (inom 8 timmar efter avsändning)
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Utredare
- Huvudutredare: Hans Blomberg, MD, PhD, Uppsala University Hospital
Publikationer och användbara länkar
Allmänna publikationer
- Spangler D, Hermansson T, Smekal D, Blomberg H. A validation of machine learning-based risk scores in the prehospital setting. PLoS One. 2019 Dec 13;14(12):e0226518. doi: 10.1371/journal.pone.0226518. eCollection 2019.
- Spangler D, Edmark L, Winblad U, Collden-Benneck J, Borg H, Blomberg H. Using trigger tools to identify triage errors by ambulance dispatch nurses in Sweden: an observational study. BMJ Open. 2020 Mar 19;10(3):e035004. doi: 10.1136/bmjopen-2019-035004.
Användbara länkar
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
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
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- SVLC001
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
Tidsram för IPD-delning
Kriterier för IPD Sharing Access
IPD-delning som stöder informationstyp
- STUDY_PROTOCOL
- ANALYTIC_CODE
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
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 .