- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT07474584
OpRESTORE AI-Patientnavigatorstudien
OpRESTORE AI-Patient Navigator-studien: Utveckling och testning av en AI-förstärkt patientnavigator för brittiska veteraner med tjänsterelaterade fysiska hälsoproblem
OpRESTORE är en nationell NHS-tjänst som stödjer brittiska veteraner med komplexa fysiska hälsoproblem kopplade till deras militärtjänst. Veteraner som hänvisas till OpRESTORE behöver ofta vård från många olika specialister, inklusive kirurger, smärtteam, rehabilitering och psykisk hälsovård. För närvarande fattas beslut om vilken tjänst som är mest lämplig av ett multidisciplinärt team (MDT) av kliniker. Även om det är effektivt kan denna process vara långsam, resurskrävande och ibland svår för patienter att navigera.
Denna studie kommer att utveckla och testa ett nytt digitalt "navigeringsverktyg" som använder artificiell intelligens (AI) för att stödja dessa hänvisningsbeslut. Syftet är att se om verktyget säkert och korrekt kan matcha veteraner med rätt vårdväg, samtidigt som det minskar förseningar och förbättrar patientupplevelsen.
Projektet kommer att genomföras i flera steg:
- Granska tidigare OpRESTORE-uppgifter för att utforma AI-modellen.
- Testa verktyget tillsammans med MDT ("skuggtestning") för att kontrollera om dess rekommendationer matchar de kliniska besluten.
- Genomföra en fall-kontrollstudie för att jämföra resultat mellan patienter som hänvisats med AI-stöd och de som hänvisats enbart av MDT.
- Skapa och testa ett strukturerat självhänvisningsformulär för att göra det enklare för veteraner att få direkt tillgång till vård.
Det huvudsakliga resultatet kommer att vara om AI-verktyget fattar samma hänvisningsbeslut som MDT. Andra resultat inkluderar patienttillfredsställelse, livskvalitet, tid det tar att nå rätt tjänst och totala kostnader.
Studien kommer att rekrytera veteraner i åldern 18 år eller äldre som hänvisas till OpRESTORE med ett fysiskt hälsobehov. Den kommer att pågå i två år. Om framgångsrik skulle detta tillvägagångssätt kunna frigöra klinisk tid, förkorta väntetider för behandling och förbättra veteraners hälsa och välbefinnande, samtidigt som det lägger grunden för en bredare användning av AI-stödd navigering inom NHS.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
BAKGRUND
Introduktion OpRESTORE inrättades 2016 för att ge specialistisk multidisciplinär vård till brittiska militärveteraner med tjänsterelaterade fysiska hälsobehov. Under de senaste sju åren har mer än 1 500 patienter hänvisats till tjänsten, vilket återspeglar både den höga bördan av komplexa tillstånd i denna grupp och det otillfredsställda behovet av samordnade vårdvägar. OpRESTORE har visat tydliga fördelar: patienter rapporterar hög tillfredsställelse, nästan 60 % av fallen omdirigeras till en mer lämplig väg, och statistiskt signifikanta förbättringar ses i EQ-5D-5L-resultat. Men hänvisningstakten ökar med mer än 30 % per år och hotar att överskrida den kliniska kapaciteten. Utmaningen är inte brist på expertis utan en fråga om skalbarhet. För att fortsätta leverera hög kvalitet, snabb och rättvis vård krävs en digital utveckling av OpRESTORE-vägen.
Varför OpRESTORE behövdes OpRESTORE uppstod som svar på systemineffektivitet i NHS-patientvägar. Under det senaste decenniet har år i god hälsa minskat, med 15–20 % av befolkningen drabbade av muskuloskeletal patologi, en ledande orsak till funktionshinder och ekonomisk inaktivitet och huvuddelen av OpRESTORE:s arbetsbörda. Primärvården är alltmer överbelastad: för första gången på två decennier överstiger patienternas missnöje med allmänläkartjänster tillfredsställelsen. Tillgången är särskilt begränsad i utsatta samhällen, vilket bidrar till ökande hälsoklyftor. För veteraner förvärras dessa utmaningar av fragmenterad sjukvård efter övergången från försvarsmakten, svårigheter att navigera i det civila sjukvårdssystemet och den psykosociala påverkan av att lämna tjänstelivet. Skepticism över civila vårdgivares förmåga att förstå nyanserna i militärrelaterade tillstånd avskräcker också veteraner från att söka NHS-vård.
Hänvisningsvägar är ett stort flaskhals. 7–9 % av allmänläkarbesök resulterar i en hänvisning, men 18 % av patienterna kräver fyra eller fler konsultationer innan de hänvisas. Avgörande är att 21 % av patienterna hamnar i "hänvisningssvarta hålet", där möten avbokas, felriktas eller försvinner utan uppföljning. Dessa förseningar förlänger den redan långa hänvisningsresan: 2022 väntade 25 % av personerna i England på ett möte, test eller ingrepp, och 59 % av patienterna fick inte specialistvård inom 18-veckorsmålet. Nettoresultatet är ett system där allmänläkare bär en ökande arbetsbörda, specialister möter olämpliga eller försenade hänvisningar, och patienter upplever orättvis, utdragen och fragmenterad vård. Veteraner, som ofta har multi-morbiditet, komplexa fysiska behov och ofta psykosociala utmaningar, är särskilt sårbara för dessa brister.
Hälsonavigering som lösning
Hälsonavigering erbjuder en beprövad lösning på fragmenterade system. Evidensbasen är omfattande: en meta-analys och 13 systematiska översikter konsulterades för detta projekt, förutom relevanta enskilda publikationer. Sammanlagt visar dessa studier att navigeringsprogram konsekvent förbättrar tillgång till vård och förbättrar patientresultat. Viktiga resultat inkluderar:
- Ökat skyddsomhändertagande,
- Förbättrad närvaro vid möten, följsamhet till uppföljning och behandlingsföljsamhet,
- Minskad tid till diagnos och behandling,
- Minskad oplanerad vård inklusive akutbesök och sjukhusvistelser (8,16,17) och kortare sjukhusvistelser när de inträffar,
- Förbättrad patienttillfredsställelse och resultat, särskilt för kronisk sjukdom och underbetjänade grupper,
- Minskad dödlighet.
Navigering har också visats ge mätbara kostnadsbesparingar. Exempel inkluderar minskningar i canceromsorgskostnader på $1 676 per patient per månad och besparingar på $17 780 årligen för patienter i NavSTAR-programmen för substansmissbruk. Systematiska översikter drar konsekvent slutsatsen att patientnavigering förkortar sjukhusvistelser och minskar oplanerad vård, båda stora kostnadsdrivare. Finansiella modelleringsstudier förutspår på liknande sätt betydande besparingar per patient i övergångsvård och cancervägar.
OpRESTORE-patientnavigatorn har bevisat några av dessa fördelar. Över hälften av patienterna omdirigeras till en annan väg än ursprungligen förväntat, vilket säkerställer mer lämplig användning av knappa specialisttjänster. Patientrapporterade utfallsmått (PROM; EQ-5D-5L) visar mätbar förbättring i livskvalitet, och patientundersökningar rapporterar hög tillfredsställelse med tjänsten. Kort sagt har OpRESTORE bevisat konceptet navigering för veteraner i Storbritannien.
Den framväxande utmaningen: arbetsbörda och skalbarhet Trots dessa framgångar står OpRESTORE nu inför en böjningspunkt. Med hänvisningsvolymer som växer med mer än 30 % per år hotar arbetsbördan att överskrida tillgänglig personal. Att fortsätta expandera enbart genom mänsklig kapacitet är ohållbart. Vad som krävs är en digital förstärkning av vägen, att arbeta smartare, inte hårdare. Vissa delar av navigering, särskilt triage av enkla fall, är mottagliga för automatisering. Men detta måste uppnås utan att offra de patientcentrerade och "mänskliga beröring"-element som ligger till grund för OpRESTORE:s framgång. En AI-lösning kan effektivisera arbetsflödet, minska arbetsbördan och frigöra mänskliga resurser för att lägga till värde genom direkt patientkontakt snarare än byråkratiska och administrativa processer.
En ytterligare dimension är potentialen för självhänvisningsmodeller. Över hela Europa har sjukvårdssystem alltmer vänt sig till restriktiv grindvakt, vilket begränsar direkt specialiståtkomst i hopp om att kontrollera kostnader bland åldrande befolkningar och ökande efterfrågan. Men sådana tillvägagångssätt riskerar att försena vård för dem som verkligen behöver den. AI-förbättrad patientnavigering erbjuder ett mer balanserat alternativ: möjliggör effektiv självhänvisning för patienter som behöver specialistvård, samtidigt som intelligent grindvakt säkerställs genom AI-faciliterad triage.
Evidensluckor och AI:s roll Medan patientnavigering är väletablerad inom cancervård och vissa kroniska sjukdomssammanhang finns det lite publicerad forskning om AI-förbättrad hälsonavigering, särskilt i Storbritannien och över flera specialiteter. Nuvarande publicerad litteratur består mestadels av studieprotokoll eller framtida projekt och opinionsartiklar. Översikter belyser AI:s potential att stödja triage, personifiera patientutbildning, förbättra vårdkoordinering och optimera resursanvändning. Men robusta, verklighetsbaserade utvärderingar saknas.
Vårt team adresserar denna lucka genom en systematisk översikt av AI inom hälsonavigering (PROSPERO 2025 CRD420251019208). Detta kommer att informera designen och utvärderingen av en digital, AI-förbättrad version av OpRESTORE-vägen.
Inte bara är digitalisering och intelligent automatisering av OpRESTORE kritiska för dess fortsatta tillväxt och framgång, utan det är också unikt positionerat att fungera som ett testfall för banbrytande AI-patientnavigering i brittiska veteraner. Det är säkert, med ett etablerat multidisciplinärt kliniskt säkerhetsnät. Det har nästan nio års patientnivådata över >1 500 fall. Fallblandningen erbjuder både komplexitet (multi-morbiditet, tjänsterelaterad patologi) och enkelhet (nästan 50 % förblir på samma väg, och det finns hög homogenitet med muskuloskeletala hänvisningar som utgör 74 % av fallen). Denna balans gör OpRESTORE både en rigorös och genomförbar miljö för att testa AI-aktiverad navigering.
Politiköverensstämmelse Viktigt är att digitalisering av OpRESTORE överensstämmer med brittiska hälsosystemprioriteringar. Leveransplanen för att återfå tillgång till primärvård (2023–25) belyser vikten av självhänvisning och digital transformation för att lindra allmänläkarbörda och förbättra tillgång till sjukvård. NHS långsiktiga plan och Darzi-granskningen (2024) betonar båda att accelerera digitalisering, utnyttja AI och skifta mot teknikaktiverad effektivitet i patientnavigering. Tony Blair Institute (2024) har understrukit AI, specifikt för triage och navigering, som en kritisk drivkraft för hållbar sjukvårdsreform.
Slutsats OpRESTORE har bevisat värdet av patientnavigering för veteraner i Storbritannien men står inför en ohållbar ökning av efterfrågan. Digitalisering, informerad av robust forskning och AI-förbättrade verktyg, erbjuder en säker, skalbar väg framåt. Genom att kombinera evidensbaserad navigering med nationella politiska prioriteringar kommer den föreslagna forskningen att generera insikter med relevans inte bara för veteraner, utan för bredare NHS och internationella sjukvårdssystem.
RATIONALE FÖR NUVARANDE STUDIE Detta projekt syftar till att utvärdera om ett AI-förbättrat patientnavigeringsverktyg kan replikera MDT-beslutsfattande samtidigt som klinikerarbetsbördan minskar. Denna studie är utformad för att informera den stegvisa implementeringen av en digital navigeringsväg, inklusive självhänvisning, klinikerverifierad algoritmisk triage och slutligen selektiv automatisering för lämpliga fall.
Forskningsfråga:
Kan en AI-förbättrad digital patientnavigator säkert och korrekt replikera MDT-beslut i OpRESTORE-vägen, samtidigt som klinikerarbetsbördan minskar? Kan det förbättra systemeffektivitet och patientrapporterade upplevelser och resultat?
Hypotes:
Ett digitalt, AI-förbättrat patientnavigeringsverktyg kommer att kunna vägleda patienter till lämpliga vårdvägar med samma tillförlitlighet som MDT-beslutsfattande, samtidigt som det kräver mindre manuell input. Dessutom kommer strukturerad självhänvisning att fånga rikare kliniska data än traditionella allmänläkarledda hänvisningar, vilket leder till förbättrad patientupplevelse och engagemang.
2. STUDIE MÅL
Primärt mål:
Att fastställa om en digital AI-förbättrad navigeringsalgoritm är ekvivalent med MDT-beslutsfattande i att dirigera patienter till lämpliga vårdvägar.
Sekundära mål:
- Att utvärdera patientupplevelse (PREMs) och PROMs över olika hänvisningsvägar.
- Att identifiera patientkohorter lämpliga för automatisering (definierad som 80–95 % initial algoritmisk noggrannhet).
- Att bedöma tid till MDT-diskussion och hänvisningsutfärdande.
- Att genomföra en kostnadsanalys som jämför standard- och digitala arbetsflöden.
Att jämföra MDT-beslut mot NICE-riktlinjebaserade rekommendationer.
3. STUDIEDESIGN
Typ av studie: Digital hälsointerventionsutveckling och utvärdering – En mixed-methods digital hälso- och AI-algoritmutvecklingsstudie, som involverar retrospektiv analys av kliniska journaler, prospektiv observationsvalidering och ett framtida interventionsfall-kontrollstudie av ett AI-baserat hälsonavigeringsverktyg.
Varaktighet: 2 år
Deltagare: Veteraner som använder OpRESTORE-patientnavigeringsvägen.
3.1. STUDIEUTDATAMÄTT
Primärt slutpunkt:
Överensstämmelsen mellan algoritmgenererade vårdvägsrekommendationer och MDT-beslut.
Sekundära slutpunkter:
- Noggrannheten i hänvisningar, som bestäms av oberoende experter, är lika med eller överlägsen MDT:s.
- Ökningen i EQ5D-5L-poäng (baslinje till utträde) hos patienter under algoritmstödd väg är lika med eller större än under standardväg.
- Patientrapporterade upplevelsemått (PREMs) bedömda efter hänvisning (t.ex. övergripande tillfredsställelse, användarvänlighet, tillgänglighet) hos patienter under algoritmstödd väg är lika med eller större än under standardväg.
- Tid från hänvisning till MDT-beslut och hänvisningsutfärdande är snabbare i algoritmstödd väg.
- Kostnad per hänvisningsepisode är lägre i AI-stödda vägar.
- Andel algoritmassisterade hänvisningar som ger starkt stöd för en behandlingsväg och inte kräver ytterligare input från MDT, med ett mål på 40 %
- Lämpligheten av denna plattform för en undergrupp av veteranamputerade.
Studietyp
Inskrivning (Beräknad)
Fas
- Inte tillämpbar
Kontakter och platser
Studiekontakt
- Namn: Natalia L Sanchez-Thompson, MRCS MSc
- Telefonnummer: +447791700255
- E-post: natalia.sanchez-thompson@nhs.net
Studieorter
-
-
-
London, Storbritannien, W2 1NY
- OpRESTORE, Imperial College Healthcare NHS trust
-
Kontakt:
- Beth Lambert
- E-post: beth.lambert4@nhs.net
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Beskrivning
Inklusionskriterier:
- Uppfyller kriterier för remiss till OpRESTORE-tjänsten
- Ålder 18 år eller äldre.
- Kapacitet att samtycka.
- Har ett fysiskt hälsobehov (t.ex. inte enbart psykisk hälsa eller söker råd om social omsorg)
Exklusionskriterier:
- Remisser som behandlas utanför standard MDT-arbetsflöde.
- Patienter som saknar kapacitet att samtycka.
- Fångar.
- Akut presentation som bäst hanteras av akutjouren och inte är lämplig för OpRESTORE.
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Hälsovårdsforskning
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Enda
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Aktiv komparator: Standardvård - MDT-väg
Patienten kommer att gå igenom den aktuella OpRESTORE-vägen.
Det innebär manuell behandling av deras remiss av OpRESTORE:s sjukvårdsnavigeringsteam, sammanfattning av den medicinska bilden, diskussion vid ett multidisciplinärt teammöte och överenskommelse om ett behandlingsresultat.
|
Detta är den nuvarande standardvården, som är en människovårdshälsovägledningsväg där information extraheras manuellt och fall diskuteras vid opRESTORE MDT för brittiska veteraner.
|
|
Experimentell: AI-OpRESTORE - automatiserad väg
I denna väg samlas data automatiskt in från patienterna själva genom självreferering, automatiserad screening av deras journal och endast där det behövs mänsklig inmatning (av medlemmar i OpRESTORE:s kliniska team) eller ytterligare information.
Denna information körs sedan genom algoritmen för utfallsförutsägelse som bestämmer ett behandlingsresultat.
Beslutet anses vara slutgiltigt men för denna studie granskas det av medlemmar i det kliniska teamet och kliniska medlemmar i forskningsteamet för att säkerställa klinisk sammanhållning och undvika skada för deltagarna.
|
En algoritm utvecklas som en del av denna studie som förutspår en patients bästa behandlingsväg baserat på grundläggande demografiska variabler, riktade kliniska frågor och tidigare kliniska journaler.
Detta är den första versionen av denna algoritm under utveckling, byggd på brittisk OpRESTORE-veterandata och testad på samma population.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Algoritmöverensstämmelse mot kontroll
Tidsram: Vid slutförandet av både MDT-beslut och algoritmresultatgenerering (oavsett vilket som inträffar senare), vanligtvis 8 veckor efter remiss för prospektiva fall eller efter algoritmbearbetning för retrospektiva data.
|
Överensstämmelse mellan algoritmgenererade vårdvägsrekommendationer och beslut från multidisciplinära team (MDT).
MDT-beslut bestämmer den mest lämpliga behandlingsvägen och dokumenteras i MDT-sammanfattningsdokumentet och referensspårningsdatabasen.
Vårdvägar motsvarar specifika NHS- eller tredjepartstjänster grupperade i kategorier och underkategorier (t.ex. ortopedisk kirurgiklinik efter led; ENT-tjänster uppdelade i ENT-klinik eller audiologi; smärtjänster uppdelade i NHS-kliniker, namngivna konsulter eller tredjepartsprogram).
Algoritmutdata jämförs med MDT-beslut och klassificeras som: fullständig matchning (kategori och underkategori), endast kategorimatchning, felaktig rekommendation eller remiss till MDT på grund av låg algoritmsäkerhet.
|
Vid slutförandet av både MDT-beslut och algoritmresultatgenerering (oavsett vilket som inträffar senare), vanligtvis 8 veckor efter remiss för prospektiva fall eller efter algoritmbearbetning för retrospektiva data.
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Patientrapporterade utfall (EQ5D-5L)
Tidsram: Från rekrytering till 6 månader efter rekrytering.
|
Att ökningen av patientrapporterade utfall (från baslinje till avslut) för patienter under den algoritmstödda vårdvägen är lika med eller större än för dem under standardvårdvägen.
Den standardiserade EuroQol EQ5D-5L-frågeformuläret används.
Ett lägre poäng motsvarar bättre livskvalitet.
Den består av 5 frågor och resultaten presenteras beskrivande som ett 5-siffrigt tal (där varje siffra motsvarar svaret på var och en av frågorna) eller som ett sammansatt poäng med ett minimivärde på 5 och ett maximivärde på 25 (alla frågor viktas lika).
|
Från rekrytering till 6 månader efter rekrytering.
|
|
Referensnoggrannhet
Tidsram: Vid tidpunkten för resultatbeslut jämfört med expertinput inom 3 månader efter remiss.
|
Noggrannheten i remisserna, som fastställts av oberoende experter, är lika med eller överstiger MDT-gruppens.
Resultaten faller in i 3 kategorier som liknar primära utfall: fullständig matchning (kategori och underkategori), endast kategorimatchning, felaktigt rekommendation.
De som remitterats till MDT av algoritmen beaktas inte för detta utfall.
|
Vid tidpunkten för resultatbeslut jämfört med expertinput inom 3 månader efter remiss.
|
|
Patientrapporterade erfarenhetsmått
Tidsram: Från remiss till 6 månader efter remiss
|
Patientrapporterade upplevelsemått (PREMs) utvärderades efter remiss och jämfördes mellan patienter som använde självremiss kontra allmänläkarremiss, samt mellan de som gick genom algoritmen och de som gick genom det manuella MDT (4 resulterande grupper).
PREMS utvärderas med hjälp av Veteran Affairs Trust-frågeformuläret.
Det består av 4 frågor med flervalsalternativ på en 5-punkts Likert-skala.
Jämförelsen är deskriptiv över de 4 frågorna (sammanställt poängsättning är inte validerad).
|
Från remiss till 6 månader efter remiss
|
|
Vägtids effektivitet
Tidsram: Från mottagande av remiss till beslut om behandlingsväg (algoritmgenererad rekommendation eller MDT-beslut), upp till 6 månader.
|
Tid från mottagande av remiss (egenremiss eller husläkarremiss) till beslut om behandlingsväg.
I kontrollgruppen är detta tiden från mottagande av remiss till slutgiltigt behandlingsbeslut registrerat vid MDT-mötet och dokumenterat i patientuppföljningssystemet och MDT-protokollet.
I algoritmgruppen är detta tiden från mottagande av remiss till algoritmgenererad behandlingsrekommendation.
Om algoritmens tillförlitlighet är låg hänvisas fallet till MDT-mötet och beslutsfattningstiden registreras vid slutförandet av MDT-mötet, som i kontrollgruppen.
|
Från mottagande av remiss till beslut om behandlingsväg (algoritmgenererad rekommendation eller MDT-beslut), upp till 6 månader.
|
|
Kostnad per remissepisod
Tidsram: Från remiss till utskrivning från tjänsten (vanligtvis inte längre än 6 månader).
|
Kostnad per remissepisode lägre i de AI-stödda vårdvägarna.
|
Från remiss till utskrivning från tjänsten (vanligtvis inte längre än 6 månader).
|
|
Automationsgrad
Tidsram: Bedömd från remiss till utskrivning från tjänsten (vanligtvis inte längre än 6 månader)
|
Andel av algoritmassisterade remisser som ger starkt stöd för en behandlingsväg och inte kräver ytterligare inmatning från MDT, med ett mål på 40%.
|
Bedömd från remiss till utskrivning från tjänsten (vanligtvis inte längre än 6 månader)
|
Andra resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Lämplighet för amputationspatienter
Tidsram: Utvärderas efter MDT-utlåtande genererat och under en period av 3 månader efteråt.
|
Denna plattforms lämplighet för en undergrupp av veteranamputerade.
|
Utvärderas efter MDT-utlåtande genererat och under en period av 3 månader efteråt.
|
Samarbetspartners och utredare
Utredare
- Huvudutredare: Shehan Hettiaratchy, FRCS MD, Imperial College Healthcare NHS Trust
Publikationer och användbara länkar
Allmänna publikationer
- McBrien KA, Ivers N, Barnieh L, Bailey JJ, Lorenzetti DL, Nicholas D, Tonelli M, Hemmelgarn B, Lewanczuk R, Edwards A, Braun T, Manns B. Patient navigators for people with chronic disease: A systematic review. PLoS One. 2018 Feb 20;13(2):e0191980. doi: 10.1371/journal.pone.0191980. eCollection 2018.
- Ali-Faisal SF, Colella TJ, Medina-Jaudes N, Benz Scott L. The effectiveness of patient navigation to improve healthcare utilization outcomes: A meta-analysis of randomized controlled trials. Patient Educ Couns. 2017 Mar;100(3):436-448. doi: 10.1016/j.pec.2016.10.014. Epub 2016 Oct 17.
- Desveaux L, McBrien K, Barnieh L, Ivers NM. Mapping variation in intervention design: a systematic review to develop a program theory for patient navigator programs. Syst Rev. 2019 Jan 8;8(1):8. doi: 10.1186/s13643-018-0920-5.
- Roland KB, Milliken EL, Rohan EA, DeGroff A, White S, Melillo S, Rorie WE, Signes CC, Young PA. Use of Community Health Workers and Patient Navigators to Improve Cancer Outcomes Among Patients Served by Federally Qualified Health Centers: A Systematic Literature Review. Health Equity. 2017 May 1;1(1):61-76. doi: 10.1089/heq.2017.0001. eCollection 2017.
- Le Berre M, Maimon G, Sourial N, Gueriton M, Vedel I. Impact of Transitional Care Services for Chronically Ill Older Patients: A Systematic Evidence Review. J Am Geriatr Soc. 2017 Jul;65(7):1597-1608. doi: 10.1111/jgs.14828. Epub 2017 Apr 12.
- Naylor MD, Brooten DA, Campbell RL, Maislin G, McCauley KM, Schwartz JS. Transitional care of older adults hospitalized with heart failure: a randomized, controlled trial. J Am Geriatr Soc. 2004 May;52(5):675-84. doi: 10.1111/j.1532-5415.2004.52202.x.
- Large O, Ward D, Refsum C, Atkinson I. Preparing the NHS for the AI Era: Why Smarter Triage and Navigation Mean Better Health Care. 2025.
- FIT FOR THE FUTURE 10 Year Health Plan for England Executive Summary. 2025.
- NHS England. Delivery plan for recovering access to primary care: update and actions for 2024-25 [Internet]. 2024 [cited 2024 Nov 5]. Available from: https://www.england.nhs.uk/long-read/delivery-plan-for-recovering-access-to-primary-care-update-and-actions-for-2024-25/
- Hill A, Morrissey D, Marsh W. "It's the future, come on!": a think aloud study exploring clinicians' use of knowledge-based AI decision support. Int J Med Inform. 2025 Dec;204:106089. doi: 10.1016/j.ijmedinf.2025.106089. Epub 2025 Aug 21.
- Moser EC, Narayan G. Improving breast cancer care coordination and symptom management by using AI driven predictive toolkits. Breast. 2020 Apr;50:25-29. doi: 10.1016/j.breast.2019.12.006. Epub 2020 Jan 21.
- D'Amours G, Clausen M, Luca S, Reble E, Kodida R, Assamad D, Bernier F, Chad L, Costain G, Dhalla I, Faghfoury H, Friedman JM, Hewson S, Jamieson T, Silver J, Shuman C, Osmond M, Carroll JC, Jobling R, Laberge AM, Aronson M, Liston E, Lerner-Ellis J, Marshall C, Brudno M, Pham Q, Rudzicz F, Cohn R, Mamdani M, Smith M, Shastri-Estrada S, Seto E, Thorpe K, Ungar W, Hayeems RZ, Bombard Y. Genetics Navigator: protocol for a mixed methods randomized controlled trial evaluating a digital platform to deliver genomic services in Canadian pediatric and adult populations. BMJ Open. 2024 Sep 3;14(9):e090084. doi: 10.1136/bmjopen-2024-090084.
- Puthenpura V, Hunter M, Marks AM. "Techquity" in Pediatric, Adolescent, and Young Adult Oncology: Addressing Inequities Through Artificial Intelligence and Immersive Technologies. Pediatr Blood Cancer. 2025 Oct;72(10):e31909. doi: 10.1002/pbc.31909. Epub 2025 Jul 18.
- Sripa P, Hayhoe B, Garg P, Majeed A, Greenfield G. Impact of GP gatekeeping on quality of care, and health outcomes, use, and expenditure: a systematic review. Br J Gen Pract. 2019 May;69(682):e294-e303. doi: 10.3399/bjgp19X702209. Epub 2019 Mar 25.
- Ntais C, Kontodimopoulos N, Talias MA. Gatekeeping or Provider Choice for Sustainable Health Systems? A Literature Review on Their Impact on Efficiency, Access, and Quality of Services. J Mark Access Health Policy. 2024 Dec 6;12(4):378-387. doi: 10.3390/jmahp12040029. eCollection 2024 Dec.
- Rajabiun S, Cabral HJ, Chen CA, Lloyd-Travaglini C, Dugas JN, Amburgey D, Fitzgerald M, Lemon SC, Haas JS, Freund KM, Battaglia T; TRIP Consortium. Cost and activity analysis for a citywide patient navigation intervention to engage underserved patients in breast cancer treatment: Findings from the Translating Research Into Practice study. Cancer. 2025 Jan 1;131(1):e35671. doi: 10.1002/cncr.35671.
- Orme S, Zarkin GA, Dunlap LJ, Nordeck CD, Schwartz RP, Mitchell SG, Welsh C, O'Grady KE, Gryczynski J. Cost and Cost Savings of Navigation Services to Avoid Rehospitalization for a Comorbid Substance Use Disorder Population. Med Care. 2022 Aug 1;60(8):631-635. doi: 10.1097/MLR.0000000000001743. Epub 2022 Jun 10.
- Mullangi S, Worland SC, Dharmarajan K, Green RJ, Sachdeva K, Johnstone D, et al. Reduction in cancer spending due to patient navigation. JCO Oncol Pract. 2023 Nov;19(11_suppl):557-557.
- Manderson B, McMurray J, Piraino E, Stolee P. Navigation roles support chronically ill older adults through healthcare transitions: a systematic review of the literature. Health Soc Care Community. 2012 Mar;20(2):113-27. doi: 10.1111/j.1365-2524.2011.01032.x. Epub 2011 Oct 13.
- Ranaghan C, Boyle K, Meehan M, Moustapha S, Fraser P, Concert C. Effectiveness of a patient navigator on patient satisfaction in adult patients in an ambulatory care setting: a systematic review. JBI Database System Rev Implement Rep. 2016 Aug;14(8):172-218. doi: 10.11124/JBISRIR-2016-003049.
- Bush ML, Kaufman MR, Shackleford T. Adherence in the Cancer Care Setting: a Systematic Review of Patient Navigation to Traverse Barriers. J Cancer Educ. 2018 Dec;33(6):1222-1229. doi: 10.1007/s13187-017-1235-2.
- Genoff MC, Zaballa A, Gany F, Gonzalez J, Ramirez J, Jewell ST, Diamond LC. Navigating Language Barriers: A Systematic Review of Patient Navigators' Impact on Cancer Screening for Limited English Proficient Patients. J Gen Intern Med. 2016 Apr;31(4):426-34. doi: 10.1007/s11606-015-3572-3. Epub 2016 Jan 19.
- Budde H, Williams GA, Winkelmann J, Pfirter L, Maier CB. The role of patient navigators in ambulatory care: overview of systematic reviews. BMC Health Serv Res. 2021 Oct 28;21(1):1166. doi: 10.1186/s12913-021-07140-6.
- Robinson-White S, Conroy B, Slavish KH, Rosenzweig M. Patient navigation in breast cancer: a systematic review. Cancer Nurs. 2010 Mar-Apr;33(2):127-40. doi: 10.1097/NCC.0b013e3181c40401.
Studieavstämningsdatum
Studera stora datum
Studiestart (Beräknad)
Primärt slutförande (Beräknad)
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
Andra studie-ID-nummer
- 199335
- OpRESTORE number (Annan identifierare: OpRESTORE, Imperial College Healthcare NHS trust)
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
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 .