电子医疗在卢旺达的临床影响和成本评估

研究动机 先前对卢旺达国家 HIV 计划的横断面分析将 HIV 护理连续体描述为“多轨路径”，患者有很多机会在诊断和病毒抑制之间退出和返回护理。 作者得出结论，连续体中最薄弱的一点是从诊断到联系再到护理的过渡，其中只有一半的新诊断患者在接受诊断后 6 个月内联系到护理。

这项研究还估计，接受 ART 治疗的患者中有 82.2% 实现了病毒抑制。 总体而言，假设 2013 年卢旺达一半的 HIV 阳性人口被病毒抑制。 这种病毒抑制的估计是基于对 21,995 名患者子集的 EMR 数据的分析。 与其中一位研究作者的通信澄清说，这些患者中有 9,680 名符合病毒载量测试的条件，并且 3,066 名符合条件的患者记录了病毒载量数据。 这表明三分之二符合病毒载量检测条件的患者在 EMR 中没有记录病毒载量结果。 该研究未估计任何类型的治疗失败（病毒学、免疫学、临床），并且研究人员不知道卢旺达有任何此类估计。

在博茨瓦纳、马拉维、乌干达、南非和喀麦隆进行的研究发现，在开始一线抗逆转录病毒治疗的 3 年内，15% 至 25% 的患者的血浆 HIV RNA 浓度超过每毫升 400 个拷贝。 最近，肯尼亚的研究发现，在接受 ART 治疗的一大群肯尼亚患者中，有 11.6% 的人在 12 个月的研究期间有免疫治疗失败的证据。

在肯尼亚的研究中，研究人员将 13 家使用 EMR 的诊所中的 7 家随机分配到一个干预组，该干预组会收到有关免疫治疗失败的警报和提醒。 针对治疗失败采取适当临床行动的比率从对照组的 30% 增加到干预组的 54%。 作者还报告说，从检测到治疗失败到采取适当的临床行动的时间相对减少了 72%。 研究人员没有估计 CDSS 对病毒抑制和生存等治疗结果的影响。

通过在卢旺达进行的拟议研究，研究人员看到了使用低成本决策支持工具的机会，可以提高诊断与护理的联系率，提高病毒载量等实验室数据的数据质量和完整性，证明这些决策支持的有效性在治疗失败后提示及时临床干预的工具，并证明早期干预可以为患者带来积极的临床结果。

研究结果的预期/潜在用途 研究结果将使卢旺达政府了解他们一直在实施的系统的性能、临床影响和成本，并应帮助他们决定未来对各个地点的电子健康投资。 结果还将有助于为管理艾滋病毒和其他疾病的其他广泛的低收入和中等收入国家的此类投资提供信息。

设计/地点 调查人员将进行整群随机试验，以评估增强型 EMR 包对卢旺达 HIV 护理相关结构、过程和临床结果的治疗效果。

研究问题和结果

调查人员将提出四个关于决策支持干预对过程、结构和临床结果的影响的主要研究问题：

1. 警报和提醒是否改善了从 HIV 检测到护理的联系？

   结果：

   A。诊断后 3 个月内 HIV 阳性患者的护理联系率 b。 从 HIV+ 检测结果到联系护理的时间

2. 警报和提醒是否提高了 EMR 中常规实验室结果的质量和完整性？

   结果：

   1. 完成第 6 个月治疗的 ART 患者在该初始里程碑的 2 个月内将病毒载量结果记录在 EMR 中的百分比。
   2. 接受年度 VL 测试并在该年度里程​​碑后 2 个月内将结果记录在 EMR 中的 ART 患者百分比。
3. CD4 或病毒载量检测到治疗失败后的警报和提醒是否会改善临床行动？

结果：

1. 在检测到治疗失败后 1 个月内有临床作用记录的 ART 患者的百分比

2. 从治疗失败到记录临床作用的时间

   4. CD4 或病毒载量检测到治疗失败后的警报和提醒是否会改善病毒抑制等治疗结果？

   结果：

   治疗失败后 4 个月完全抑制的患者百分比

   假设 在卢旺达拟议的研究中，研究人员假设低成本决策支持工具可以提高诊断与护理的联系率，提高病毒载量和 CD4 等实验室数据的数据质量和完整性，并在治疗失败后及时进行临床干预.

   调查人员将实施多个级别的随机化，以回答上述不同的研究问题。

   I. 警报和提醒是否改善了从 HIV 检测到护理的联系？ 将包含的设施随机化为两个手臂：干预 1 (Int1) 和控制 (Ctrl1)。 分配给 Ctrl1 的设施将不会获得任何额外的设备、软件工具、培训或其他形式的支持。 分配给 Int1 增强包的设施将收到警报和提醒，以促进从诊断到护理的联系。

   二。警报和提醒是否提高了 EMR 中实验室结果的质量和完整性？将干预 1 组随机分为另外两个臂：干预 2 (Int2) 和控制 (Ctrl2)。 分配给 Int2 的设施还将收到警报和提醒，以改进实验室报告，作为其增强包的一部分。

   三、 CD4 或病毒载量检测到治疗失败后的警报和提醒是否会改善临床行动？ 将干预 2 组随机分为两个额外的武器：干预 3 (Int3) 或控制 (Ctrl3)。 作为增强包的一部分，分配给 Int3 的设施还将收到警报和提醒，以改善对治疗失败检测的临床反应。

   四、 CD4 或病毒载量检测到治疗失败后的警报和提醒是否会改善病毒抑制等临床结果？ （没有额外的随机化）

   研究人员认为，这种级联随机化是必要的，因为旨在改善 HIV 护理连续体开始时的服务的干预措施可能会产生下游影响，这可能会使单独评估每项额外干预措施的效果变得具有挑战性。 例如，为设施提供工具以改善从 HIV 检测到护理的联系（Int1）可以更广泛地改善设施的数据捕获，并可能改善实验室结果的排序和记录（Int2），这会使结果产生偏差。 因此，研究人员建议从分配给 Int1 的设施子集中随机分配到 Int2。

   对于 90% 的 alpha 为 0.05、ICC 为 0.15、平均分配给最终研究组以及每组 10 名在研究期间经历治疗失败的患者，研究人员可以检测到以下实现病毒抑制的患者百分比的变化治疗失败30个百分点，从30%降到60%。 这些数字是最低目标，研究人员计划在可行的情况下招募更多地点，以提高研究的效力。

   主要结果和患者队列的定义

   1a. HIV 阳性患者与护理的联系率队列：从试验开始到第 9 个月，每位新的 HIV 检测呈阳性的成年患者（18 岁或以上）。在研究第 12 个月测量最后“登记”患者的结果。

   基线情况：卢旺达的一项研究报告称，50% 的确诊病例与 3 个月内的护理有关。

   影响：将比例从 50% 变为 75%

   1. b.从 HIV+ 检测结果到联系护理的时间

      队列：研究机构的 EMR 中记录的所有 HIV 检测结果呈阳性的成年人。 与 1a 相同的时间线。

      终点：在 3 个月内与研究机构的护理有关 (N3 N4) 基线情况：无数据 影响：减少 50%

   2. A。 ART 患者的百分比在 EMR 中有病毒载量结果（初始）

   队列：从试验开始到研究第 10 个月完成第 6 个月治疗的所有现有 ART 患者。 在研究第 12 个月测量的最后“登记”患者的结果。

   基线情况：根据在卢旺达进行的一项研究中提供的数据以及与一位研究作者的通信，研究人员估计大约三分之二符合病毒载量检测条件的患者的 EMR 中没有记录病毒载量结果。

   影响：增加 30%

   2b. ART 患者的百分比在 EMR 中有病毒载量结果（每年）

   队列：从试验开始到研究第 10 个月完成 12 个月（每年）治疗的现有 ART 患者。 在研究第 12 个月测量的最后“登记”患者的结果。

   基线情况：同 2a 影响：增加 30%

   3a.治疗失败的 ART 患者经历临床行动的百分比 队列：每位接受 ART 治疗至少 12 个月并在子试验开始和研究第 11 个月之间经历治疗失败的现有 ART 患者。 在研究第 12 个月测量的最后“登记”患者的结果。

   基线情况：无数据影响：增加 50%

   3b. 从检测到治疗失败到临床行动的时间

   队列：每位接受 ART 治疗至少 18 个月并且在试验开始和研究第 11 个月之间经历治疗失败的现有 ART 患者。

   终点：从治疗失败 (N6e) 到记录的临床作用的天数时间。

   基线情况：无数据影响：从治疗失败到临床行动的时间减少 50%

   4. 经历治疗失败并在失败点后 4 个月被完全抑制的患者百分比 队列：接受 ART 治疗至少 12 个月并在子试验开始和研究之间经历治疗失败的每一位现有 ART 患者第 8 个月。在研究第 12 个月测量的最后“登记”患者的结果。

   基线情况：假设为功率计算中的 30% 影响：从 30% 到 60% 的 30 个百分点

   分析

   调查人员将使用个体层面和集群层面的方法分析数据：

   个人层面

   研究人员将通过对治疗分组分配（参见表 1 中的对比）阻塞层的主要结果的逻辑回归，以及设施级别和患者级别基线协变量的向量来估计意向治疗 (ITT) 治疗效果。 标准错误将聚集在设施级别。 调查人员将使用多层次建模方法进行敏感性分析。 调查人员还将使用 Kaplan-Meier 方法来计算事件发生时间；为了检验生存曲线之间没有差异的原假设，研究人员将使用对数秩检验。

   集群级别的调查人员将通过对集群分配到治疗的主要结果进行普通最小二乘回归来估计 ITT 治疗效果（参见表 1 中的对比）阻塞层，以及设施级别协变量的向量。

   此处记录的所有研究问题、假设和研究终点均已在 2018 年 1 月 1 日之前获得卢旺达 IRB 和 CDC 的批准。

   数据管理

   所有研究设施都将设计有 EMR 系统。 因此，大多数数据将由设施工作人员通过常规护理程序收集。 为了访问这些数据，研究人员将创建自动化脚本，为每位患者创建一个研究 ID，并从 EMR 中提取去识别化的数据。 MOH EMR 专家将审查脚本以确保数据被正确地去识别化。