在急诊科将新型诊断与数据驱动的临床决策支持联系起来
2022年4月11日 更新者：Stocastic, LLC
本研究的主要目的是验证电子临床决策支持 (CDS) 工具 TriageGO with Monocyte Distribution Width (TriageGO-MDW) 在急诊科 (ED) 中的使用。 TriageGO-MDW 是一种非设备 CDS，旨在支持急诊临床医生（护士、医生和高级实践提供者）在 ED 就诊期间对患者进行基于风险的评估和优先排序。 本研究将通过以下三个目标（阶段）遵循有效性实施混合设计，按顺序执行：
（目标 1）使用 ED 研究地点的回顾性数据在本地验证 TriageGO-MDW 算法。
（目标 2）部署与电子病历（EMR）集成的 TriageGO-MDW 并进行用户评估。
（目标 3）在临床、过程和感知效用结果方面评估稳定状态下的 TriageGO-MDW。
研究概览
研究类型
观察性的
注册 (预期的)
300000
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Eric Hamrock
- 电话号码：4013420373
- 邮箱：eric.hamrock@stocastic.com
学习地点
-
-
Kansas
-
Kansas City、Kansas、美国、66160
- 招聘中
- Kansas University Medical Center
-
接触：
- Nima Sarani, MD
-
-
Missouri
-
Kansas City、Missouri、美国、64108
- 招聘中
- University Health Truman Medical Center
-
接触：
- Kevin O'Rourke, MD
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
18年 及以上 (成人、OLDER_ADULT)
接受健康志愿者
是的
有资格学习的性别
全部
取样方法
非概率样本
研究人群
研究期间成年患者的所有急诊就诊都将包括在我们的分析中。
描述
纳入标准：在研究中心 ED 接受护理的成年患者
排除标准：无
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
实施前
在所有 ED 患者就诊期间将提供常规护理。
|
TriageGo-MDW 提供的没有决策支持的临床护理
|
|
实施后
TriageGo-MDW CDS 将在所有 ED 患者就诊期间在 ED 护理连续体的两个时间点提供：(1) 在初始 ED 分类（First Triage）到达后不久，和 (2) 在 EHR 中填充初始实验室结果后.
一般疾病严重程度估计将以推荐的分诊敏锐度分数（CDS for First Triage）的形式提供给 ED 分诊的护士。
一般疾病严重程度估计以及包括败血症和败血性休克在内的特定结果的估计风险将在实验室结果填满后提交给临床医生（用于早期评估的 CDS）。
TriageGO-MDW 风险估计将由机器学习算法生成，使用常规可用的临床数据作为预测输入。
护士和临床医生将在现有 EHR 工作流程中收到风险评估，以及对驱动每个风险评估的逻辑的简短且可快速解释的解释。
|
TriageGO-MDW 是一种非设备临床决策支持，可根据来自电子健康记录的临床数据提供患者级别的临床风险估计
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
重症监护
大体时间：基线（干预前）
|
在 ED 处理后 24 小时内进入重症监护病房；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
基线（干预前）
|
|
重症监护
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
在 ED 处理后 24 小时内进入重症监护病房；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
实施后稳定状态期间（干预后约 3 个月）
|
|
院内死亡率
大体时间：基线（干预前）
|
在指数医院遭遇期间死亡；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
基线（干预前）
|
|
院内死亡率
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
在指数医院遭遇期间死亡；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
实施后稳定状态期间（干预后约 3 个月）
|
|
紧急手术
大体时间：基线（干预前）
|
在 ED 到达后 12 小时内在手术室进行手术；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
基线（干预前）
|
|
紧急手术
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
在 ED 到达后 12 小时内在手术室进行手术；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
实施后稳定状态期间（干预后约 3 个月）
|
|
败血症
大体时间：基线（干预前）
|
将测量作为 TriageGO-MDW 基础的机器学习算法对该结果的预测性能
|
基线（干预前）
|
|
败血症
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
将测量作为 TriageGO-MDW 基础的机器学习算法对该结果的预测性能
|
实施后稳定状态期间（干预后约 3 个月）
|
|
感染性休克
大体时间：基线（干预前）
|
在 ED 到达后 24 小时内达到感染性休克标准；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
基线（干预前）
|
|
感染性休克
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
在 ED 到达后 24 小时内达到感染性休克标准；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
实施后稳定状态期间（干预后约 3 个月）
|
|
病毒感染
大体时间：基线（干预前）
|
在 ED 到达后 24 小时内检测出流感或 Covid-19 (SARS-CoV-2) 感染呈阳性；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
基线（干预前）
|
|
病毒感染
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
在 ED 到达后 24 小时内检测出流感或 Covid-19 (SARS-CoV-2) 感染呈阳性；将测量作为该结果基础的 TriageGO-MDW 机器学习算法的预测性能
|
实施后稳定状态期间（干预后约 3 个月）
|
其他结果措施
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
重症监护分诊率
大体时间：基线（干预前）
|
在 ED 分诊时被确定为高敏锐度的重症监护入院、急诊手术或院内死亡率的患者比例
|
基线（干预前）
|
|
重症监护分诊率
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
在 ED 分诊时被确定为高敏锐度的重症监护入院、急诊手术或院内死亡率的患者比例
|
实施后稳定状态期间（干预后约 3 个月）
|
|
入院分流捕获率
大体时间：基线（干预前）
|
在 ED 分诊时被确定为中度或高度敏锐度的需要住院的患者比例
|
基线（干预前）
|
|
入院分流捕获率
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
在 ED 分诊时被确定为中度或高度敏锐度的需要住院的患者比例
|
实施后稳定状态期间（干预后约 3 个月）
|
|
ED 患者流量指标
大体时间：基线（干预前）
|
将测量主要 ED 护理事件之间的间隔，包括到达处置、到达治疗空间、到达治疗提供者、到达重症监护室转移、到达 ED 离开
|
基线（干预前）
|
|
ED 患者流量指标
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
将测量主要 ED 护理事件之间的间隔，包括到达处置、到达治疗空间、到达治疗提供者、到达重症监护室转移、到达 ED 离开
|
实施后稳定状态期间（干预后约 3 个月）
|
|
脓毒症护理质量指标
大体时间：基线（干预前）
|
标准脓毒症护理质量指标，包括诊断和治疗时间以及对医疗保险和医疗补助服务中心 (CMS) 脓毒症-1 (SEP-1) 核心措施及其组成部分的遵守率
|
基线（干预前）
|
|
脓毒症护理质量指标
大体时间：实施后稳定状态期间（干预后约 3 个月）
|
标准脓毒症护理质量指标，包括诊断和治疗时间以及对医疗保险和医疗补助服务中心 (CMS) 脓毒症-1 (SEP-1) 核心措施及其组成部分的遵守率
|
实施后稳定状态期间（干预后约 3 个月）
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Scott Levin, PhD、Stocastic, LLC
- 首席研究员：Jeremiah Hinson, PhD/MD、Stocastic, LLC
- 首席研究员：Nima Sarani, MD、University of Kansas
- 首席研究员：Kevin O'Rourke, MD、Truman Medical Center
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Crouser ED, Parrillo JE, Seymour C, Angus DC, Bicking K, Tejidor L, Magari R, Careaga D, Williams J, Closser DR, Samoszuk M, Herren L, Robart E, Chaves F. Improved Early Detection of Sepsis in the ED With a Novel Monocyte Distribution Width Biomarker. Chest. 2017 Sep;152(3):518-526. doi: 10.1016/j.chest.2017.05.039. Epub 2017 Jun 15.
- Levin S, Toerper M, Hamrock E, Hinson JS, Barnes S, Gardner H, Dugas A, Linton B, Kirsch T, Kelen G. Machine-Learning-Based Electronic Triage More Accurately Differentiates Patients With Respect to Clinical Outcomes Compared With the Emergency Severity Index. Ann Emerg Med. 2018 May;71(5):565-574.e2. doi: 10.1016/j.annemergmed.2017.08.005. Epub 2017 Sep 6.
- Dugas AF, Kirsch TD, Toerper M, Korley F, Yenokyan G, France D, Hager D, Levin S. An Electronic Emergency Triage System to Improve Patient Distribution by Critical Outcomes. J Emerg Med. 2016 Jun;50(6):910-8. doi: 10.1016/j.jemermed.2016.02.026. Epub 2016 Apr 25. Erratum In: J Emerg Med. 2016 Aug;51(2):224.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2022年2月1日
初级完成 (预期的)
2023年1月1日
研究完成 (预期的)
2024年1月1日
研究注册日期
首次提交
2022年2月22日
首先提交符合 QC 标准的
2022年4月11日
首次发布 (实际的)
2022年4月19日
研究记录更新
最后更新发布 (实际的)
2022年4月19日
上次提交的符合 QC 标准的更新
2022年4月11日
最后验证
2022年3月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.
日常护理的临床试验
-
The University of Texas Health Science Center,...尚未招聘
-
Arizona State UniversityMayo Clinic; National Institute of Nursing Research (NINR)完全的
-
Fondazione Don Carlo Gnocchi OnlusIstituto Di Ricerche Farmacologiche Mario Negri完全的
-
Copenhagen University Hospital at HerlevRigshospitalet, Denmark未知
-
University Health Network, Toronto招聘中淋巴瘤 | 淋巴增生性疾病 | 乳腺癌一期 | 乳腺癌二期 | 结直肠癌 II 期 | 结直肠癌 III 期 | 乳腺癌三期 | 结直肠癌 I 期 | 头颈癌 III 期 | 乳腺癌，0 期 | 头颈癌 I 期 | 头颈癌 II 期加拿大
-
Emory UniversityFoundation for Physical Therapy, Inc.完全的