创伤后续预测（项目 2：目标 2）
使用数据自适应方法优化喀麦隆受伤患者出院后的随访（目标 2）
世界上大约 9% 的死亡人数，即每年超过 500 万人死于伤害。 在高收入国家，外伤的流行病学和结果都有很好的特征，外伤主要影响人口中年轻、有生产力的成员，并与严重的长期残疾有关。 在喀麦隆等撒哈拉以南非洲 (SSA) 国家，受伤人员在创伤护理方面面临多重障碍，包括出院后可能挽救生命的后续护理。 调查人员对喀麦隆西南部 8,065 名患者进行的基于社区的调查发现，34.6% 的受伤受访者在受伤后没有立即寻求正规护理，另有 9.9% 仅通过其他方式寻求正规护理，例如咨询传统医生。
在喀麦隆，对于受伤后寻求正规护理的 65.4% 的受伤人员，5 治疗路线可能很复杂，通常涉及转介到其他设施或从正规护理转移到其他机构的支持不足。 因此，正规的护理系统无法留住创伤患者进行后续护理，这是一个错失的机会，因为这些患者已经克服了重大的经济和个人挑战，为他们的伤害寻求初步护理。 因此，可能受益于后续护理的出院创伤患者通常会延迟护理，直到出现晚期并发症。
本研究的目的是评估机器学习优化的基于电话的筛选工具，该工具可预测哪些创伤患者最有可能从后续护理中受益。 将在喀麦隆的 10 家医院开展涉及 852 名外伤患者的集群随机试验对照试验。 对照组应使用现有的标准 mHealth 筛查工具，而干预组应使用机器学习方法的优化版本的 mHealth 筛查工具（干预）。 应对患者进行为期 6 个月的随访，以确定需要使用手机进行随访护理的外伤出院患者的比例。
研究概览
详细说明
mHealth 和机器学习的技术融合为改变 SSA 的伤害护理提供了前所未有的机会，特别是对于弱势群体。 手机的普及和移动医疗的出现为改善 SSA 的伤害护理提供了新的机会。 鉴于喀麦隆（85% 至 95%）和 SSA 其他地方的手机普及率很高，研究人员设计并试用了一种移动健康、基于电话的 7 项筛查工具，用于创伤患者，以预测是否需要亲自随访-出院后的护理。 如果有效，这种方法可以有效地识别出最有可能从后续护理中受益的患者子集，这比出院后护理的一揽子建议更可行、可扩展且更具成本效益。 调查人员发现电话随访是可行和可接受的，并且验证研究表明筛查工具与独立的面对面检查具有良好的相关性。
调查人员将在他们之前的研究基础上，利用数据科学来改进、实施和评估 mHealth 筛查工具，最终目标是减少严重的伤害负担。 这将通过利用机器学习来实现，机器学习在优化创伤护理和创伤系统方面已显示出前景。移动医疗和机器学习的新颖结合提供了一个强大的机会，可以改变那些最不可能获得医疗保健的人获得医疗保健的机会。 在现有知识的基础上，研究人员假设一种数据自适应、机器学习的结果预测方法可以从根本上提高生存率并降低 SSA 受伤后的发病率。
研究人员将应用机器学习方法来自适应优化 mHealth 分类工具，改进电话呼叫时间和算法，通过集群随机对照试验预测后续护理的需求。 这将使用 SuperLearner 进行预测和交叉验证的目标最大似然估计 (CV-TMLE) 来实现变量重要性，使用创伤登记、接触尝试和目标 1 中收集的筛选调查数据。 总体目标是提高 mHealth 工具对出院后需要后续护理的弱势患者的预测。 本研究应在 18 个月内进行；入组 6 个月，随访 12 个月。 研究人员将在 10 家医院的 852 名受伤患者的随机研究中评估优化方法的影响，主要结果是 3 个月时的格拉斯哥结果量表扩展 (GOSE)24,25 评分。
研究类型
注册 (预期的)
阶段
- 不适用
联系人和位置
学习联系方式
- 姓名：Alain Chichom-Mefire, MD
- 电话号码：+237677530532
- 邮箱：chichom.mefire@ubuea.cm
研究联系人备份
- 姓名：Fanny JN Dissak-Delon, MD, PhD
- 电话号码：+237697582185
- 邮箱：fannynadia@gmail.com
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
有资格学习的性别
描述
纳入标准：
外伤登记处 (CTR)：满足以下纳入标准的患者将被纳入登记处：
- 急性外伤患者，即在就诊后 2 周内接受治疗。
- 正式入院住院的外伤患者。
- 在到达急诊室或入院时死亡的外伤患者。
- 转移到其他医疗机构的外伤患者。
- 有入院指征（根据医生评估）但不遵医嘱离开的外伤患者
- 在急诊科观察超过 24 小时的外伤患者
标准 mHealth 分流工具资格：mHealth 分流工具将用于外伤登记中包含的患者子集，这些患者入院后在治疗后出院回家。
mHealth 筛查工具的优化版本（干预） 资格：mHealth 筛查工具的优化版本将用于外伤登记中包含的患者子集，这些患者在治疗后入院然后出院回家。
排除标准：
- 外伤登记排除标准：不会根据年龄、性别、种族或国籍排除患者。 如果患者或其代理决策者不同意参与，则这些患者将被排除在外。
根据世界卫生组织（WHO）的伤害定义，以下将被排除在“伤害”的定义之外：“鉴于上述伤害定义包括溺水（缺氧）、体温过低（缺热）、勒死（缺氧）、减压病或“减压病”（氮化合物过多）和中毒（有毒物质），不包括因持续压力引起的病症，如腕管综合症、慢性背痛和感染引起的中毒. 精神障碍和慢性残疾，虽然这些可能是身体受伤的最终后果，但也被上述定义排除在外。” 尽管包括在 WHO 定义中，但中毒将被排除在 CTR 之外，因为迄今为止，这些事件在 CTR 中是极其罕见的事件，并且在大多数其他情况下通常不包括在创伤登记中。
未在急诊病房 24 小时内正式入院和出院的患者将被排除在外。
学习计划
研究是如何设计的？
设计细节
- 主要用途：预防
- 分配：随机化
- 介入模型：并行分配
- 屏蔽：单身的
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
无干预：标准 mHealth 筛查工具
这是一种经过测试的标准电话筛选工具，可确定患者出院后是否需要亲自跟进。
同意的创伤患者将在出院后 0.5、1、3 和 6 个月由研究助理通过手机联系以完成筛查，这将根据标记的数量指导患者是否应寻求后续护理在 7 项筛选调查中回答 ≥1 个问题。
|
|
|
实验性的：使用机器学习方法的 mHealth 筛选工具（干预）的优化版本
该部门将使用机器学习方法改进 mHealth 分类工具。
将在结果时间点（3 个月、6 个月和 12 个月）使用优化的工具呼叫患者。
在每次通话中，研究助理将完成 GOSE 调查和 mHealth 分类工具，将通话结果和患者反应直接输入 mHealth 系统。
如果需要后续护理，研究助理将与患者分享该信息并主动安排预约。
|
使用机器学习方法改进 mHealth 分类工具，优化呼叫时间表的效率，并根据医院通过喀麦隆创伤登记处收集的数据预测哪些患者最有可能受益于后续护理，以及出院后电话联系尝试和调查信息。
估计器的骨干是集成机器学习算法 Superlearner，它已应用于医疗环境，包括伤害和创伤。
它是一种基于交叉验证的理论驱动方法，它可能结合许多不同的学习器（例如，标准回归、树回归、随机森林、神经网络），使得所选模型（学习器的加权平均值）渐近等效到所谓的“Oracle”——最适合数据生成分布的学习器。
请注意，此估计器的双稳健 CV-TMLE 版本可用作 tlverse 中的 tmle3mopttx 函数。
|
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 |
|---|---|---|
|
评估 Glasgow Outcomes Scale-Extended (GOSE) 分数
大体时间：3个月时
|
该结果将衡量外伤后的恢复情况，范围从 1（死亡）、2（植物人状态）到 8（恢复良好）。
|
3个月时
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
GOSE评分
大体时间：在 6 个月和 12 个月时
|
该结果将衡量外伤后的恢复情况，范围从 1（死亡）、2（植物人状态）到 8（恢复良好）。
|
在 6 个月和 12 个月时
|
|
手机达到的比例
大体时间：在 0.5、1、3 和 6 个月时
|
双臂出院后可通过手机联系到的住院创伤患者人数及比例
|
在 0.5、1、3 和 6 个月时
|
|
需要后续护理的比例
大体时间：在 0.5、1、3 和 6 个月时
|
出院后通过手机联系到并被筛查工具确定为需要后续护理的住院创伤患者的数量和比例。
|
在 0.5、1、3 和 6 个月时
|
合作者和调查者
合作者
调查人员
- 首席研究员：Alain Chichom-Mefire, MD、University of Buea
- 首席研究员：Catherine Juillard, MD, MPH、University of California, Los Angeles
研究记录日期
研究主要日期
学习开始 (预期的)
初级完成 (预期的)
研究完成 (预期的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
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.