可穿戴式活动追踪可减少住院治疗 (WATCH)
2026年8月18日 更新者：University of California, San Francisco
可穿戴活动跟踪以减少住院 (WATCH)
这项研究的目的是收集患者生成的健康数据，以预测患者之前、期间需要急诊科就诊或住院的风险。
以及接受放射治疗后。
研究概览
详细说明
主要目标：
I. 验证先前开发的步数模型，用于预测全因急性护理（跨所有设备汇总）。
大纲：这是一项观察性研究。 参与者被分配到 2 组中的一组。
第一组：参与者接受 Fitbit 设备并接受非介入性标准护理和放射治疗。
第二组：参与者收到 Fitbit 设备并使用自己的基于 Apple HealthKit 的个人设备，并接受非介入性标准护理和放射治疗。
研究类型
观察性的
注册 (估计的)
260
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：Imani Dunn
- 电话号码：877-827-3222
- 邮箱：Imani.Dunn@ucsf.edu
学习地点
-
-
California
-
San Francisco、California、美国、94143
- 招聘中
- University of California, San Francisco
-
接触：
-
首席研究员：
- Julian Hong, MD, MS
-
接触：
- Imani Dunn
- 电话号码：877-827-3222
- 邮箱：Imani.Dunn@ucsf.edu
-
-
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
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
在 UCSF 放射肿瘤科接受非介入、标准护理、放射治疗 (RT) 的成年患者
描述
纳入标准：
- 年龄 >= 18。
- 东部肿瘤合作组 (ECOG) 表现状态 =< 2。
- 能够理解学习程序并在整个学习期间遵守这些程序。
- 个人或法定监护人/代表理解书面知情同意文件的能力，以及签署该文件的意愿。
- 侵袭性恶性肿瘤的诊断。
- 能够独立行走（无需拐杖或助行器的帮助）。
- 计划进行至少 5 天的分次外照射放疗（无分次要求）。
- 以前不是该协议后续课程的参与者。
排除标准：
- 参与者被绑在轮椅上。
- 参与者无法独立行走（需要拐杖或助行器的帮助）。
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 |
|---|---|
|
观察组 I：仅限 Fitbit
参与者在接受非介入性标准护理和放射治疗时会收到 Fitbit 设备。
|
参与者将佩戴 Fitbit 设备
其他名称：
|
|
观察组 II：Fitbit + Apple HealthKit
参与者收到 Fitbit 设备，并将利用基于 Apple HealthKit 的个人设备（iPhone、Apple Watch 等）在接受非介入性标准护理和放射治疗的同时贡献基于 Apple HealthKit 的数据。
|
参与者将佩戴 Fitbit 设备
其他名称：
参与者将佩戴个人设备并与研究团队共享数据。
其他名称：
|
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 |
|---|---|---|
|
步骤计数模型的接收器操作特征曲线（AUC-ROC）下的区域
大体时间：最多3年
|
步骤计数模型的AUC -ROC将通过绘制对假阳性的真实阳性速率来衡量分类模型的性能，而得分范围为0-1。
AUC越高，模型在区分正类别和负面类别方面的性能就越好。
AUC-ROC将报告包括估计和置信区间。
所有模型将根据最新指南进行报告，例如有关临床人工智能建模（MI-saim）的最低信息以及对个体预后或诊断（三脚架）多变量预测模型的透明报告。
性能指标只能根据第一个急性护理事件进行计算。
|
最多3年
|
|
计算布里尔分数
大体时间：最多3年
|
Brier分数是严格适当的分数函数或严格的得分规则，可衡量概率预测的准确性。
Brier得分可以在0到1之间取得任何值，而0是最佳的得分，而1分是最差的得分。
Brier分数越低，预测越准确。
分数将报告包括估计区间和置信区间。
所有模型均可根据最新指南（例如MI-CLIAM和TRIPOD）报告。
性能指标只能根据第一个急性护理事件进行计算。
|
最多3年
|
|
计算日志分数
大体时间：最多3年
|
对数损失表明预测概率与实际/相应的真实值有多近。
日志损失分数可以在0到1之间取得任何值。
预测概率与实际值差异越多，越高的是对数损坏值。
对数损坏值将报告包括估计和置信区间。
所有模型均可根据最新指南（例如MI-CLIAM和TRIPOD）报告。
性能指标只能根据第一个急性护理事件进行计算。
|
最多3年
|
|
Precision-Recall曲线下的区域（AUCPR）
大体时间：最多3年
|
Precision-Recall曲线（AUCPR）下的面积是Precision-Recall（PR）曲线中信息的单个数字摘要。
它代表了不同阈值的精确度和召回之间的权衡，其中高AUCPR表示高召回率和高精度。
AUCPR将报告包括估计间隔和置信区间。
所有模型均可根据最新指南（例如MI-CLIAM和TRIPOD）报告。
性能指标只能根据第一个急性护理事件进行计算。
|
最多3年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
复合急性护理的AUC-ROC
大体时间：最多3年
|
AUC-ROC将用于在主要端点中验证先前开发的模型，以使用在处理前，期间和处理后使用连续的步骤计数来预测外部束RT期间的每次ED访问或住院。
|
最多3年
|
|
接收器操作特征曲线（AUC-ROC）下的所有导致急性护理的区域
大体时间：最多3年
|
AUC-ROC将用于验证主要端点中先前开发的步骤计数模型，以预测两个不同设备平台中的每个设备平台中的每个急性护理。
|
最多3年
|
|
平方误差（MSE）
大体时间：最多3年
|
MSE将用于验证Apple组中每个设备平台上的步骤计数的一致性。
平均平方误差（MSE）是评估预测模型的准确性的统计和机器学习中的一个基本概念，该模型测量了预测值与数据集中的实际值之间的平均平方差。
|
最多3年
|
|
复合急性护理终点的接收器操作特征曲线（AUC-ROC）下的区域。
大体时间：最多3年
|
验证先前开发的基于SHIELD-RT EHR的模型，以预测计划外的急性护理（ED访问或住院），以发现其他变量，这些变量可能是先前不包括的预测变量。
|
最多3年
|
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：Julian Hong, MD, MS、University of California, San Francisco
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)
2025年4月7日
初级完成 (估计的)
2027年12月31日
研究完成 (估计的)
2027年12月31日
研究注册日期
首次提交
2024年9月4日
首先提交符合 QC 标准的
2024年9月4日
首次发布 (实际的)
2024年9月19日
研究记录更新
最后更新发布 (实际的)
2026年8月20日
上次提交的符合 QC 标准的更新
2026年8月18日
最后验证
2026年8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.