Исследователи из Медицинского центра детской больницы Цинциннати сообщают 27 апреля в Журнале Американской ассоциации медицинской информатики, что они используют так называемые технологии «машинного обучения», чтобы предсказать, будут ли пациенты участвовать.
«Проблемы с набором пациентов для клинических испытаний являются серьезным препятствием для своевременного и эффективного трансляционного исследования», — сказал Ичжао Ни, доктор философии, ведущий автор и исследователь из отдела биомедицинской информатики в Cincinnati Children’s. «Конечная цель нашего исследования — повлиять на стратегии набора пациентов, чтобы увеличить их участие в клинических испытаниях, а также помочь гарантировать, что исследования могут быть завершены, а данные являются значимыми."
Авторы сообщают в своем исследовании, что их автоматизированный алгоритм был значительно лучше в прогнозировании реакции на участие пациентов, чем программа, имитирующая текущую практику набора персонала.
В исследовании около 60% пациентов, к которым обращались с помощью традиционных методов набора, в конечном итоге согласились участвовать.
Исследователи прогнозируют, что их новый автоматизированный алгоритм может поднять процент приема до 72%. По мере того, как Ни и его коллеги продолжают развивать и совершенствовать алгоритм, их цель — повысить уровень принятия до 72%.
Авторы работали с предыдущими исследованиями, которые определили категории объективных и субъективных факторов, влияющих на успешный набор пациентов.
Возраст, раса, образование, социально-экономический уровень, финансовые ресурсы и необходимое время являются примерами объективных факторов. Субъективные факторы включают отношение к медицинским исследованиям, влиянию семьи, сезонности или внезапному ухудшению состояния здоровья человека.
Новое исследование подтверждает, что пациенты с меньшей вероятностью будут участвовать в рандомизированных исследованиях, многоцентровых исследованиях, более сложных исследованиях и исследованиях, требующих последующих посещений. В документе также определены новые проблемы найма, которые следует проанализировать в будущих исследованиях.
Авторы исследования указывают на то, что даже с учетом растущих новых знаний о том, почему люди принимают или отклоняют приглашения на клинические испытания, трудно вручную обрабатывать эту новую информацию в загруженных медицинских клиниках. Это делает текущую практику приема на работу несколько случайной — с небольшим количеством времени или возможностей для учета индивидуальных предпочтений или предубеждений пациента.
Автоматизированная система, способная анализировать и интерпретировать эти факторы, также может разрабатывать точные стратегии набора, ориентированные на пациента, для улучшения участия.
Алгоритм машинного обучения, разработанный Ни с коллегами, в основном анализирует, сравнивает и интерпретирует различные источники данных для прогнозирования принятия решения конкретным пациентом. Чтобы проверить свой алгоритм, исследователи собрали данные с 2010 по 2012 год, включая набор участников клинических испытаний в отделении неотложной помощи Детского центра Цинциннати — загруженной и сложной среде с 70 000 посещений пациентов в год.
Авторы исследования пишут, что набор пациентов в отделение неотложной помощи теперь осуществляется на основе посещения каждого пациента.
Координаторы клинических исследований пытаются сопоставить пациентов с соответствующими клиническими исследованиями на основе конкретных целей и руководящих принципов исследования, а затем подходят к этим пациентам для включения в исследование.
Для целей настоящего исследования исследователи попытались собрать данные о работе отделения неотложной помощи.
Для оценки каждый пациент отделения неотложной помощи, приглашенный в клиническое испытание, засчитывался как "встреча".«Пациенты, принимавшие приглашения, были помечены как« +1 »; ответы об отклонении были помечены как« -1 »."Исследователи подсчитали данные, которые включали 3 345 встреч с пациентами для 18 различных клинических испытаний.
В то же время исследователи собрали демографические, социально-экономические данные и клиническую информацию из разных источников, чтобы помочь построить профили пациентов. Эта информация была введена в алгоритм машинного обучения, который обработал данные с помощью программ для прогнозного моделирования, сравнения, анализа и прогнозирования.
Затем исследователи сравнили эффективность своего алгоритма с «программой прогнозирования случайных ответов», которая была разработана для моделирования текущего метода набора персонала в отделении неотложной помощи медицинского центра.
Затем эти результаты были подтверждены путем сравнения их с ответами «принять» и «отклонить», записанными при личных встречах в отделении неотложной помощи.