Remote Mobile Outpatient Monitoring in Transplant (Reboot) 2.0: Protocol for a Randomized Controlled Trial (Preprint)
Notice bibliographique
Résumé
BACKGROUND The number of solid organ transplants in Canada has increased 33% over the past decade. Hospital readmissions are common within the first year after transplant and are linked to increased morbidity and mortality. Nearly half of these admissions to the hospital appear to be preventable. Mobile health (mHealth) technologies hold promise to reduce admission to the hospital and improve patient outcomes, as they allow real-time monitoring and timely clinical intervention. OBJECTIVE This study aims to determine whether an innovative mHealth intervention can reduce hospital readmission and unscheduled visits to the emergency department or transplant clinic. Our second objective is to assess the use of clinical and continuous ambulatory physiologic data to develop machine learning algorithms to predict the risk of infection, organ rejection, and early mortality in adult heart, kidney, and liver transplant recipients. METHODS Remote Mobile Outpatient Monitoring in Transplant (Reboot) 2.0 is a two-phased single-center study to be conducted at the University Health Network in Toronto, Canada. Phase one will consist of a 1-year concealed randomized controlled trial of 400 adult heart, kidney, and liver transplant recipients. Participants will be randomized to receive either personalized communication using an mHealth app in addition to standard of care phone communication (intervention group) or standard of care communication only (control group). In phase two, the prior collected data set will be used to develop machine learning algorithms to identify early markers of rejection, infection, and graft dysfunction posttransplantation. The primary outcome will be a composite of any unscheduled hospital admission, visits to the emergency department or transplant clinic, following discharge from the index admission. Secondary outcomes will include patient-reported outcomes using validated self-administered questionnaires, 1-year graft survival rate, 1-year patient survival rate, and the number of standard of care phone voice messages. RESULTS At the time of this paper’s completion, no results are available. CONCLUSIONS Building from previous work, this project will aim to leverage an innovative mHealth app to improve outcomes and reduce hospital readmission in adult solid organ transplant recipients. Additionally, the development of machine learning algorithms to better predict adverse health outcomes will allow for personalized medicine to tailor clinician-patient interactions and mitigate the health care burden of a growing patient population. CLINICALTRIAL ClinicalTrials.gov NCT04721288; https://www.clinicaltrials.gov/ct2/show/NCT04721288 INTERNATIONAL REGISTERED REPORT PRR1-10.2196/26816
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,004 |
| Méta-épidémiologie (sens large) | 0,011 | 0,005 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,128 | 0,018 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».