时间回归不连续性:评估不断发展的数字健康干预措施的影响

科学领域:

• 医疗信息学 医疗信息学
• 临床数据分析 临床数据分析
• 糖尿病 技术 技术

背景情况:

• 数字健康干预 (DHIs) 越来越多地用于诊所,使用算法指导患者护理.
• 经常缺乏对DHIs算法变化的严格评估,尽管它可能对患者的治疗结果产生影响.
• 时间回归不连续性 (RDT) 设计为这种变化的因果推理提供了一种方法,但在医学研究中未得到充分利用.

研究的目的:

• 评估时间回归不连续性 (RDT) 设计在评估数字健康干预过程中的算法变化的可行性和有效性.
• 估计持续血糖监测 (CGM) 数据中的特定算法修改对患者护理结果的因果影响.

主要方法:

• 一项回顾性研究利用了2020年11月至2022年3月1型糖尿病 (T1D) 的青少年的持续葡萄糖监测 (CGM) 数据.
• 该研究比较了两种算法:一种基于一般葡萄糖目标 (TIR <65%) 优先考虑患者,另一种优先考虑2级低血糖 (葡萄糖 <54 mg/dL) 的算法.
• 研究人员使用RDT框架来评估这些算法之间的过渡及其对每周射程时间 (TIR) 的影响.

主要成果:

• 这项研究包括247名患者,每周对11297名患者进行TIR观察.
• 稳定性检查证实了RDT设计对这种临床场景的有效性.
• 优先考虑2级低血糖患者并没有导致人口水平TIR的统计学上显著变化 (-0.2%点;95%CI: [-4.8,3.5]).

结论:

• RDT框架是一个可行的和有效的方法来评估算法修改在DHIs对患者护理的影响.
• 这种方法可以作为一个关键的诊断工具,用于评估算法导向护理中的操作变化对现实世界的影响.
• 随着算法驱动护理的扩大,RDT提供了一种强大的方法,以确保监测和理解患者的结果.