Deriving high-quality evidence from national healthcare databases to improve suicidality detection and treatment outcomes in PTSD and TBI

从国家医疗保健数据库中获取高质量证据,以改善 PTSD 和 TBI 的自杀检测和治疗结果

基本信息

项目摘要

PROJECT SUMMARY Post-traumatic stress disorder (PTSD) has complex profiles of co-occurring medical conditions (comorbidities) and is associated with high risk of suicide, particularly among Veterans, in which it is a leading cause of death. There is a critical lack of advancement in PTSD pharmacotherapy, as illustrated by increased use of off-label medications and polypharmacy (multiple drugs used simultaneously). The consequent limited evidence on the relative risks and benefits of treatments creates a crisis in PTSD management. Moreover, PTSD and its major comorbidities [traumatic brain injury (TBI) and suicidality] often remain undocumented in electronic health records (EHR). There is also poor predictability of disease outcomes since there are frequent changes in pharmacological treatment and multiple modifying comorbidities. Our long-term goal is to improve diagnostics, secondary/tertiary prevention, and treatment outcomes of PTSD and its comorbidities via enhanced EHR utilization. To achieve our objectives, we will analyze EHR and administrative claims data from Veterans Administration (VA) and non-VA databases, collectively covering >2M PTSD and >2M TBI patients. Specifically, we aim to: (1) Identify undetected PTSD, TBI, and self-harm from EHRs (using machine learning with and without natural language language processing) to guide health service improvements. (2) Predict PTSD clinical course in the VA population through novel modeling of disease trajectories that account for time-varying treatments and biases (3) Compare the effectiveness of PTSD psychotropic monotherapies, polypharmacy, and psychotherapy to guide the choice of treatment for improved patient outcomes. By enhancing and validating a machine learning approach developed by our team, we will impute unrecorded PTSD, TBI, and self-harm from both datasets, and characterize factors associated with documentation disparities. We will model diseases trajectories with enhanced latent class analysis, focusing on self-harm, substance misuse, and psychiatric hospitalization in PTSD. With Local Control methodology innovations, we will compare the risk of PTSD in veterans with and without comorbid TBI. Finally, we will perform the largest comparative effectiveness studies (to date) of PTSD treatments on >100 monotherapy and polypharmacy regimens plus psychotherapy interventions. These studies will provide high-quality evidence on the risk of hospitalizations, substance misuse, and suicidal acts/self-harm. Successful completion of these investigations will improve the quality of decision making for providers and patients, and guide improved service delivery to the population of veterans and non-veterans with PTSD/TBI, and/or high risk of suicide.
项目摘要 创伤后应激障碍(PTSD)具有同时发生的医疗状况(合并症)的复杂轮廓 并且与自杀的高风险有关,尤其是在退伍军人中,这是死亡的主要原因。 PTSD药物疗法缺乏急需的进步,如标签外的增加所示 药物和多药(同时使用多种药物)。随之而来的有限证据 治疗的相对风险和益处在PTSD管理中造成了危机。此外,PTSD及其专业 合并症[创伤性脑损伤(TBI)和自杀性]通常在电子健康中仍然没有记载 记录(EHR)。疾病结局的可预测性也很差,因为 药理治疗和多种修饰合并症。我们的长期目标是改善诊断, 通过增强的EHR,PTSD及其合并症的次要/第三级预防以及其合并症的治疗结果 利用率。为了实现我们的目标,我们将分析EHR和退伍军人的行政索赔数据 给药(VA)和非VA数据库,共同覆盖了> 2M PTSD和> 2M TBI患者。 具体而言,我们的目标是:(1)从EHRS中确定未发现的PTSD,TBI和自我伤害(使用机器学习 有或没有自然语言处理),以指导卫生服务改进。 (2)预测 VA人群中的PTSD临床课程通过疾病轨迹的新型建模来解释 时间变化的治疗和偏见(3)比较PTSD精神单位疗法的有效性, 多药和心理治疗,以指导选择改善患者预后的治疗方法。经过 加强和验证我们团队开发的机器学习方法,我们将归为未记录 来自两个数据集的PTSD,TBI和自我伤害,并表征与文档相关的因素 差异。我们将通过增强的潜在类别分析对疾病轨迹进行建模,重点是自我伤害, PTSD中的药物滥用和精神病住院。通过本地控制方法创新,我们 将比较有和没有合并症的退伍军人的PTSD风险。最后,我们将执行最大的 PTSD治疗> 100个单药治疗和多药治疗的比较有效性研究(迄今为止) 方案和心理治疗干预措施。这些研究将提供有关有风险的高质量证据 住院,滥用药物和自杀行为/自我伤害。这些调查成功完成 将提高提供者和患者决策的质量,并指导服务提供的服务提供 具有PTSD/TBI的退伍军人和非退伍军人的人口和/或自杀的高风险。

项目成果

期刊论文数量(0)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ patent.updateTime }}

Christophe G. Lambert其他文献

Christophe G. Lambert的其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

{{ truncateString('Christophe G. Lambert', 18)}}的其他基金

Deriving high-quality evidence from national healthcare databases to improve suicidality detection and treatment outcomes in PTSD
从国家医疗保健数据库中获取高质量证据,以改善 PTSD 的自杀检测和治疗结果
  • 批准号:
    10587966
  • 财政年份:
    2022
  • 资助金额:
    $ 77.62万
  • 项目类别:
Illuminating the Druggable Genome Data Coordinating Center - Engagement Plan with the CFDE
阐明可药物基因组数据协调中心 - 与 CFDE 的合作计划
  • 批准号:
    10217890
  • 财政年份:
    2020
  • 资助金额:
    $ 77.62万
  • 项目类别:
Illuminating the Druggable Genome Data Coordinating Center - Engagement Plan with the CFDE
阐明可药物基因组数据协调中心 - 与 CFDE 的合作计划
  • 批准号:
    10683510
  • 财政年份:
    2020
  • 资助金额:
    $ 77.62万
  • 项目类别:
Illuminating the Druggable Genome Data Coordinating Center - Engagement Plan with the CFDE
阐明可药物基因组数据协调中心 - 与 CFDE 的合作计划
  • 批准号:
    10907966
  • 财政年份:
    2020
  • 资助金额:
    $ 77.62万
  • 项目类别:
Illuminating the Druggable Genome Data Coordinating Center - Engagement Plan with the CFDE
阐明可药物基因组数据协调中心 - 与 CFDE 的合作计划
  • 批准号:
    10468527
  • 财政年份:
    2020
  • 资助金额:
    $ 77.62万
  • 项目类别:
A microaggregation framework for reproducible research with observational data: addressing biases while protecting personal identities
利用观察数据进行可重复研究的微聚合框架:在保护个人身份的同时解决偏见
  • 批准号:
    9306948
  • 财政年份:
    2016
  • 资助金额:
    $ 77.62万
  • 项目类别:
Software Relating Genes to Disease and Clinical Outcomes
将基因与疾病和临床结果相关的软件
  • 批准号:
    6582179
  • 财政年份:
    2001
  • 资助金额:
    $ 77.62万
  • 项目类别:
Software Relating Genes to Disease and Clinical Outcomes
将基因与疾病和临床结果相关的软件
  • 批准号:
    6341382
  • 财政年份:
    2001
  • 资助金额:
    $ 77.62万
  • 项目类别:
Software Relating Genes to Disease and Clinical Outcomes
将基因与疾病和临床结果相关的软件
  • 批准号:
    7013551
  • 财政年份:
    2001
  • 资助金额:
    $ 77.62万
  • 项目类别:
Software Relating Genes to Disease and Clinical Outcomes
将基因与疾病和临床结果相关的软件
  • 批准号:
    6693828
  • 财政年份:
    2001
  • 资助金额:
    $ 77.62万
  • 项目类别:

相似国自然基金

海洋缺氧对持久性有机污染物入海后降解行为的影响
  • 批准号:
    42377396
  • 批准年份:
    2023
  • 资助金额:
    49 万元
  • 项目类别:
    面上项目
氮磷的可获得性对拟柱孢藻水华毒性的影响和调控机制
  • 批准号:
    32371616
  • 批准年份:
    2023
  • 资助金额:
    50 万元
  • 项目类别:
    面上项目
还原条件下铜基催化剂表面供-受电子作用表征及其对CO2电催化反应的影响
  • 批准号:
    22379027
  • 批准年份:
    2023
  • 资助金额:
    50 万元
  • 项目类别:
    面上项目
CCT2分泌与内吞的机制及其对毒性蛋白聚集体传递的影响
  • 批准号:
    32300624
  • 批准年份:
    2023
  • 资助金额:
    10 万元
  • 项目类别:
    青年科学基金项目
在轨扰动影响下空间燃料电池系统的流动沸腾传质机理与抗扰控制研究
  • 批准号:
    52377215
  • 批准年份:
    2023
  • 资助金额:
    50 万元
  • 项目类别:
    面上项目

相似海外基金

Implementation and Implications of Sickle Cell Trait Screening in the NCAA
镰状细胞性状筛查在 NCAA 中的实施及其意义
  • 批准号:
    10842764
  • 财政年份:
    2023
  • 资助金额:
    $ 77.62万
  • 项目类别:
The Subdural Hematoma Outcomes in a Population (SD HOP) Study
硬膜下血肿人群 (SD HOP) 研究结果
  • 批准号:
    10591861
  • 财政年份:
    2023
  • 资助金额:
    $ 77.62万
  • 项目类别:
Patient Priorities in Lung Transplant: Quality of Life Outcomes to Inform Decision Making
肺移植中患者的优先事项:生活质量结果为决策提供依据
  • 批准号:
    10592041
  • 财政年份:
    2023
  • 资助金额:
    $ 77.62万
  • 项目类别:
Effects of deep brain stimulation (DBS) on laryngeal function and associated behaviors in Parkinson Disease
深部脑刺激(DBS)对帕金森病喉功能和相关行为的影响
  • 批准号:
    10735930
  • 财政年份:
    2023
  • 资助金额:
    $ 77.62万
  • 项目类别:
Craniofacial microsomia: Accelerating Research and Education (CARE)
颅面微小症:加速研究和教育 (CARE)
  • 批准号:
    10791256
  • 财政年份:
    2023
  • 资助金额:
    $ 77.62万
  • 项目类别:
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了