Screening a včasné varování před chronickou obstrukční plicní nemocí v kombinaci se spánkovou respirační nemocí na základě lékařského internetu věcí

Tato studie je multicentrickou společnou studií, která se skládá převážně ze dvou částí. Nejprve byla přijata průřezová observační studie s cílem získat pacienty se stabilní CHOPN ve více centrech. Diagnostická kritéria CHOPN se řídí diagnostickými pokyny v Číně a pacienti byli vybráni ve věku 40–80 let. Upozorňujeme, že jsme vyloučili pacienty, kteří nemohou používat mobilní aplikace IoT a nemohou dokončit sledování spánku a následné návštěvy. Všichni pacienti shromažďují informace o sledování spánku prostřednictvím nositelných zařízení spolu s demografickými charakteristikami, testy plicních funkcí, krevními rutinami, biochemií, elektrokardiogramem, rentgenovým snímkem hrudníku, hodnotící stupnicí CHOPN, modifikovaným indexem dyspnoe British Medical Research Association, dotazníkem kvality života St. George, spánek Klinické skóre apnoe, Berlínský dotazník, Epworthská škála ospalosti atd. Tato studie odhaduje zdravotní stav pacienta ze shromážděných informací, poté diagnostikuje spánkovou apnoe a vypočítává prevalenci spánkové apnoe. Konkrétně vytváříme standardy z analýzy informací o monitorování spánku a vytváříme model screeningu OSA pomocí algoritmů strojového učení. Za druhé, zakládáme kohortu CHOPN spojenou s onemocněním dýchání ve spánku, kde vybíráme pacienty s CHOPN splňující diagnostická kritéria pro onemocnění dýchání ve spánku. Všichni pacienti používají nositelná zařízení a technologii IoT pro sběr informací a správu dat. Budujeme také platformu včasného varování, která umožňuje flexibilní přizpůsobení plánu CHOPN podle individuálních rozdílů a komunitních rozdílů. Tato studie vyžaduje následnou návštěvu jednou měsíčně. Pomocí sledování počtu hospitalizací, výskytu akutních exacerbací a dalších sekundárních pozorovacích ukazatelů pacientů s CHOPN může platforma včasného varování analyzovat akutní exacerbace CHOPN v kombinaci se spánkovým respiračním onemocněním. Vyvíjíme model onemocnění a prognózy pro pacienty s CHOPN se SAO aplikací algoritmů strojového učení na předchozí platformě.