Zlepšení digitální zdravotní platformy pro vzdálené monitorování pacientů se srdečním selháním (DHEART)

Srdeční selhání (HF) je převládající a fatální klinický syndrom, který ovlivňuje kvalitu života milionů lidí na celém světě. Mezi 17% a 45% pacientů trpících srdečním selháním zemře během prvního roku a zbývající zemřou do 5 let. Kromě toho mají tito pacienti vysoké riziko rehospitalizace, související náklady na zdravotní péči jsou obrovské a čím vyšší je průměrná délka života, tím vyšší je prevalence onemocnění. Mezi symptomy srdečního selhání běžně patří dušnost, nadměrná únava a otoky nohou, které se mohou zhoršit dekompenzací, a proto přemístění do zdravotnických zařízení představuje pro takové jedince handicap. Technologie vzdáleného monitorování poskytují proveditelné řešení, které umožňuje dřívější identifikaci dekompenzace a lepší dodržování změn životního stylu a léků. Přestože telemonitoring pomocí chytrých telefonů ukázal potenciál snížit frekvenci i délku hospitalizací se srdečním selháním, nebyla zde žádná souvislost se snížením mortality ze všech příčin. Znamená to tedy, že je třeba hledat účinnější a přesnější metodiky. V posledních letech používání nositelných zařízení, která umožňují každodenní monitorování fyziologických dat pacienta v kombinaci s umělou inteligencí (AI), ukázalo obrovský potenciál v predikci kardiovaskulárních onemocnění, jejich nežádoucích účinků a zdravotního stavu pacienta, včetně pacientů se srdečním selháním.

HumanITcare implementovala cloudovou platformu a alarmový systém pro vzdálené monitorování pacientů, který poskytuje zdravotní alarmy, když je biomedicínské měření pacienta mimo předem definovaný rozsah. Platforma ulehčuje lékařům a ošetřovatelům procházení dat každého pacienta za účelem kontroly anomálií, urychluje rozhodovací proces a snižuje počet konzultací v nemocnici. Systém však vytváří mnoho přímočarých alarmů, které jsou nakonec po vyhodnocení lékařem vyřazeny. V tomto projektu navrhujeme provést observační studii s cílem vytvořit obrovský soubor dat s klinickými daty pacientů, který bude obsahovat anotace týkající se relevance každého alarmu. S anotovaným datovým souborem budeme schopni implementovat a trénovat modely strojového učení (ML), které zlepší systém vzdáleného monitorování a jeho systém založený na alarmech tím, že budou robustnější, důvěryhodnější a spolehlivější.

Tato studie se provádí v rámci evropského projektu podporovaného Evropskou radou pro inovace (EIC). Starší verze platformy byla ověřena ve studii provedené v roce 2020 v nemocnici v Torrevieja zaměřené na HF. Odůvodnění této studie je v souladu s cílem HumanITcare začlenit nástroje umělé inteligence k optimalizaci digitální platformy. Zatímco tato studie je zaměřena na vytvoření různorodého a označeného souboru dat a na vývoj algoritmů pro předpovídání událostí umělé inteligence, nadcházející druhá studie se zaměří na validaci algoritmů pro posouzení jejich klinické účinnosti.

Jedná se o observační studii zahrnující evropskou síť nemocnic. Studie spočívá v nepřetržitém vzdáleném monitorování pacienta pomocí digitální platformy HumanITcare a dodávaných zařízení (tenzometr, nositelné zařízení, váha a oxymetr). Po dobu 6 měsíců bude celkem 500 pacientů trpících srdečním selháním sledováno jejich fyziologické konstanty.

Pacienti budou zařazeni do studie na základě kritérií způsobilosti a musí vyplnit poskytnutý informovaný souhlas. Každá nemocnice se rozhodne, kdy zařadí své pacienty podle své konkrétní klinické praxe (buď v procesu plánování propuštění nebo během první následné návštěvy, tj. 1 nebo 2 týdny po propuštění). Doba náboru je stanovena na 6 měsíců. To znamená, že pacienti budou zařazeni do studie od jejího začátku až do šestého měsíce. Poslední předmět zařazený do studia pak ukončí studium po uplynutí jednoho roku od prvního dne studia. Nábor účastníků budou mít na starosti zdravotníci z každé nemocnice. Míra náboru je specifická pro každou nemocnici a může se lišit v závislosti na měsíci.

Se studií není spojen žádný výpočet síly, protože hlavním cílem studie je shromáždit soubor dat za účelem trénování modelů ML. Jakmile jsou algoritmy vyvinuty, výkonnost modelu z hlediska přesnosti bude vyhodnocena pomocí C statistiky, plochy pod provozní charakteristikou přijímače a vytvořením kalibračního grafu. Dále budou modely hodnoceny z hlediska spravedlivosti a potenciálního zkreslení pomocí metrik včetně statistické parity, skupinové spravedlnosti, vyrovnání šancí a prediktivní rovnosti.