Výsledky hemodialýzy a studie posílení postavení pacientů 03 (HOPE-03)

Objemové přetížení je faktorem přispívajícím k vysoké míře kardiovaskulární mortality a mortality ze všech příčin u hemodialyzovaných pacientů. V současné době neexistuje žádná metoda, která by dokázala konzistentně zpřesnit stav objemu a poskytnout pacientům zpětnou vazbu, která by umožnila úpravy jejich příjmu tekutin. Současné standardy používané k hodnocení objemu buď špatně předpovídají stav tekutin, jsou těžkopádné při použití nebo postrádají adekvátní rozhraní pro pacienta.

Automatizované, přesné a pravidelné hodnocení suché hmotnosti by bylo klinicky užitečné, levné a rychle škálovatelné. Metody strojového učení byly široce studovány v nefrologii. Velké množství přesných údajů o hemodialýze, shromážděných a uložených elektronicky v pravidelných intervalech, má potenciál být využito při predikci extracelulárního objemu pacientů nebo ideálního stavu tekutin.

S využitím retrospektivních dat byla vytvořena řada modelů strojového učení proof-of-concept pro predikci suché hmotnosti v datech hemodialýzy. Tato studie vyhodnotí použitelnost modelů strojového učení při řízení objemu tekutin u hemodialyzovaných pacientů a zároveň posoudí jejich validitu a reprodukovatelnost oproti ověřeným měřením; v tomto případě Body Composition Monitor (BCM) od Fresenius.

Vzhledem k tomu, že model strojového učení pro hodnocení stavu tekutin byl trénován a testován na retrospektivních datech, existuje dostatečné odůvodnění pro testování výkonnosti, přijatelnosti a použitelnosti modelu v kontrolované, pozorovací prospektivní studii.

Půjde o 8týdenní studii s 2týdenním záběhovým obdobím prováděným v jediném centru v Beaumont, Dublin, Irsko. Měření bioimpedance pomocí Fresenius BCM se bude provádět každé 2 týdny. Údaje z hemodialýzy budou zpracovávány průběžně po celou dobu studie. Algoritmus použije data hemodialýzy k predikci výstupu BCM. Predikce algoritmu bude porovnána s predikcí BCM pro posouzení její použitelnosti.