Predikce opětovné hospitalizace chirurgických pacientů pomocí modelů hlubokého učení s využitím dat ze senzorů chytrých hodinek a chytrých prstenů

Přečtení do nemocnice jsou dobře známým klíčovým ukazatelem kvality zdravotní péče, zejména v pooperačním období. Neplánovaná přečtení často odrážejí komplikace, které nebyly plně předpovězeny nebo adekvátně zvládnuty, což vytváří značnou finanční a klinickou zátěž pro zdravotní systémy. Ve Spojených státech došlo v roce 2018 k 3,8 milionu přečtení dospělých do 30 dnů s průměrnými náklady 15 200 USD na událost. V Brazílii byly hlášeny podobně vysoké míry přečtení, přičemž 13,4 % z více než 22 000 hospitalizací vedlo k opětovným návštěvám, zejména kvůli nozokomiálním infekcím, obstrukční spánkové apnoe a srdečním arytmiím. Spánkové poruchy včetně obstrukční spánkové apnoe patří mezi nejvýznamnější přispěvatele k pooperačním komplikacím a přečtením. Zpomalují rekonvalescenci, zvyšují citlivost na bolest, narušují kognitivní funkce a zvyšují kardiovaskulární riziko. Cévní komorbidity jako hypertenze, diabetes a hyperlipidemie dále zhoršují výsledky zvýšením pravděpodobnosti ischemických příhod, narušeného hojení ran a respirační nestability. Pochopení, jak fyziologické, behaviorální a spánkové proměnné interagují a ovlivňují pooperační zotavení, je klíčové pro navrhování strategií včasné detekce a prevence.

Umělá inteligence (AI) prokazuje rostoucí potenciál v předpovídání klinického zhoršení a identifikaci vysoce rizikových pacientů napříč různými chirurgickými obory. Nedávný systematický přehled 26 studií ukázal, že modely založené na AI – včetně zpracování přirozeného jazyka, klasických algoritmů strojového učení a metod hlubokého učení – dokážou přesně předpovídat přečtení do nemocnice po velkých operacích. Nicméně většina dostupných datových sad nekombinuje preoperativní, intraoperativní, pooperační a kontinuální fyziologické signály sbírané v reálném čase z nositelných zařízení, což představuje významnou mezeru v literatuře. Tato prospektivní kohortová studie si klade za cíl tuto mezeru zaplnit integrací vysokorozlišujících fyziologických a behaviorálních dat zachycených z nositelných zařízení – konkrétně chytrých hodinek a chytrých prstenů – do jednotné perioperační databáze s hlavním cílem vyvinout AI modely schopné předpovídat neplánovaná přečtení do nemocnice do 30 dnů po operaci.

Studie se snaží vytvořit komplexní databázi pacientů podstupujících středně až velké plánované operace, zachycující fyziologická a behaviorální data z nositelných zařízení a multiparametrických monitorů během pre- a pooperačního období, včetně kontinuálního monitorování během prvních 48 hodin intenzivní péče, je-li indikováno. Sběr dat bude zahrnovat kontinuální monitorování nositelnými zařízeními prostřednictvím webového rozhraní vyvinutého CETELI/UFAM, pre- a pooperační klinická vyšetření, laboratorní testy, zobrazovací studie, vyšetření plicních funkcí, polysomnografii a ověřené spánkové dotazníky. Studie vyhodnotí korelace mezi fyziologickými a spánkovými proměnnými odvozenými z chytrých hodinek a chytrých prstenů a rizikem přečtení do nemocnice.

Dále studie vyvine aplikace pro použití chytrých hodinek a prstenů při sběru perioperačních dat a využije přístupy strojového učení – včetně hlubokých architektur jako kauzální konvoluční sítě a rekurentní neuronové sítě, stejně jako klasických metod jako podpůrné vektorové stroje a rozhodovací stromy – k předpovídání přečtení do nemocnice. Budou analyzovány asociace mezi spánkovými parametry z nositelných zařízení a rizikem 30denního přečtení, pre- a pooperační spánková data budou korelována s výsledky polysomnografie a dotazníků a kvalita spánku bude porovnána mezi preoperačním a pooperačním obdobím.

Tento výzkum je prováděn prostřednictvím multidisciplinární spolupráce mezi Všeobecnou fakultní nemocnicí Getúlio Vargas (HUGV-UFAM/Ebserh) a Centrem pro výzkum a vývoj v elektronice a informačních technologiích (CETELI/UFAM). CETELI bude zodpovědné za vývoj softwaru pro sběr dat, úložné architektury a prediktivních algoritmů, zatímco klinický dohled, nábor a provádění protokolu povede HUGV.

Kromě vědecké relevance má tento projekt významný praktický význam. V geograficky složitých regionech jako je Amazonie může kontinuální vzdálené monitorování pomocí nositelných zařízení zlepšit následnou péči, snížit nerovnosti v přístupu k pooperační péči a umožnit dřívější identifikaci komplikací. Integrace prediktivních modelů založených na AI do nemocničních workflow může nakonec snížit náklady, optimalizovat tok pacientů a zlepšit bezpečnost a kvalitu chirurgické péče.