Forudsigelse af genindlæggelse på hospital for kirurgiske patienter ved hjælp af dyb læringsmodeller med smartur- og smartring-sensordata

Hospitalsgenindlæggelser er velkendte som nøgleindikatorer for sundhedsplejekvalitet, især i det postoperative forløb. Uplanlagte genindlæggelser afspejler ofte komplikationer, der ikke var fuldt ud forudsagt eller tilstrækkeligt håndteret, hvilket skaber betydelig økonomisk og klinisk byrde for sundhedssystemer. I USA forekom 3,8 millioner voksne genindlæggelser inden for 30 dage i 2018 med en gennemsnitsomkostning på 15.200 USD pr. hændelse. I Brasilien er der rapporteret tilsvarende høje genindlæggelsesrater, hvor 13,4 % af over 22.000 indlæggelser resulterede i tilbagevendende besøg, hovedsageligt på grund af hospitalsinfektion, obstruktiv søvnapnø og hjertearytmier. Søvnforstyrrelser – inklusive obstruktiv søvnapnø – er blandt de mest betydningsfulde bidragydere til postoperative komplikationer og genindlæggelser. De forsinker restitution, øger smertefølsomhed, svækker kognition og øger kardiovaskulær risiko. Vaskulære komorbiditeter som hypertension, diabetes og hyperlipidæmi forværrer yderligere udfald ved at øge sandsynligheden for iskæmiske hændelser, forringet sårheling og respiratorisk ustabilitet. Forståelse af, hvordan fysiologiske, adfærdsmæssige og søvnrelaterede variabler interagerer for at påvirke postoperativ restitution, er afgørende for at designe tidlig opsporing og forebyggelsesstrategier.

Kunstig intelligens (AI) har vist stigende potentiale i at forudsige klinisk forværring og identificere højrisikopatienter på tværs af flere kirurgiske områder. En nylig systematisk gennemgang af 26 studier viste, at AI-baserede modeller – inklusive naturlig sprogbehandling, klassiske maskinlæringsalgoritmer og deep learning-metoder – kan præcist forudsige hospitalsgenindlæggelser efter større kirurgi. De fleste tilgængelige datasæt kombinerer dog ikke præoperative, intraoperative, postoperative og kontinuerte fysiologiske signaler indsamlet i realtid fra bærbare enheder, hvilket repræsenterer et betydeligt hul i litteraturen. Dette prospektive kohortestudie har til formål at adressere dette hul ved at integrere højopløselige fysiologiske og adfærdsmæssige data indfanget fra bærbare enheder – specifikt smartwatches og smartringe – i en samlet perioperativ database, med det overordnede mål at udvikle AI-modeller, der kan forudsige uplanlagte hospitalsgenindlæggelser inden for 30 dage efter operation.

Studiet søger at opbygge en omfattende database af patienter, der gennemgår mellemstore til store elektive operationer, ved at indfange fysiologiske og adfærdsmæssige data fra bærbare enheder og multiparametriske monitorer i de præ- og postoperative perioder, herunder kontinuerlig overvågning i de første 48 timer på intensiv, når det er indikeret. Dataindsamling vil omfatte kontinuerlig bærbar overvågning via et webbaseret interface udviklet af CETELI/UFAM, præ- og postoperative kliniske vurderinger, laboratorieprøver, billeddiagnostiske undersøgelser, lungefunktionsevalueringer, polysomnografi og validerede søvnspørgeskemaer. Studiet vil evaluere sammenhænge mellem fysiologiske og søvnrelaterede variabler fra smartwatches og smartringe og risikoen for hospitalsgenindlæggelse.

Yderligere vil studiet udvikle applikationer til brug af smartwatch og smartring i perioperativ dataindfangelse og anvende maskinlæringstilgange – inklusive dybe arkitekturer som kausale konvolutionelle netværk og rekursive neurale netværk samt klassiske metoder som support vector machines og beslutningstræer – til at forudsige hospitalsgenindlæggelser. Sammenhænge mellem bærbarhedsafledte søvnparametre og 30-dages genindlæggelsesrisiko vil blive analyseret, præ- og postoperative søvndata vil blive korreleret med polysomnografi- og spørgeskemaresultater, og søvnkvalitet vil blive sammenlignet mellem præoperative og postoperative perioder.

Denne forskning udføres gennem et tværfagligt samarbejde mellem Hospital Universitário Getúlio Vargas (HUGV-UFAM/Ebserh) og Center for Research and Development in Electronic and Information Technology (CETELI/UFAM). CETELI vil være ansvarlig for at udvikle dataindsamlingssoftwaren, lagerarkitekturen og de prædiktive algoritmer, mens klinisk tilsyn, rekruttering og protokoludførelse vil blive ledet af HUGV.

Udover videnskabelig relevans har dette projekt betydelig praktisk betydning. I geografisk komplekse regioner som Amazonas kan kontinuerlig fjernovervågning med bærbare enheder forbedre opfølgning, reducere uligheder i adgangen til postoperativ pleje og muliggøre tidligere identifikation af komplikationer. Integration af AI-baserede prædiktionsmodeller med hospitalsarbejdsgange kan i sidste ende reducere omkostninger, optimere patientflow og forbedre sikkerheden og kvaliteten af kirurgisk pleje.