Bayesiansk hæmodynamisk model til personlig overvågning af patienter med kongestiv hjertesvigt

Hjertesvigt (HF) er et verdensomspændende problem. I øjeblikket lever 26 millioner mennesker med denne kroniske sygdom, og forekomsten er stadig stigende. Udover dette stigende antal i prævalens er HF også ansvarlig for næsten 1 million indlæggelser om året i USA og i Europa. Dette har derfor også en stor økonomisk betydning, især på grund af tilbagevendende indlæggelser af disse patienter. Tilstrækkelig forudsigelse af dekompensation kunne forhindre (un)ødvendige indlæggelser som følge af hjertesvigt. Philips er ved at udvikle en Bayesiansk model for kronisk hjertesvigt, der muliggør overvågning af patienter med hjertesvigt på hospitalet og i hjemmet. Et vigtigt kendetegn ved en sådan Bayesiansk model er, at det er en vidensbaseret model, i modsætning til data-mining-baserede modeller, og kun kræver få patientdata for at komme i gang (10-20 patienter). En anden vigtig egenskab er, at disse 'vidensbaserede modeller' er anvendelige i enhver sammenhæng, igen i modsætning til data-mining-baserede modeller. Dette adskiller den foreslåede model fra konventionelle data-mining-tilgange til modellering. Under en hospitalsindlæggelse vil modellen blive "udfyldt" med personlige patientdata. Efterfølgende vil en række symptomer og laboratoriemålevariable ("observables") under resten af ​​hospitalsopholdet eller efter frigivelse fra sygehuset være input til modellen. Modellens output (resultatet) vil være en sandsynlighed for forbedring (versus forværring) af patientens tilstand eller status for hjertesvigtstilstanden på en skala (fra 1-10). Modellen kan håndtere færre inputvariabler end det tal, den er blevet "personaliseret" med. Med færre inputmålinger vil pålideligheden af ​​resultatet naturligvis blive reduceret. Denne modelleringstilgang indfanger grundlæggende den kliniske måde at tænke på i en model. Hvis det fortolkes på den rigtige måde ved hjælp af smart Bayesiansk modellering, vil den praktiserende læge eller geriater være i stand til at overvåge og behandle størstedelen af ​​hjertesvigtspatienter. Dette passer ind i den nuværende tankegang om at reducere HC-omkostningerne ved at holde patienterne hjemme og ude af hospitalet.

Den kliniske undersøgelse er designet til at evaluere, om resultatet af den "bayesianske hæmodynamiske model" kan sammenlignes med kardiologens statusvurdering. Formålet med denne undersøgelse er at validere den computermodel, der er udviklet til at vurdere status for en hjertesvigtspatient. Med modellen sigter efterforskerne på at støtte sundhedspersonale med tidlig opdagelse af forværring af hjertesvigtspatienter og med at yde den rigtige behandling, når det er nødvendigt. Hvis det lykkes, kan dette hjælpe patienter med hjertesvigt til at blive hjemme længere og reducere hospitalsindlæggelser.

Den kliniske litteraturgennemgang er dokumenteret i rapport, Personalized Heart Failure Monitoring using a Bayesian network, Anja v.d. Stolpe, Wim Verhaegh, Folke Noertemann, PR-TN 2017/00180.

Denne kliniske undersøgelse er nødvendig, fordi ingen komplette datasæt, inklusive grundsandhedsvurderinger fra kardiologer, er tilgængelige, hverken i eksisterende databaser eller i klinisk litteratur.

Den kliniske undersøgelse skal udføres på en population, der opfylder inklusions-/eksklusionskriterierne beskrevet i kapitel 6, fordi den "bayesianske hæmodynamiske model" kun er gyldig for disse tilfælde.