Screening og tidlig advarsel om kronisk obstruktiv lungesygdom kombineret med søvn-luftvejssygdom baseret på medicinsk Internet of Things

Denne undersøgelse er en multicenter fælles undersøgelse, som hovedsageligt består af to dele. Først blev en tværsnitsobservationsundersøgelse vedtaget for at rekruttere patienter med stabil KOL i flere centre. KOLs diagnostiske kriterier følger diagnostiske retningslinjer i Kina, og patienterne blev udvalgt blandt 40-80 år. Bemærk, at vi udelukkede patienter, der ikke kan bruge IoTs mobilapplikationer og ikke kan gennemføre søvnovervågning og opfølgningsbesøg. Alle patienter indsamler søvnovervågningsoplysninger gennem bærbare enheder sammen med demografiske karakteristika, lungefunktionstests, blodrutiner, biokemi, elektrokardiogram, røntgenbillede af thorax, KOL vurderingsskala, modificeret British Medical Research Association dyspnøindeks, St. George's Quality of Life Questionnaire, Sleep Apnø Clinical Score, Berlin Questionnaire, Epworth Sleepiness Scale, etc. Denne undersøgelse estimerer patientens helbredsstatus ud fra de indsamlede oplysninger, diagnosticerer derefter søvnapnø og beregner forekomsten af ​​søvnapnø. Konkret bygger vi standarder ud fra analysen af ​​søvnovervågningsoplysninger, og vi danner en OSA-screeningsmodel ved at anvende maskinlæringsalgoritmer. For det andet etablerer vi en KOL-kohorte sammen med søvnåndedrætssygdom, hvor vi udvælger KOL-patienter, der opfylder de diagnostiske kriterier for åndedrætssygdom i søvn. Alle patienter bruger bærbare enheder og IoT-teknologi til informationsindsamling og datahåndtering. Vi bygger også platformen for tidlig varsling, og den giver mulighed for fleksibel tilpasning af KOL-planen i henhold til individuelle forskelle og samfundsforskelle. Denne undersøgelse kræver opfølgningsbesøg en gang om måneden. Ved at observere antallet af indlæggelser, forekomsten af ​​akutte eksacerbationer og andre sekundære observationsindikatorer for KOL-patienter, kan den tidlige varslingsplatform analysere KOLs akutte eksacerbationer kombineret med luftvejssygdom i søvn. Vi udvikler sygdoms- og prognosemodellen for KOL-patienter med SAO ved at anvende maskinlæringsalgoritmer på den tidligere platform.