Indvirkningen af ​​den kunstige intelligens i et teleovervågningsprogram af KOL-patienter med flere hospitalsindlæggelser

Telemonitoreringsprogrammer er et alternativ til de traditionelle systemer til patientkontrol, især ved kroniske sygdomme. Denne form for værktøjer er også vigtige på grund af befolkningens aldring, stigningen i kroniske sygdomme og de deraf følgende stigninger i omkostninger til vedligeholdelse af sundhedssystemerne. På den anden side behandles disse kroniske patienter i dag især på grund af eksacerbationer, grundlæggende i nødstilfælde og hospitalsindlæggelse, og også i fysiske planlagte konsultationer, når patienterne er stabile. Så er en tættere opmærksomhed mere ønskværdig af hensyn til klinik, ledelse og omkostninger.

KOL (kronisk obstruktiv lungesygdom) er en meget udbredt sygdom. Desuden har det et højt forbrug af sanitære ressourcer og omkostninger, hvoraf 50% skyldes indlæggelser.

Ydermere har eksacerbationer ved KOL og især de alvorlige, vigtige konsekvenser for patienterne (nedsat lungefunktion, forværring af livskvalitet og øget dødelighed).

Derfor ser telemonitorering ud til at være en løsning til at forbedre kontrollen med disse patienter og forbedre forbruget af ressourcer. På Galdakao Hospital i Spanien blev det indledt et teleovervågningsprogram for KOL-patienter, der genindlægges på hospitalet. Dets primære mål var at reducere genindlæggelser på grund af KOL-eksacerbationer, og det kunne påvise et betydeligt fald i brugen af ​​sanitære ressourcer (indlæggelser, besøg på akutafdelingen, genindlæggelser og gennemsnitlige opholdsdage). Det viste også en mindre forværring af kliniske symptomer og livskvalitet hos mere alvorlige patienter.

Der er dog tre faktorer, der er meget vigtige ved kroniske sygdomme: stigningen i aldrende mennesker, stigningen i antallet af mennesker med kroniske sygdomme og den hurtige udvikling af teknologi, især erindrings- og informationsbehandlingssystemerne.

Machine Learning (ML) er den vigtigste del af kunstig intelligens, og dens mål er at lære en computer. Computeren skriver sine egne programmer for at løse problemer, som vi ikke ved, hvordan de skal løse. Når arbejdet er vanskeligt, som at lave forudsigelser i medicinske scenarier, har ML-algoritmer brug for et stort antal datoer for at få læringen. De fleste medicinske databaser har gener, der kommer fra menneskelig indgriben, såsom manglende data, forkerte værdier osv. Derfor ser programmer baseret på telemedicin ud til at være en ideel platform for ML-algoritmer. Dette skyldes, at telemedicinske systemer normalt producerer et periodisk flow af indsamlede data på elektronisk vis, og de gemmes direkte i en database. Denne konstante strøm af datoer og den lave deltagelse af mennesker i erindring og lagring af dem, giver høj kvalitet til databaser, som ML-algoritmer kan bruge til at lave de bedste forudsigelser.

Derfor viser TelePOC (Telemonitoring-programmet i en KOL-kohorte, i Galdakao Hospital) sig at være den bedste mulighed for at bruge ML-algoritmerne i sine data på grund af kvaliteten og mængden af ​​genererede data, og også på grund af nytten af disse forudsigelser i den kliniske praksis.

I denne situation er spørgsmålet, om efterforskerne kunne forudse en forværring, eller hvor meget de kunne forudse en manifestation af en forværring. For at teste denne hypotese præsenteres her et projekt, der anvender kunstig intelligens (ML).

Efterforskere har tidligere lavet en test af dette system, som gav lovende resultater. Den prototype blev trænet med retrospektive data, som TeleEPOC-programmet havde husket før, og den var baseret på en ML-algoritme kaldet Random Forests. Med denne sonde fik de en ROC-kurve (receiver operation characteristic curve) på 0,8 i forudsigelse af at lide af en forværring i de følgende tre dage. I øjeblikket er der på Galdakao Hospital ved at udvikle et ML-system i TeleEPOC-programmet. Dens formål er at forudse en alarm (forværring).

Med dette formål overvejer efterforskere en masse yderligere spørgsmål, der kan undersøges, som for eksempel: hvordan kan det påvirke ankomsten af ​​denne teknologi i dagbogs klinisk praksis? I dette projekt kan brugen af ​​ML ændre måden at fokusere den kliniske assistance på. Der er værktøjer, der kan forudsige patienternes udvikling. Et andet spørgsmål er, at hvis efterforskere forventer en forværring, kan de ændre patogen basis (inflammatoriske mediatorer), der runder en KOL-eksacerbation.

Efterforskere betragter dette initiativ som en pioner inden for dette område af KOL og kroniske sygdomme.