Forbedring af en digital sundhedsplatform til fjernovervågning af patienter med hjertesvigt (DHEART)

Hjertesvigt (HF) er et udbredt og dødeligt klinisk syndrom, der påvirker livskvaliteten for millioner af mennesker verden over. Mellem 17 % og 45 % af patienter, der lider af HF, dør inden for det første år, og de resterende dør inden for 5 år. Desuden har disse patienter en høj risiko for genindlæggelse, deres tilknyttede sundhedsudgifter er enorme, og jo højere forventet levetid, jo højere er sygdommens udbredelse. HF-symptomer omfatter almindeligvis åndenød, overdreven træthed og hævede ben, som kan forværres med dekompensation, og derfor udgør forskydning til medicinske centre et handicap for sådanne personer. Fjernovervågningsteknologier giver en gennemførlig løsning, der muliggør tidligere identifikation af dekompensation og bedre overholdelse af livsstilsændringer og medicin. Selvom telemonitorering med smartphones viste potentialet til at reducere både hyppigheden og varigheden af ​​HF-indlæggelser, var der ingen sammenhæng med reduktionen af ​​dødelighed af alle årsager. Det indikerer således, at der er behov for at lede efter mere effektive og præcise metoder. I de senere år har brugen af ​​bærbare enheder, der tillader daglig overvågning af patientens fysiologiske data kombineret med kunstig intelligens (AI), vist et enormt potentiale til at forudsige hjerte-kar-relaterede sygdomme, deres uønskede hændelser og patientens helbredstilstand, herunder patienter med HF.

HumanITcare har implementeret en cloud-platform og et alarmbaseret system til fjernovervågning af patienter, der afgiver helbredsalarmer, når en patients biomedicinske måling er uden for et foruddefineret område. Platformen fritager klinikere og viceværter for at gennemgå hver patients data for at tjekke for uregelmæssigheder, fremskynde beslutningsprocessen og reducere hospitalskonsultationer. Systemet skaber dog mange ligetil alarmer, som til sidst bliver kasseret efter evaluering af lægen. I nærværende projekt foreslår vi at køre et observationsstudie for at skabe et enormt datasæt med patienters kliniske data, som vil indeholde annotationer vedrørende relevansen af ​​hver alarm. Med det kommenterede datasæt vil vi være i stand til at implementere og træne Machine Learning (ML) modeller, der vil forbedre fjernovervågningssystemet og dets alarmbaserede system ved at gøre det mere robust, troværdigt og pålideligt.

Denne undersøgelse udføres inden for rammerne af et europæisk projekt fremmet af European Innovation Council (EIC). En tidligere version af platformen blev valideret i en undersøgelse udført i 2020 på Hospital de Torrevieja med fokus på HF. Begrundelsen for denne undersøgelse er i tråd med HumanITcares mål om at inkorporere kunstig intelligens værktøjer til at optimere den digitale platform. Mens denne undersøgelse er fokuseret på skabelsen af ​​et mangfoldigt og mærket datasæt og på udviklingen af ​​kunstig intelligens hændelses-forudsigelsesalgoritmer, vil en kommende anden undersøgelse fokusere på valideringen af ​​algoritmerne for at vurdere deres kliniske effektivitet.

Dette er en observationsundersøgelse, der involverer et europæisk netværk af hospitaler. Undersøgelsen består af kontinuerlig fjernovervågning af patienten ved hjælp af HumanITcares digitale platform og de medfølgende enheder (tensiometer, wearable, vægt og oximeter). I 6 måneder vil i alt 500 patienter, der lider af HF, få overvåget deres fysiologiske konstanter.

Patienter vil blive inkluderet i undersøgelsen baseret på berettigelseskriterierne og skal udfylde det informerede samtykke. Hvert hospital vil beslutte, hvornår deres patienter skal inkluderes i henhold til deres særlige kliniske praksis (enten i processen med udskrivelsesplanlægning eller under det første opfølgningsbesøg, dvs. 1 eller 2 uger efter udskrivelsen). Rekrutteringsperioden er defineret som 6 måneder. Det betyder, at patienter vil blive inkorporeret i undersøgelsen fra dens start til den sjette måned. Det sidste emne, der indgår i undersøgelsen, afslutter derefter undersøgelsen efter et år fra studiets første dag. Medicinske fagfolk fra hvert hospital vil stå for rekrutteringen af ​​deltagerne. Rekrutteringsgraden er specifik for hvert hospital, og den kan variere afhængigt af måneden.

Der er ingen effektberegning forbundet med undersøgelsen, da hovedformålet med undersøgelsen er at samle et datasæt for at træne ML-modeller. Når algoritmerne er udviklet, vil modellens ydeevne med hensyn til nøjagtighed blive evalueret ved hjælp af C-statistik, arealet under modtagerens driftskarakteristikkurve og oprettelse af et kalibreringsplot. Desuden vil modellerne blive evalueret med hensyn til retfærdighed og potentiel bias ved hjælp af metrics, herunder statistisk paritet, grupperetfærdighed, udlignede odds og prædiktiv lighed.