Forudsigelse af hjertefejl med maskinlæring (PRE-HF-ML)

Bærbare enheder til måling af vitale funktioner, kendt som "bærbare" fra forbrugersektoren, såsom Apple Watch, har fået en betydelig popularitet. I stigende grad bruges de også til hjerte -kar -vurderinger. For eksempel demonstrerede en tidligere undersøgelse ved Institut for Kardiologi og Pulmonologi, at Apple Watch er godt accepteret af HF-patienter, og at den gennemsnitlige daglige trinantal korrelerer markant med 6-minutters gangtest. Forskning er siden skiftet fra enkle korrelationsanalyser til mere komplekse opgaver, såsom at forudsige kliniske laboratoriemålinger eller begivenheder, såsom dekompensation hos HF -patienter.

Maskinindlæringsmetoder har vist sig at være egnede til forskellige forudsigelser inden for hjertesvigt. For eksempel er det vist, at EKG-data kan bruges til at forudsige HF-risikosurrogater eller komorbiditeter, såsom NT-PROBNP-niveauer, alder eller køn, anæmi eller nyreinsufficiens. Ud over EKG har multimodale tilgange, der kombinerer flere målinger, vist muligheden for datadrevet HF-risikovurdering. Eksempler inkluderer at kombinere hjerte -MR med klinisk information for at forudsige tid til hospitalisering eller HF -forekomst i atrieflimmer.

Da EKG alene ikke giver tilstrækkelig prognostisk værdi for vurdering af hjertesvigt (HF), sigter denne undersøgelse at fremme den nyeste teknik ved at inkorporere yderligere sensordata. Apple Watch bruges som den valgte enhed. Ekstraherede parametre inkluderer åndedrætsfrekvens, iltmætning, nattetemperatur, accelerationsdata og leverede automatisk afledte parametre (f.eks. Trinantal, søvntider).

Specifikke mål:

• Indsaml data fra HF -patienter ved hjælp af Apple Watch.
• Uddrag og integrer dataene i et samlet format.
• Udfør korrelationsanalyse med kliniske parametre.
• Udvikle en algoritme/model til at forudsige kliniske parametre.
• Evaluer statistisk den forudsigelige kraft i den udviklede model.

Kliniske parametre af interesse:

• Ændringer i Kansas City Cardiomyopathy Spørgeskema (KCCQ).
• Ændringer i N-terminale pro-B-type natriuretisk peptid (NT-PROBNP) niveauer.
• Ændringer i hæmoglobinkoncentration.
• Ændringer i nyrefunktion (kreatinin, GFR).
• Ændringer i standard kliniske undersøgelsesparametre: elektrolytter, leverfunktion, blodtælling, CRP, skjoldbruskkirtelfunktion.
• Ændringer/justeringer i medicin ved behandling af læger baseret på kliniske symptomer.
• Ændringer i volumenstatus (ødemer, kropsvægt, røntgenbillede af brystet).

KCCQ- og NT-PROBNP-niveauerne måles ved optagelse, og ændringer fra disse basisværdier vurderes på to tidspunkter: på udladningsdagen og 90 dage efter udladning.

Da dette er en datadrevet undersøgelse, vil yderligere data indsamlet som en del af retningslinje-kompatibel behandling også blive inkluderet og analyseret for korrelationer. Dette inkluderer DZHK-kernedatasættet bestående af 42 genstande, laboratorieparametre bestemt fra patientblodprøver (f.eks. Blodantal, serumanalyse, koagulationstest), ekkokardiografi udført to gange under indlæggelse (f.eks. LV-EF, Lavi, Severity of Valvular Disease) udført) , kropsvægt/ødemstatus tendenser og medicin, der administreres under hospitalets ophold.

Proceduremæssig beskrivelse

På optagelsesdagen identificeres og rekrutteres støtteberettigede HF -patienter baseret på ovenstående kriterier. Hver deltager vil modtage en Apple Watch og en introduktion til dets anvendelse. På dagen for udskrivning indsamles og overdrages Apple Watch til Institute for Medical Informatics for Data Extraction. Dataanalysen udføres offline.

Procedure for informeret samtykke

Informeret samtykke opnås personligt og gennem fordelingen af ​​skriftlige materialer designet til klarhed og læsbarhed. Disse materialer er inkluderet i tillægget til denne applikation.

Opfølgning efter 3 måneder

En opfølgende aftale vil blive planlagt 90 dage (± 10 dage) efter udskrivning til laboratorium og ekkokardiografiske undersøgelser. Under denne opfølgning vil laboratorieparametre inklusive blodantal, serumanalyse og koagulationstest blive revurderet, og en ekkokardiografi vil blive udført. Foreløbige hospitaloptagelser og tilhørende klinisk information (grund til optagelse, behandlinger, der administreres), registreres også.

Evalueringsforanstaltninger

For at undgå forudindtægter og fejl i konklusioner implementeres specifikke foranstaltninger under alle evalueringer:

• Datasættet vil blive opdelt i træning, validering og testundersæt.
• Testdatasættet ekstraheres i begyndelsen og reserveres udelukkende til den endelige evaluering af modellen.
• Trænings- og valideringsdata opdeles ved hjælp af krydsvalidering.
• For at forhindre datalækage udføres alle forarbejdningstrin udelukkende på træningsdatasættet.
• Resultaterne rapporteres baseret på retningslinjerne for den "gennemsigtige rapportering af en multivariabel forudsigelsesmodel for individuel prognose eller diagnose (stativ)."

Undersøgelsespopulation

Undersøgelsen vil omfatte HF -patienter med akut dekompenseret hjertesvigt af HFREF -typen (reduceret venstre ventrikulær ejektionsfraktion).

Observationsperiode:

1. april 2024-30. maj 2025 (inklusive en 90-dages opfølgning).

Forventet antal deltagere:

32 patienter.

Forventede risici

HF -patienter vil blive behandlet i henhold til de nuværende retningslinjer. Derudover vil de bære Apple Watches for at indsamle fysiologiske data. Apple Watch har en CE -markering, hvilket sikrer overholdelse af alle EU -sikkerheds- og sundhedsbeskyttelseskrav. Ingen interaktioner mellem Apple Watch og retningslinje-kompatibel behandling forventes. Derfor udgør deltagelse i undersøgelsen ingen medicinske ulemper eller risici for deltagerne.

Metodologi og analyse

For at evaluere de udviklede modeller anvendes standardstatistiske målinger:

• Til regressionsopgaver (f.eks. Forudsigelse af ændringer i KCCQ -score) vil målinger såsom rodmidlet firkantet fejl (RMSE) blive brugt.
• Til klassificeringsproblemer (f.eks. Forudsigelse af anæmi) anvendes målinger såsom området under ROC-kurven (AUC) og F1-score.