Risikovurdering af Voksensygdomme ved Brug af Wearables, Hørelse og Sundhedsdata

Dette studie er et prospektivt kohortestudie designet til at integrere multimodale sundhedsdata for udvikling og validering af personlige sygdomsrisikoprediktionsmodeller for voksne bosiddende i Taiwan. Studiet fokuserer på at kombinere aktivt indsamlede forskningsdata, kontinuerlige data fra bærbare enheder, høreundersøgelsesresultater og longitudinelle sundhedsjournaler for bedre at forstå overgangen fra sundhed til subkliniske tilstande og kronisk sygdom.

Deltagere på 18 år og derover vil blive rekrutteret fra lokalsamfund. Efter informeret samtykke er indhentet, vil studieprocedure omfatte et struktureret spørgeskema, ren tone audiometri og 2 ugers smartwatch-overvågning. Spørgeskemaet vil indsamle demografiske karakteristika, personlig og familie sygdoms historie, og livsstilsfaktorer såsom motion, søvn, rygning og alkoholbrug. Hørefunktion vil blive vurderet ved hjælp af ren tone audiometri. Kontinuerlige fysiologiske data indsamlet fra den bærbare enhed vil omfatte hjertefrekvens og fysisk aktivitet, såsom skridttælling. Forskningspersonale vil assistere deltagere med enhedsopsætning, app-installation og brugsanvisninger for at forbedre datakomplethed og konsistens.

Med deltagerens autorisation vil studiet også indhente personlige sundhedsjournaldata og sammenkæde studiedata med nationale sundhedsforsikringsdatabase for at understøtte longitudinel opfølgning og fastlæggelse af sygdomsudfald. Disse sammenkædede datakilder kan omfatte ambulatorie, indlæggelses-, apoteks-, forsikringstilmelding, katastrofesygdom, dødsregister, cancerregister og voksne forebyggende sundhedsundersøgelsesjournaler. Integrationen af disse heterogene datakilder er beregnet til at give et mere komplet billede af individuelle sundhedsforløb og sygdomsprogression end det kan opnås med en enkelt datakilde alene.

Studiets videnskabelige mål er at:

1. vurdere sammenhængene mellem hørestatus, livsstilsfaktorer og kontinuerlige bærbare afledte fysiologiske målinger;
2. identificere kombinationer af nøgleprædiktorer associeret med progression fra sundhed til subkliniske eller kroniske sygdomstilstande;
3. etablere et analytisk rammeværk for integration af heterogene data fra spørgeskemaer, høretests, bærbar overvågning og medicinske databaser; og
4. udvikle og validere højpræcise personlige sygdomsrisikoprediktionsmodeller ved hjælp af statistiske og maskinlæringsmetoder.

Databehandling vil omfatte datarensning, håndtering af manglende værdier, outlierkontrol, standardisering og tværkilde dataintegration. Statistiske analyser vil omfatte korrelations- og regressionsmetoder til at undersøge sammenhænge mellem hørelse, livsstil og bærbare variabler. Maskinlæringsmetoder, inklusive funktionsselektion og overvågede læringsalgoritmer såsom tilfældige skove og gradient boosting metoder, vil blive brugt til at identificere vigtige prædiktorer og konstruere risikoprediktionsmodeller. Modelydelse vil blive evalueret ved hjælp af mål såsom område under receiver operating characteristic kurven og nøjagtighed. Interne og, hvor tilgængelige, eksterne valideringsstrategier vil blive brugt til at vurdere robusthed og generaliserbarhed.

Studiets centrale hypotese er, at integration af høremålinger, livsstilsinformation, bærbare fysiologische data og longitudinelle medicinske journaldata vil forbedre sygdomsrisikoprediktion sammenlignet med modeller baseret på en enkelt datatype alene. Det langsigtede mål er at understøtte tidlig identifikation af højrisikoindivider, lette personlig sundhedsforvaltning og give evidens for forebyggende sundhedsstrategier i voksne befolkninger.

Der vil blive lagt stort vægt på dataprivacy og fortrolighed. Alle studierelaterede data vil blive kodet ved hjælp af unikke studieidentifikatorer. Sammenkædningsfilen, der forbinder studieidentifikatorer med personlige identifikatorer, vil blive opbevaret separat med begrænset adgang og kryptering. Efter dataindsamling, rensning og sammenkædningsprocedurer er gennemført og verificeret, vil sammenkædningsfilen blive permanent destrueret, så efterfølgende analyser kun udføres på de-identificerede data. Eventuelle rapporter eller publikationer, der følger af studiet, vil præsentere aggregerede resultater uden personligt identificerbar information.