Vorhersage von Krankenhauswiederaufnahmen für chirurgische Patienten mithilfe von Deep-Learning-Modellen mit Smartwatch- und Smartring-Sensordaten

Wiederaufnahmen ins Krankenhaus sind als wichtige Indikatoren für die Qualität der Gesundheitsversorgung etabliert, insbesondere im postoperativen Umfeld. Ungeplante Wiederaufnahmen spiegeln oft Komplikationen wider, die nicht vollständig vorhergesagt oder angemessen behandelt wurden, was erhebliche finanzielle und klinische Belastungen für die Gesundheitssysteme verursacht. In den Vereinigten Staaten gab es 2018 innerhalb von 30 Tagen 3,8 Millionen Wiederaufnahmen bei Erwachsenen, mit durchschnittlichen Kosten von 15.200 US-Dollar pro Ereignis. In Brasilien wurden ähnlich hohe Wiederaufnahmeraten berichtet, wobei 13,4 % von über 22.000 Krankenhausaufenthalten zu erneuten Besuchen führten, größtenteils aufgrund von Krankenhausinfektionen, obstruktiver Schlafapnoe und Herzrhythmusstörungen. Schlafstörungen – einschließlich obstruktiver Schlafapnoe – gehören zu den bedeutendsten Faktoren für postoperative Komplikationen und Wiederaufnahmen. Sie verzögern die Genesung, erhöhen die Schmerzempfindlichkeit, beeinträchtigen die Kognition und steigern das kardiovaskuläre Risiko. Gefäßerkrankungen wie Bluthochdruck, Diabetes und Hyperlipidämie verschlechtern die Ergebnisse weiter, indem sie die Wahrscheinlichkeit von ischämischen Ereignissen, beeinträchtigter Wundheilung und respiratorischer Instabilität erhöhen. Das Verständnis, wie physiologische, verhaltensbezogene und schlafbezogene Variablen interagieren, um die postoperative Genesung zu beeinflussen, ist entscheidend für die Entwicklung von Strategien zur Früherkennung und Prävention.

Künstliche Intelligenz (KI) hat zunehmendes Potenzial bei der Vorhersage klinischer Verschlechterung und der Identifizierung von Hochrisikopatienten in verschiedenen chirurgischen Bereichen gezeigt. Ein kürzlicher systematischer Überblick über 26 Studien zeigte, dass KI-basierte Modelle – einschließlich natürlicher Sprachverarbeitung, klassischer maschineller Lernalgorithmen und Deep-Learning-Methoden – Krankenhauswiederaufnahmen nach größeren Operationen genau vorhersagen können. Die meisten verfügbaren Datensätze kombinieren jedoch keine präoperativen, intraoperativen, postoperativen und kontinuierlichen physiologischen Signale, die in Echtzeit von Wearables erfasst werden, was eine große Lücke in der Literatur darstellt. Diese prospektive Kohortenstudie zielt darauf ab, diese Lücke zu schließen, indem hochauflösende physiologische und verhaltensbezogene Daten von Wearables – insbesondere Smartwatches und Smart Rings – in eine einheitliche perioperative Datenbank integriert werden, mit dem übergeordneten Ziel, KI-Modelle zu entwickeln, die ungeplante Krankenhauswiederaufnahmen innerhalb von 30 Tagen nach der Operation vorhersagen können.

Die Studie zielt darauf ab, eine umfassende Datenbank von Patienten zu erstellen, die sich mittleren bis großen elektiven Operationen unterziehen, wobei physiologische und verhaltensbezogene Daten von Wearables und multiparametrischen Monitoren während der prä- und postoperativen Phase erfasst werden, einschließlich kontinuierlicher Überwachung in den ersten 48 Stunden der Intensivpflege, falls indiziert. Die Datenerfassung umfasst kontinuierliche Wearable-Überwachung über eine webbasierte Schnittstelle, die von CETELI/UFAM entwickelt wurde, prä- und postoperative klinische Beurteilungen, Labortests, bildgebende Untersuchungen, Lungenfunktionsbewertungen, Polysomnographie und validierte Schlaffragebögen. Die Studie wird Korrelationen zwischen physiologischen und schlafbezogenen Variablen, die von Smartwatches und Smart Rings abgeleitet werden, und dem Risiko einer Krankenhauswiederaufnahme bewerten.

Zusätzlich wird die Studie Anwendungen für die Nutzung von Smartwatches und Smart Rings bei der perioperativen Datenerfassung entwickeln und maschinelle Lernansätze einsetzen – einschließlich tiefer Architekturen wie kausaler Faltungsnetzwerke und rekurrenter neuronaler Netzwerke sowie klassischer Methoden wie Support Vector Machines und Entscheidungsbäume –, um Krankenhauswiederaufnahmen vorherzusagen. Zusammenhänge zwischen schlafbezogenen Parametern aus Wearables und dem 30-Tage-Wiederaufnahmerisiko werden analysiert, prä- und postoperative Schlafdaten mit Polysomnographie- und Fragebogenergebnissen korreliert und die Schlafqualität zwischen prä- und postoperativen Perioden verglichen.

Diese Forschung wird in einer multidisziplinären Zusammenarbeit zwischen dem Hospital Universitário Getúlio Vargas (HUGV-UFAM/Ebserh) und dem Zentrum für Forschung und Entwicklung in Elektronik- und Informationstechnologie (CETELI/UFAM) durchgeführt. CETELI ist verantwortlich für die Entwicklung der Datenerfassungssoftware, Speicherarchitektur und Vorhersagealgorithmen, während die klinische Aufsicht, Rekrutierung und Protokollausführung von HUGV geleitet wird.

Über die wissenschaftliche Relevanz hinaus hat dieses Projekt erhebliche praktische Bedeutung. In geografisch komplexen Regionen wie dem Amazonasgebiet kann kontinuierliche Fernüberwachung mit Wearables die Nachsorge verbessern, Ungleichheiten beim Zugang zur postoperativen Versorgung verringern und eine frühere Identifizierung von Komplikationen ermöglichen. Die Integration KI-basierter Vorhersagemodelle in Krankenhausabläufe könnte letztendlich Kosten senken, den Patientendurchfluss optimieren und die Sicherheit und Qualität der chirurgischen Versorgung verbessern.