Verbesserung einer digitalen Gesundheitsplattform zur Fernüberwachung von Patienten mit Herzinsuffizienz (DHEART)

Herzinsuffizienz (HF) ist ein weit verbreitetes und tödliches klinisches Syndrom, das die Lebensqualität von Millionen von Menschen weltweit beeinträchtigt. Zwischen 17 % und 45 % der Patienten mit Herzinsuffizienz sterben innerhalb des ersten Jahres und die restlichen innerhalb von 5 Jahren. Darüber hinaus besteht für diese Patienten ein hohes Risiko einer erneuten Krankenhauseinweisung, die damit verbundenen Gesundheitskosten sind enorm, und je höher die Lebenserwartung, desto höher die Prävalenz der Krankheit. Herzinsuffizienz-Symptome umfassen im Allgemeinen Kurzatmigkeit, übermäßige Müdigkeit und Beinschwellungen, die sich mit einer Dekompensation verschlimmern können, und daher stellt die Verlegung in medizinische Zentren ein Handicap für solche Personen dar. Fernüberwachungstechnologien bieten eine praktikable Lösung, die eine frühere Erkennung der Dekompensation und eine bessere Einhaltung von Änderungen des Lebensstils und der Medikation ermöglicht. Obwohl Telemonitoring per Smartphone das Potenzial zeigte, sowohl die Häufigkeit als auch die Dauer von HF-Krankenhausaufenthalten zu reduzieren, gab es keinen Zusammenhang mit der Reduzierung der Gesamtmortalität. Es zeigt also, dass nach effektiveren und präziseren Methoden gesucht werden muss. In den letzten Jahren hat die Verwendung von tragbaren Geräten, die eine tägliche Überwachung der physiologischen Daten des Patienten in Kombination mit künstlicher Intelligenz (KI) ermöglichen, ein immenses Potenzial für die Vorhersage von kardiovaskulären Erkrankungen, deren unerwünschten Ereignissen und des Gesundheitszustands des Patienten, einschließlich des Patienten mit Herzinsuffizienz, gezeigt.

HumanITcare hat eine Cloud-Plattform und ein alarmbasiertes System zur Fernüberwachung von Patienten implementiert, das Gesundheitsalarme ausgibt, wenn die biomedizinischen Messwerte eines Patienten außerhalb eines vordefinierten Bereichs liegen. Die Plattform entlastet Ärzte und Betreuer davon, die Daten jedes Patienten zu durchsuchen, um nach Anomalien zu suchen, wodurch der Entscheidungsprozess beschleunigt und Krankenhausbesuche reduziert werden. Das System erzeugt jedoch viele einfache Alarme, die nach Auswertung durch den Arzt schließlich verworfen werden. Im vorliegenden Projekt schlagen wir vor, eine Beobachtungsstudie durchzuführen, um einen riesigen Datensatz mit klinischen Patientendaten zu erstellen, der Anmerkungen zur Relevanz jedes Alarms enthält. Mit dem annotierten Datensatz werden wir in der Lage sein, Modelle für maschinelles Lernen (ML) zu implementieren und zu trainieren, die das Fernüberwachungssystem und sein alarmbasiertes System verbessern, indem sie es robuster, vertrauenswürdiger und zuverlässiger machen.

Diese Studie wird im Rahmen eines vom European Innovation Council (EIC) geförderten europäischen Projekts durchgeführt. Eine frühere Version der Plattform wurde in einer Studie validiert, die 2020 am Hospital de Torrevieja durchgeführt wurde und sich auf Herzinsuffizienz konzentrierte. Die Begründung für diese Studie steht im Einklang mit dem Ziel von HumanITcare, Tools der künstlichen Intelligenz zu integrieren, um die digitale Plattform zu optimieren. Während sich diese Studie auf die Erstellung eines vielfältigen und gekennzeichneten Datensatzes und auf die Entwicklung von Ereignisvorhersagealgorithmen mit künstlicher Intelligenz konzentriert, wird sich eine bevorstehende zweite Studie auf die Validierung der Algorithmen zur Bewertung ihrer klinischen Wirksamkeit konzentrieren.

Dies ist eine Beobachtungsstudie, an der ein europäisches Netzwerk von Krankenhäusern beteiligt ist. Die Studie besteht aus einer kontinuierlichen Patientenfernüberwachung unter Verwendung der digitalen Plattform von HumanITcare und der bereitgestellten Geräte (Tensiometer, Wearable, Waage und Oximeter). 6 Monate lang werden die physiologischen Konstanten von insgesamt 500 Patienten, die an Herzinsuffizienz leiden, überwacht.

Die Patienten werden auf der Grundlage der Eignungskriterien in die Studie aufgenommen und müssen die bereitgestellte Einverständniserklärung abgeben. Jedes Krankenhaus entscheidet, wann es seine Patienten gemäß seiner speziellen klinischen Praxis einbezieht (entweder in den Prozess der Entlassungsplanung oder während des ersten Nachsorgebesuchs, d. h. 1 oder 2 Wochen nach der Entlassung). Die Rekrutierungsdauer ist auf 6 Monate festgelegt. Das bedeutet, dass die Patienten von Beginn an bis zum sechsten Monat in die Studie aufgenommen werden. Der letzte in die Studie aufgenommene Proband beendet das Studium dann nach einem Jahr ab dem ersten Studientag. Mediziner aus jedem Krankenhaus werden für die Rekrutierung der Teilnehmer verantwortlich sein. Die Rekrutierungsrate ist für jedes Krankenhaus spezifisch und kann je nach Monat variieren.

Mit der Studie ist keine Leistungsberechnung verbunden, da das Hauptziel der Studie darin besteht, einen Datensatz zu sammeln, um ML-Modelle zu trainieren. Sobald die Algorithmen entwickelt sind, wird die Modellleistung in Bezug auf die Genauigkeit anhand der C-Statistik, der Fläche unter der Empfängerbetriebskennlinie und der Erstellung eines Kalibrierungsplots bewertet. Darüber hinaus werden die Modelle hinsichtlich Fairness und potenzieller Verzerrung unter Verwendung von Metriken wie statistischer Parität, Gruppenfairness, ausgeglichenen Quoten und prädiktiver Gleichheit bewertet.