Fernüberwachung und Pflege von Glioblastomen – Forschungsprotokoll

Das Glioblastom ist der häufigste primäre bösartige Hirntumor bei Erwachsenen mit einer nahezu universellen Rezidivrate und weist selbst bei maximaler Therapie eine geringe mittlere Überlebenszeit von 14 bis 18 Monaten auf. Obwohl die Teilnehmer häufige klinische und bildgebende Nachuntersuchungen durchführen lassen, um ihren Zustand zu überwachen, sind Komplikationen schwer vorhersehbar und können plötzlich auftreten. Beispielsweise weisen Teilnehmer mit Glioblastomen häufig eine Hyperkoagulabilität auf, die sie für venöse Thromboembolien (VTE) mit erheblicher Morbidität und Mortalität prädisponiert. VTE ist eine der häufigsten Todesursachen bei Krebsteilnehmern, die eine ambulante Chemotherapie erhalten, und eine rechtzeitige Erkennung und Behandlung kann die Überlebensrate erhöhen. Tragbare Sensoren in Form von Direct-to-Consumer-Geräten können Einblicke ermöglichen, die ein zeitnahes, proaktives Eingreifen ermöglichen. Fast 20 Prozent der US-Bürger besitzen ein intelligentes tragbares Gerät wie den FitBit oder die Apple Watch. Die Integration tragbarer Geräte in die klinische Versorgung hat sich aufgrund der durch die COVID-19-Pandemie verstärkten Entwicklung von Telegesundheitsdiensten beschleunigt. Die zunehmende Zugänglichkeit und Erschwinglichkeit tragbarer Technologie hat auch neue Möglichkeiten eröffnet, den Teilnehmern eine zeitnahe Fernversorgung zu bieten.

Die Sensoren in Verbrauchergeräten erfassen eine Vielzahl von Informationen. Die transdermale optische Photoplethysmographie ermöglicht Herz- und Atmungsmessungen anhand nicht-invasiver Blutflussdaten. Mittlerweile liefern Beschleunigungsmesser und Gyroskope Bewegungs- und Raumdaten. Diese Rohdaten können dann zusammengestellt werden, um Einblick in biometrische Parameter zu geben, die von der Schrittzahl bis hin zu Informationen auf höherer Ebene (z. B. VO2 max und Schlafdauer). Frühere Arbeiten nutzten diese Daten bereits auf einer höheren Ebene, um Bewegungsaktivität und Vitalfunktionen mit dem Thromboserisiko eines Patienten zu verknüpfen, wurden jedoch noch nicht bei der Hirntumorpopulation durchgeführt. In dieser Studie werden die Teilnehmer aufgefordert, eine Apple Watch zu tragen und alle gesundheitlichen Ereignisse oder Symptome zu dokumentieren. Innerhalb der erfassten Daten werden Muster analysiert, die mit Symptomen verbunden sein können. Durch die Kommentierung symptomatischer Episoden zielt die Studie darauf ab, kontextualisierte tragbare Sensordatensätze zu generieren, die derzeit für Glioblastom-Teilnehmer nicht existieren, und digitale Biomarker für bestimmte Symptome zu entwickeln. Beispielsweise werden vor einem Anfall oder anderen vorübergehenden neurologischen Symptomen abnormale Schwankungen der Herz- oder Atemfrequenz beobachtet. Wearable Data verwendet die Ausgangswerte des Patienten zu Beginn der Studie als angepasste Kontrolle. Die traditionelle Nachsorge und die Bewertung des Karnofsky-Leistungsstatus (KPS) basieren auf Momentaufnahmemessungen, Patienteninterviews und Eindrücken des Arztes während eines relativ kurzen Klinikbesuchs. Tragbare Sensoren können Informationen mit höherer Auflösung liefern, um die KPS zwischen Besuchsbewertung und Interventionen zu bestimmen. Einige Studien haben die Machbarkeit des Einsatzes von Wearables zur Fernüberwachung von KPS bei fortgeschrittenen Magen-Darm- und Lungenkrebserkrankungen gezeigt, haben jedoch noch keine Teilnehmer mit Glioblastom eingeschlossen. In einer Machbarkeitsstudie wurden Wearables zur Bestimmung der Schlafqualität bei Glioblastom-Teilnehmern untersucht. Um den Zusammenhang zwischen Aktigraphiedaten und klinischen Wohlbefindenswerten bei Teilnehmern mit Glioblastom zu verstehen, werden wir den Zusammenhang zwischen gesammelten Bewegungsdaten und KPS untersuchen. Dies ist eine Machbarkeitsstudie, bei der die Apple Watch und eine iOS-Anwendung auf dem iPhone des Teilnehmers verwendet werden, um kontinuierlich Aktigraphiedaten zu sammeln und das Auftreten von Symptomen zu kommentieren. Apples Open-Source-Framework wird verwendet, um ResearchKit speziell für die medizinische Forschung zu entwickeln, um die App zu erstellen und Daten sicher zu sammeln.