Risikovorhersage für Erwachsenenkrankheiten durch Wearables, Hörtests und Gesundheitsdaten

Diese Studie ist eine prospektive Kohortenstudie, die darauf ausgelegt ist, multimodale Gesundheitsdaten zu integrieren, um personalisierte Krankheitsrisikovorhersagemodelle für in der Gemeinschaft lebende Erwachsene in Taiwan zu entwickeln und zu validieren. Die Studie konzentriert sich darauf, aktiv gesammelte Forschungsdaten, kontinuierliche Daten von Wearables, Ergebnisse von Hörtests und longitudinale Gesundheitsakten zu kombinieren, um den Übergang von Gesundheit zu subklinischen Zuständen und chronischen Erkrankungen besser zu verstehen.

Teilnehmer ab 18 Jahren werden aus Gemeinschaftseinrichtungen rekrutiert. Nachdem die Einwilligung nach Aufklärung eingeholt wurde, umfassen die Studienverfahren einen strukturierten Fragebogen, eine Reintonaudiometrie und eine 2-wöchige Überwachung mit einer Smartwatch. Der Fragebogen erfasst demografische Merkmale, persönliche und familiäre Krankengeschichte sowie Lebensstilfaktoren wie Bewegung, Schlaf, Rauchen und Alkoholkonsum. Die Hörfunktion wird mittels Reintonaudiometrie bewertet. Die kontinuierlichen physiologischen Daten, die vom Wearable gesammelt werden, umfassen Herzfrequenz und körperliche Aktivität wie Schrittzahlen. Das Forschungspersonal unterstützt die Teilnehmer beim Einrichten der Geräte, der Installation der Anwendung und den Gebrauchsanweisungen, um die Vollständigkeit und Konsistenz der Daten zu verbessern.

Mit Genehmigung des Teilnehmers wird die Studie auch persönliche Gesundheitsakten beschaffen und Studiendaten mit nationalen Krankenversicherungsdatenbanken verknüpfen, um die longitudinale Nachverfolgung und die Feststellung von Krankheitsergebnissen zu unterstützen. Diese verknüpften Datenquellen können ambulante, stationäre, Apotheken-, Versicherungsanmeldungen, schwere Erkrankungen, Sterberegister, Krebsregister und Aufzeichnungen über Gesundheitsvorsorgeuntersuchungen für Erwachsene umfassen. Die Integration dieser heterogenen Datenquellen soll ein umfassenderes Bild der individuellen Gesundheitsverläufe und Krankheitsprogression bieten, als es mit einer einzelnen Datenquelle allein möglich wäre.

Die wissenschaftlichen Ziele der Studie sind:

1. die Zusammenhänge zwischen Hörstatus, Lebensstilfaktoren und kontinuierlichen, von Wearables abgeleiteten physiologischen Messungen zu bewerten;
2. Kombinationen von Schlüsselprädiktoren zu identifizieren, die mit dem Fortschreiten von Gesundheit zu subklinischen oder chronischen Krankheitszuständen assoziiert sind;
3. einen analytischen Rahmen für die Integration heterogener Daten aus Fragebögen, Hörtests, Wearable-Überwachung und medizinischen Datenbanken zu etablieren; und
4. hochpräzise personalisierte Krankheitsrisikovorhersagemodelle unter Verwendung statistischer und maschineller Lernmethoden zu entwickeln und zu validieren.

Die Datenverarbeitung umfasst Datenbereinigung, Behandlung fehlender Werte, Ausreißerprüfung, Standardisierung und datenquellenübergreifende Integration. Die statistischen Analysen umfassen Korrelations- und Regressionsansätze, um die Beziehungen zwischen Hörvermögen, Lebensstil und Wearable-Variablen zu untersuchen. Maschinelle Lernmethoden, einschließlich Merkmalsauswahl und überwachter Lernalgorithmen wie Random Forests und Gradient-Boosting-Methoden, werden verwendet, um wichtige Prädiktoren zu identifizieren und Risikovorhersagemodelle zu konstruieren. Die Modellleistung wird anhand von Maßnahmen wie der Fläche unter der ROC-Kurve (Receiver Operating Characteristic) und der Genauigkeit bewertet. Interne und, wo verfügbar, externe Validierungsstrategien werden verwendet, um Robustheit und Verallgemeinerbarkeit zu bewerten.

Die zentrale Hypothese der Studie ist, dass die Integration von Hörmaßen, Lebensstilinformationen, physiologischen Wearable-Daten und longitudinalen Krankenakten die Krankheitsrisikovorhersage im Vergleich zu Modellen, die auf einem einzigen Datentyp basieren, verbessern wird. Das langfristige Ziel ist es, die frühzeitige Identifizierung von Hochrisikopersonen zu unterstützen, personalisiertes Gesundheitsmanagement zu erleichtern und Evidenz für präventive Gesundheitsstrategien in erwachsenen Bevölkerungen bereitzustellen.

Ein besonderer Schwerpunkt wird auf Datenschutz und Vertraulichkeit gelegt. Alle Studiendaten werden mit eindeutigen Studienkennungen codiert. Die Verknüpfungsdatei, die Studienkennungen mit persönlichen Kennungen verbindet, wird separat mit eingeschränktem Zugang und Verschlüsselung gespeichert. Nachdem Datenerfassung, -bereinigung und Verknüpfungsverfahren abgeschlossen und verifiziert sind, wird die Verknüpfungsdatei dauerhaft vernichtet, sodass nachfolgende Analysen nur mit anonymisierten Daten durchgeführt werden. Alle Berichte oder Veröffentlichungen, die aus der Studie resultieren, werden aggregierte Ergebnisse ohne persönlich identifizierbare Informationen präsentieren.