Digitale Diagnose von Herzgeräuschen bei pädiatrischen Patienten [DI-SOUND-Studie] (DI-SOUND)

Einleitung:

Angeborene Herzfehler (CHD) sind die häufigsten Geburtsfehler beim Menschen. Eine rechtzeitige Diagnose von kardialen Strukturanomalien bei Neugeborenen und Kindern ist mit verbesserten Ergebnissen in der allgemeinen pädiatrischen Population verbunden. Innerhalb der CHD sind ductusabhängige CHD eine seltene Gruppe von kardiovaskulären Fehlbildungen mit heterogenen anatomischen Merkmalen, die die Unfähigkeit teilen, entweder den Lungenkreislauf (ductusabhängiger Lungenkreislauf) oder den systemischen Kreislauf (ductusabhängiger systemischer Kreislauf) zum Zeitpunkt des Ductusverschlusses aufrechtzuerhalten. Beispiele für solche Zustände sind das hypoplastische Linksherzsyndrom (Prävalenz von 2/10.000), schwere Aortenisthmusstenose (Prävalenz von 3/10.000), Pulmonalatresie mit intaktem Ventrikelseptum (<1/10.000), kritische neonatale Aortenklappenstenose (Prävalenz ~5/10.000), kritische Pulmonalklappenstenose (1-5/10.000) und andere seltene, komplexere angeborene Läsionen. In diesen Fällen ist es zwingend erforderlich, rechtzeitig die korrekte Diagnose zu stellen, um den Ductus durch Prostaglandininfusion offenzuhalten und den Patienten zur Versorgung an tertiäre pädiatrische kardiovaskuläre Zentren zu überweisen.

Das derzeitige Neugeborenen-Screening für CHD stützt sich hauptsächlich auf die Sauerstoffsättigungsmessung (POS) an Arm und unterer Extremität sowie die Herzauskultation. Die diagnostische Leistung dieser Praxis ist begrenzt. POS leidet unter einer moderaten Sensitivität, insbesondere wenn sie in den ersten 24 Lebensstunden durchgeführt wird. Die Herzauskultation ist wahrscheinlich noch stärker eingeschränkt, mit einer Sensitivität zwischen 75-85%.

Obwohl das pränatale und neonatale Screening von CHD mit einer erhöhten Erkennung der Erkrankung bei Neugeborenen verbunden war, wird eine erhebliche Anzahl von Patienten nicht korrekt identifiziert, und eine verzögerte Diagnose ist in westlichen und noch mehr in Entwicklungsländern immer noch vorhanden.

Die digitale Auswertung von Herzgeräuschen zu diagnostischen Zwecken wurde in der jüngeren Vergangenheit bei Erwachsenen und älteren Kindern untersucht. Wir schlagen vor, eine spezielle Software für die automatische dichotome klinische Klassifizierung von Herzgeräuschen (normal vs. abnormal) bei Neugeborenen zu entwickeln, um die neonatale Erkennung von strukturellen Herzerkrankungen in dieser Population zu verbessern.

Die Studie "Digitale Diagnose von Herzgeräuschen bei pädiatrischen Patienten" (DI_SOUND) zielt darauf ab, ein Werkzeug zu entwickeln und zu validieren, mit dem übergeordneten Ziel, die neonatale Erkennung von CHD zu verbessern.

Studienziele Ziel 1: Entwicklung eines binären Klassifikators für normale vs. abnormale Herzgeräusche bei Neugeborenen Ziel 2: Validierung des binären Klassifikators in einer konsekutiven, unabhängigen Kohorte von Neugeborenen Ziel 3: Kosten-Nutzen-Analyse der digitalen vs. standardmäßigen Screening-Methode für CHD bei Neugeborenen

Methoden und Studiendesign Dies ist eine multizentrische Studie und wird in vier pädiatrischen Kardiologieprogrammen in Italien (IRCCS Azienda Ospedaliero-Universitaria di Bologna, IRCCS Ospedale Pediatrico Bambin Gesù in Rom, Azienda Ospedaliero-Universitaria Policlinico Umberto I in Rom und Ospedale Monaldi in Neapel) zusammen mit einer Ingenieureinheit (Politecnico di Milano) durchgeführt. Die Studie besteht aus zwei aufeinanderfolgenden Phasen: einer Ableitungs-/Trainingsphase (Entwicklung des binären Klassifikationsalgorithmus, Ziel 1) und einer Validierungsphase (Validierung des binären Klassifikationsalgorithmus und Kosten-Nutzen-Analyse, Ziele 2 und 3) (Grafische Zusammenfassung). Das Studiendesign basiert auf der SPIRIT 2025-Richtlinie. Die IRB-Genehmigung wurde von jeder klinischen Einheit eingeholt.

Studienpopulation:

Ableitungsphase. Die Studienpopulation umfasst Neugeborene mit bekanntem kardiovaskulären Status, einschließlich Neugeborener mit und ohne CHD.

Validierungsphase. Die Studienpopulation umfasst Neugeborene ohne vorherige kardiovaskuläre Untersuchung und unbekannten kardiovaskulären Status. Die Vortestwahrscheinlichkeit für CHD wird definiert: Neugeborene mit hohem Risiko für strukturelle kardiovaskuläre Anomalien vs. Neugeborene mit niedrigem Risiko (allgemeines Populationsrisikoniveau). Die Hochrisiko-Untergruppe umfasst Neugeborene mit bestehendem fetalem Ultraschall, der auf kardiovaskuläre Anomalien hindeutet, und solche mit klinischer Indikation für eine pädiatrische kardiologische Evaluation (abnormales Neugeborenen-Screening, Anzeichen/Symptome). Die Niedrigrisiko-Untergruppe (annähernd Patientenprävalenz für strukturelle kardiovaskuläre Anomalien) umfasst konsekutive Neugeborene, die speziell für diesen Forschungszweck rekrutiert wurden und ohne jegliche Indikation für eine kardiovaskuläre Untersuchung.

Einschlusskriterien

• Alter < 30 Tage
• Schriftliche Einwilligungserklärung von den Eltern oder Vertretern Ausschlusskriterien
• Unfähigkeit, ein diagnostisches Echokardiogramm zu erwerben
• Gewicht weniger als 1,5 kg

Studienwerkzeug:

Herzgeräusche werden mit dem Littmann Core Stethoskop (Eko Software) (3M Company, Minnesota/USA) aufgezeichnet. Digitale Aufnahmen werden als wav-Dateien in einer dedizierten verschlüsselten Plattform zur Datenaustausch zwischen den Zentren gespeichert.

Jedes in die Studie eingeschlossene Neugeborene wird einer standardisierten und vollständigen Echokardiographie durch erfahrene Operateure unterzogen, wie in Tabelle 1 und im vollständigen Studienprotokoll, das als Online-Zusatzmaterial eingereicht wurde, berichtet. Die echokardiographische Evaluation wird gemäß bestehenden Richtlinien für neonatale Echokardiographie durchgeführt.28 Die Untersuchungen werden mit standardisierter und reproduzierbarer Methode durchgeführt (Tabelle 1). Sie werden auf einem digitalen Medium gespeichert. Nach Anonymisierung werden die Untersuchungen an das Echokardiographische Studien-Kernbildlabor zur formalen Beurteilung und Entscheidung übermittelt.

Ein webbasierter, verschlüsselter Fallberichtsbogen wird unter Verwendung der institutionellen REDCap-Lizenz (Vanderbilt University) der IRCCS Azienda Ospedaliero-Universitaria di Bologna erstellt.

Studienablauf:

Patientenrekrutierung Für die Ableitungsphase werden Neugeborene ohne CHD zum Zeitpunkt der Entlassung aus dem Gynäkologie-/Geburtshilfeprogramm und Neugeborene mit CHD zum Zeitpunkt der kardiovaskulären Untersuchung rekrutiert. Für die Validierungsphase werden konsekutive Neugeborene zum Zeitpunkt der Entlassung aus der Gynäkologie-/Geburtshilfeeinheit rekrutiert.

Die grafische Zusammenfassung fasst den Studienablauf zusammen. Ableitungsphase Nach dem Screening geeigneter Patienten wird eine schriftliche Einwilligungserklärung von den Eltern oder Betreuungspersonen eingeholt.

Die erste echokardiographische Evaluation findet in einem postnatalen Alter < 30 Tagen statt. Das Alter bei Aufnahme und echokardiographischer Evaluation ist nicht vor 7 Tagen postnatalen Lebens geplant, um den Abschluss des angemessenen kardiozirkulatorischen Übergangs bei gesunden Neugeborenen zu ermöglichen (d.h. Ductusverschluss, pulmonale Gefäßumbildung, physiologischer Shunt des Foramen ovale). Das Echokardiogramm wird mit einem anonymen Identifikator verknüpft, der verwendet wird, um die Untersuchung mit dem Patienten zu verknüpfen, ohne die Privatsphäre des Patienten zu verletzen. Die Untersuchung wird digital gespeichert und an das Echokardiographie-Studien-Kernlabor zur formalen Überprüfung übermittelt. Der neonatale kardiovaskuläre Status wird entsprechend als mit oder ohne kardiovaskuläre Anomalien gekennzeichnet.

Herzgeräusche werden digital mit dem Littmann Core Stethoskop (Eko Software) (3M Company, Minnesota/USA) als Aufnahmegerät aufgezeichnet. Herzgeräuschkurven werden aufgezeichnet und im wav-Format gespeichert und verschlüsselt an die Bioingenieur-Forschungseinheit zur weiteren Auswertung übermittelt. Der neonatale kardiovaskuläre Status wird für die Bioingenieur-Forschungseinheit entblindet, um eine angemessene Handhabung des Klassifikatortrainings zu ermöglichen.

Die Details der Aufnahmemethode sind wie folgt:

1. Aufnahmegerät: Littmann Core Stethoskop (Eko Software) (3M Company, Minnesota/USA)
2. Position der Auskultation: mittleres Präkordium. Leichter Druck wird auf die Brust ausgeübt, spontane Atmung, Patienten werden so ruhig wie möglich gehalten, unter Verwendung von Maternage ohne jegliche Sedierung
3. Durchschnittliche Aufnahmedauer: 15 Sekunden Phonokardiographische Signale werden als wav-Dateien in einem verschlüsselten Cloud-System gespeichert, um zur weiteren Analyse übermittelt zu werden (Grafische Zusammenfassung). Die Kurven werden einer Vorverarbeitung unterzogen, um Hintergrundgeräusche zu entfernen, und segmentiert, um Schallproben homogener geeigneter Dauer zu erzeugen. Als letzter Schritt der Vorverarbeitung werden die gefilterten Aufnahmen normalisiert, um Inhomogenitäten in den extrahierten Merkmalen zu verhindern. Die Datenanalyse wird dann auf der Grundlage handgefertigter Merkmalsextraktion implementiert. Das Hauptziel der Merkmalsextraktion ist es, eine kleine Anzahl repräsentativer Merkmale, d.h. charakteristische Eigenschaften einer Schallprobe, zu identifizieren, die die hochdimensionalen Rohsignale ersetzen und dabei ihren informativen Gehalt in Bezug auf das untersuchte Phänomen bewahren. Relevante Merkmale werden dann dem Klassifikationsalgorithmus zugeführt, um zwischen gesunden und abnormalen Probanden zu unterscheiden. Mehrere verschiedene Techniken werden typischerweise für die Merkmalsextraktion in Schallsignalen verwendet und können grob in Frequenzbereichstechniken (z.B. Fast-Fourier-Transformation (FFT), Diskrete Kosinustransformation (DCT), Kurzzeit-Fourier-Transformation (STFT)), Zeit-Frequenz-Bereichstechniken (z.B. Lineare Frequenzband-Cepstral (LFBC), Mel-Frequenz-Cepstrum-Koeffizienten (MFCC) und lineare Prädiktionscodierung (LPC)) und Zeitbereichstechniken (z.B. Nulldurchgangserkennung und Peak-Finding) gruppiert werden. Jede dieser Techniken liefert Deskriptoren potenziell relevanter Eigenschaften der Schallprobe, die als Merkmale verwendet oder weiterverarbeitet werden können, um höhere Ebenencharakteristika des Signals zu extrahieren (wie Systolen- und Diastolenvariabilität). Um die Robustheit unserer Ergebnisse gegenüber weniger als idealen Aufnahmebedingungen zu maximieren, werden wir die Klassifikatoren unter Verwendung von Merkmalen aus allen oben genannten Domänen trainieren und eine Merkmalsauswahlprozedur durchführen, um diejenigen Merkmale auszuwählen, die am stärksten mit dem interessierenden Ergebnis korreliert sind. Wir werden als mögliche Klassifikatoren logistische Regression, AdaBoost, XGBoost, Random Forest, Support Vector Machines und Hidden Markov Models in Betracht ziehen. Neuronale Netze können implementiert werden, wenn angemessen und machbar. Gemäß den standardmäßigen Best Practices wird der Datensatz in Trainings-, Validierungs- und Testdatensätze aufgeteilt. Zur Bewertung der Leistung der Klassifikatoren wird K-Fold-Kreuzvalidierung mit verschiedenen Faltungszahlen verwendet: 10-fach, 5-fach und Leave-One-Out-Kreuzvalidierung (LOOCV). Bei LOOCV entspricht die Anzahl der Faltungen der Anzahl der Aufzeichnungen. Die Gini-Bedeutung für Random-Forest-Klassifikatoren wird als Werkzeug verwendet, um Parameter mit dem geringsten prädiktiven Beitrag zu validieren. Sobald ein geeigneter Klassifikator trainiert wurde, wird eine Nach-Trainingsanalyse durchgeführt, um die relevantesten Merkmale zu bestimmen. Der Zweck dieser Analyse ist es, zu untersuchen, in welchem Ausmaß jedes Merkmal zur Auswahl einer Klasse im Vergleich zur anderen beiträgt. Techniken zur Merkmalsrelevanzschätzung basierend auf SHAP-Werten oder Permutationsanalyse werden ebenfalls angewendet, mit dem Ziel, eine angemessene Erklärung für die Modellentscheidung zu liefern (Grafische Zusammenfassung).

Validierungsphase Klinische Softwarevalidierung (Ziel 2) Nach dem Screening geeigneter Patienten wird eine schriftliche Einwilligungserklärung von den Eltern oder Betreuungspersonen eingeholt.

Das klinische Screening wird gemäß den italienischen gesetzlichen Vorgaben durchgeführt. Die präduktale (rechter Arm) Sauerstoffsättigung und die postduktale (Bein) Sauerstoffsättigung werden aufgezeichnet. Die körperliche Untersuchung umfasst die Erkennung des femoralen arteriellen Pulses und die Herzauskultation.

Die klinischen Screening-Ausgangsschwellenkriterien sind in Tabelle 2 zusammengefasst. Für diese Phase werden wir Patienten unter Verwendung einer Blockstratifikation für hohes CHD-Risiko vs. niedriges (Standard-) CHD-Risiko-Status für jedes Neugeborene rekrutieren.

Herzaufnahmen (30 Sekunden Länge) werden vor der umfassenden Echokardiographie von einem geschulten Forschungsmitarbeiter erworben. Das Alter bei Aufnahme und echokardiographischer Evaluation ist nicht vor 7 Tagen postnatalen Lebens geplant, um den Abschluss des angemessenen kardiozirkulatorischen Übergangs bei gesunden Neugeborenen zu ermöglichen (d.h. Ductusverschluss, pulmonale Gefäßumbildung, physiologischer Shunt des Foramen ovale).

Die Echokardiographie wird gemäß aktuellen Richtlinien von einem erfahrenen pädiatrischen kardiovaskulären Bildgeber durchgeführt, der gegenüber klinischen und digitalen Screening-Ergebnissen verblindet ist. Eine vorläufige Inter- und Intra-Beobachter-Variabilität zwischen dedizierten erfahrenen kardiovaskulären Bildgebern zwischen den Zentren wird in einer kleinen Patientenuntergruppe durchgeführt.

Relevante anonymisierte Demographiedaten, kardiovaskulärer Status und relevante Forschungsvariablen werden in einer verschlüsselten, webbasierten, forschungsfokussierten Online-Software gespeichert.

Digital anonymisierte echokardiographische Clips werden an das Echokardiographie-Studien-Kernlabor übermittelt, das die endgültige, formale Auswertung der Untersuchungen durchführt und die Patientenpopulation in normale und abnormale Untersuchungen dichotomisiert. Jegliche potenzielle Interpretationskonflikte werden im Konsens und unter allen kardialen Bildgebern der Einheiten gelöst.

Konkordanz-/Diskordanzmuster zwischen patientenzentrierten Vergleichen zwischen digitalen und klinischen Screening-Ergebnissen werden unter Verwendung der Echokardiographie als primäre Modalität der Ergebnisermittlung durchgeführt (Abbildung 1).

Kosten-Nutzen-Validierung (Ziel 3) Ziel 3 wird das Potenzial für direkte Auswirkungen auf das Gesundheitswesen und Ausgabenbegrenzung des digitalen Screenings im Vergleich zur derzeitigen Praxis untersuchen. Für diesen Forschungszweck wird die Zielpopulation nur aus Neugeborenen mit niedrigem CHD-Risiko ohne jegliche Indikation für eine kardiovaskuläre Untersuchung bestehen, um die Prävalenz unselektierter kardiovaskulärer Anomalien in der Allgemeinbevölkerung anzunähern.

Die Anzahl verhinderter unnötiger Untersuchungen durch digitales Screening und die Anzahl verpasster potenziell notwendiger Untersuchungen durch digitales Screening werden als interessierende Ergebnisse modelliert. Die nationale Vergütung nach Disease Related Groups wird verwendet, um die marginale Kosten-Nutzen-Effektivität des neonatalen digitalen Screenings unter Verwendung der Standard-Screening-Methode als Vergleich zu modellieren.

Statistische Überlegungen:

Methoden der Datenerhebung Patientenbezogene Daten (Demographie, geburtshilfliche Anamnese, Familienanamnese) werden zum Zeitpunkt der digitalen Aufnahme von Herzaufzeichnungen erhoben und (wie zuvor angegeben) in einer üblichen, webbasierten, angemessen verschlüsselten Datenbank mit digitaler Anonymisierung durch dediziertes Forschungspersonal gespeichert. Die digitale Aufnahme von Herzaufzeichnungen wird wie zuvor spezifiziert erworben. Die Echokardiographie wird von erfahrenen pädiatrischen kardiovaskulären Bildgebern durchgeführt. Eine vorläufige Inter- und Intra-Beobachter-Variabilität für die echokardiographische Evaluation wird an 1% der Gesamtpopulation (Variabilitätstestkohorte) durchgeführt.

Statistischer Plan Zwischengruppenvergleiche für klinische und Ergebnisvariablen werden unter Verwendung von unabhängigen t-Tests, Wilcoxon-Rangsummentest, Chi-Quadrat-Analyse oder Fisher's exaktem Test unter Verwendung angemessener variablenspezifischer Nenner durchgeführt.

Für das experimentelle Designziel 1 sind zu diesem Zeitpunkt begrenzte Daten verfügbar, um eine zuverlässige Power-Berechnung aufzubauen, aber wir erwarten, in dieser experimentellen Phase 600 Patienten mit einem Verhältnis von erkrankten zu gesunden Neugeborenen von 2:1 zu rekrutieren.

Spezifische potenzielle Klassifikatoren werden in den spektralen Merkmalen, cepstralen Merkmalen und Zeitbereichsmerkmalen untersucht. Logistische Regression, Boosting-Algorithmen (AdaBoost, XGBoost, Random Forest) werden verwendet. Der Datensatz wird in Trainings-, Validierungs- und Testdatensätze aufgeteilt. Die Leistung der Klassifikatoren wird unter Verwendung von K-Fold-Kreuzvalidierung mit verschiedenen Faltungszahlen bewertet. Verschiedene Faltungsebenen werden getestet: 10-fach, 5-fach und Leave-One-Out-Kreuzvalidierung (LOOCV), mit dem Ziel einer Sensitivität >95% und Spezifität >90%. Die Gini-Bedeutung für Random-Forest-Klassifikatoren wird als Werkzeug verwendet, um Parameter mit dem geringsten prädiktiven Beitrag zu validieren.

Die Gini-Bedeutung kann als die Wahrscheinlichkeit definiert werden, eine falsche Klassifikation eines zufällig ausgewählten Datensatzes zu machen, wenn er zufällig in der Klassenverteilung etikettiert würde. Während des Trainings der Entscheidungsbäume des Random Forest ist jeder Baum eine Menge interner Knoten und Blätter. Im internen Knoten wird ein ausgewähltes Merkmal verwendet, um die Entscheidung zu treffen, den Datensatz in zwei separate Aufteilungen zu teilen. Die Auswahl des Merkmals erfolgt nach dem Gini-Unreinheitskriterium. Das Merkmal, das die höchste Verringerung der Gini-Unreinheit bringt, wird für die internen Knoten ausgewählt. Selbst nach dem Training kann berechnet werden, wie jedes Merkmal die Unreinheit verringert, und dies wird als die Bedeutung dieses Merkmals akzeptiert.

Die Netto-Klassifikationsverbesserung wird als Hauptstatistik für das experimentelle Ziel 2 verwendet, unter Verwendung der "Standard-Screening"-Methode als Vergleichsgruppe. Sensitivität, Spezifität, positive und negative prädiktive Werte werden berechnet, und die Likelihood Ratio wird analysiert. C-Statistiken werden verwendet, um die diagnostische Leistung des neu validierten Algorithmus zu berechnen. Bootstrapping wird verwendet, um Konfidenzintervalle zu generieren.

Für das experimentelle Designziel 2 wird die Stichprobenumfangsberechnung für die Sensitivität präsentiert. Bei Festlegung des Alpha-Fehlers auf 0,05 und einem Ziel von 0,9 Power (1-Beta-Fehler) werden ~1900 Patienten notwendig sein, um unsere Software zu validieren, wenn die Krankheitsprävalenz 0,01 beträgt. Dementsprechend wird eine unabhängige Validierungskohorte angemessener Größe konsequent gescreent.

Daten werden als Mittelwert ±Standardabweichung, Median (erstes und drittes Quartil) oder Häufigkeit (%) berichtet. Alle Tests waren zweiseitig. Ein p-Wert <0,05 wurde als signifikant angesehen. Standardstatistische Analysen werden mit STATA® 17h Release-Datenanalysesoftware (StataCorp LP, College Station, TX) durchgeführt.

Diskussion Das Hauptziel der DI_SOUND-Studie ist es, einen digitalen Klassifikator für Neugeborenen-Herzgeräusche zu entwickeln und zu validieren, um die Effizienz und Wirksamkeit des neonatalen CHD-Screenings zu verbessern. Das derzeitige klinische neonatale Screening stützt sich auf die Sauerstoffsättigungsmessung an Arm und Bein zusammen mit der körperlichen Untersuchung durch einen Neonatologen zum Zeitpunkt der präentlassungsbezogenen postnatalen Evaluation. Die kardiovaskuläre Auskultation ist historisch eine Hauptkomponente des neonatalen kardiovaskulären Screenings, hat aber Einschränkungen. Die diagnostische Leistung der derzeitigen neonatalen kardiovaskulären Screening-Protokolle ist begrenzt. Potenzielle Faktoren, die die Screening-Sensitivität beeinflussen, umfassen: a) die pränatale Erkennung von CHD, die normalerweise zur zentralen Versorgung von Neugeborenen mit kardiovaskulären Anomalien führt, was die Exposition von pädiatrischen Assistenzärzten und jungen pädiatrischen Versorgern gegenüber Neugeborenen mit CHD beeinflussen kann; b) die frühe postnatale Entlassung (normalerweise innerhalb von 48-72 Stunden nach der Geburt), die die akustischen Korrelate großer posttrikuspidaler Shunts und komplexer CHD im Rahmen eines residual hohen pulmonalen Gefäßwiderstands und frühen zirkulatorischen Übergangs einschränken kann; c) die reduzierte Fähigkeit, eine körperliche Untersuchung im Rahmen fortschrittlicher medizinischer Technologien durchzuführen. Darüber hinaus ist die rechtzeitige Erkennung von Neugeborenen mit CHD in Entwicklungsländern besonders problematisch, wo die allgemeine neonatale Versorgung reduziert ist und die Verfügbarkeit von Neonatologen normalerweise sehr begrenzt ist. Aus einem reinen Kosten-Nutzen-Profil ist die neonatale Erkennung und angemessene Versorgung kritischer (normalerweise ductusabhängiger) CHD sehr vorteilhaft, weil die CHD-Behandlung zu einem erheblichen Gewinn an qualitätsadjustierten Lebensjahren führt, selbst in Entwicklungsländern mit begrenzten Gesundheitsressourcen.

Das CHD-Screening hat auch eine begrenzte Spezifität. Dies erzeugt normalerweise eine erhebliche Anzahl unnötiger neonataler kardiovaskulärer Evaluationen mit signifikanter ineffektiver Ressourcennutzung im Gesundheitswesen, Familienangst, verlängerter neonataler Hospitalisierung.

Wir glauben, dass ein Werkzeug, das leicht in kommerziell verfügbaren digitalen Gesundheitsplattformen implementierbar ist, einen erheblichen positiven Einfluss auf das Management von Neugeborenen mit CHD haben kann. Die Verbesserung der Screening-Sensitivität wird die Anzahl "falsch negativer" Screening-Ergebnisse reduzieren, mit einem potenziell großen Einfluss auf Patientensicherheit, Prognose, Patientenversorgung, Krankenhauslogistik, und dieser Effekt kann in einkommensschwachen Settings wie Entwicklungsländern oder abgelegenen Gebieten mit schwierigem Zugang zu tertiären Referenzzentren und längeren Transportzeiten noch ausgeprägter sein.33 Eine bessere Screening-Spezifität wird die Anzahl "falsch positiver" Ergebnisse reduzieren, mit positiven Auswirkungen auf die Gesundheitskosten, Verringerung der Familienangst und des Neugeborenen-Unbehagens. Noch wichtiger ist, dass ein digitaler Klassifikator leicht in telemedizinische webbasierte Plattformen implementiert werden kann, was die Skalierbarkeit, Durchdringung und reale Effizienz des Screenings optimiert.

Einschränkungen Die bemerkenswerteste Einschränkung ist das Fehlen zuverlässiger Daten, um die Power für die Entwicklungs-/Trainingsphase zu berechnen. Zweitens können einige schwere CHD (unter anderem Transposition der großen Gefäße mit intaktem Ventrikelseptum) minimale akustische Korrelate haben, und daher kann unser Ansatz für diese Läsionen von begrenzter Effizienz sein. Drittens integriert die klinische Screening-Methode eine Vielzahl nicht-akustischer Informationen, wie das allgemeine Erscheinungsbild des Neugeborenen, Atemmuster, Femoralpulse, Sauerstoffsättigung. Es ist möglich, dass die klinische Screening-Methode für spezifische Untergruppen angeborener Läsionen das digitale Screening übertreffen kann. Schließlich können die Entwicklung und Validierung eines diagnostischen Werkzeugs in einer bestimmten Weltregion per se eine Einschränkung darstellen, die die weltweite Verallgemeinerbarkeit beeinflusst.

Schlussfolgerung Die DI_SOUND-Studie hat das übergeordnete Ziel, das kardiovaskuläre Neugeborenen-Screening zu transformieren, indem Technologie genutzt wird, um die diagnostische Leistung zu verbessern, die weltweite Durchdringung des Telemonitoring-Screenings zu fördern, die Gesundheitskosten zu reduzieren und die Patientensicherheit zu verbessern. Die Studie wird beweisen, ob die Entwicklung und Validierung eines digitalen Klassifikators für neonatale Herzgeräusche machbar ist und wie dies klinische Ergebnisse, Patientenversorgung, Krankenhausaufnahmen und Screening-Effizienz beeinflussen wird.