Estudio de resultados de hemodiálisis y empoderamiento del paciente 03 (HOPE-03)

La sobrecarga de volumen es un factor que contribuye a las altas tasas de mortalidad cardiovascular y por todas las causas demostradas en pacientes en hemodiálisis. En la actualidad, no existe ningún método que pueda refinar consistentemente el estado del volumen y proporcionar a los pacientes información para permitir ajustes en su ingesta de líquidos. Los estándares actuales utilizados para evaluar el volumen predicen mal el estado de los líquidos, son engorrosos de usar o carecen de una interfaz adecuada para el paciente.

Una evaluación automatizada, precisa y periódica del peso seco sería clínicamente útil, de bajo costo y rápidamente escalable. Los métodos de aprendizaje automático han sido ampliamente estudiados en nefrología. Grandes cantidades de datos de hemodiálisis precisos, recopilados y almacenados electrónicamente a intervalos regulares, tienen el potencial de aprovecharse en la predicción del volumen extracelular de los pacientes o el estado ideal de líquidos.

Se han creado varios modelos de aprendizaje automático de prueba de concepto para la predicción del peso seco en datos de hemodiálisis utilizando datos retrospectivos. Este estudio evaluará la usabilidad de los modelos de aprendizaje automático en la gestión del volumen de fluidos en pacientes de hemodiálisis y, al mismo tiempo, evaluará su validez y reproducibilidad frente a mediciones validadas; en este caso el Monitor de Composición Corporal (BCM) de Fresenius.

Dado que el modelo de aprendizaje automático para evaluar el estado de los líquidos se entrenó y probó con datos retrospectivos, existe una justificación suficiente para probar el rendimiento, la aceptabilidad y la usabilidad del modelo en un estudio prospectivo observacional controlado.

Este será un ensayo de 8 semanas con un período de prueba de 2 semanas realizado en un solo centro en Beaumont, Dublín, Irlanda. Las mediciones de bioimpedancia con Fresenius BCM se realizarán cada 2 semanas. Los datos de hemodiálisis se procesarán continuamente durante todo el ensayo. El algoritmo utilizará los datos de hemodiálisis para predecir la producción de BCM. La predicción del algoritmo se comparará con la predicción de BCM para evaluar su usabilidad.