Sairaalahoidon uusimisen ennustaminen kirurgisille potilaille käyttämällä syväoppimismalleja älykellon ja älysormuksen anturitietojen avulla

Sairaalajälleenhoidot ovat vakiintuneet keskeisinä terveydenhuollon laadun mittareina, erityisesti leikkauksen jälkeisessä hoidossa. Suunnittelemattomat jälleenhoidot heijastavat usein komplikaatioita, joita ei täysin ennakoitu tai hoidettu riittävästi, mikä aiheuttaa huomattavia taloudellisia ja kliinisiä taakkoja terveysjärjestelmille. Yhdysvalloissa 3,8 miljoonaa aikuisen jälleenhoidosta tapahtui 30 päivän sisällä vuonna 2018, keskimääräisillä kustannuksilla 15 200 USD tapahtumaa kohden. Brasiliassa on raportoitu vastaavasti korkeita jälleenhoidon määriä, kun 13,4 % yli 22 000 sairaalahoidosta johti paluukäynteihin, pääasiassa sairaalainfektion, obstruktiivisen uniapnean ja sydämen rytmihäiriöiden vuoksi. Unihäiriöt – mukaan lukien obstruktiivinen uniapnea – ovat yksi merkittävimmistä tekijöistä leikkauksen jälkeisissä komplikaatioissa ja jälleenhoidoissa. Ne viivästyttävät toipumista, lisäävät kivun herkkyyttä, heikentävät kognitiivisia toimintoja ja lisäävät sydän- ja verisuonitautien riskiä. Vaskulaariset komorbiditeetit kuten hypertensio, diabetes ja hyperlipidemia heikentävät edelleen hoitotuloksia lisäämällä iskeemisten tapahtumien, haavan paranemisen heikkenemisen ja hengityksen epävakauden todennäköisyyttä. Fysiologisten, käyttäytymiseen liittyvien ja unen laatuun liittyvien muuttujien vuorovaikutuksen ymmärtäminen leikkauksen jälkeisessä toipumisessa on ratkaisevan tärkeää varhaisten havaitsemis- ja ehkäisystrategioiden suunnittelussa.

Tekoäly (AI) on osoittanut yhä enemmän potentiaalia kliinisen heikkenemisen ennustamisessa ja korkean riskin potilaiden tunnistamisessa useilla kirurgian aloilla. Äskettäinen systemaattinen katsaus 26 tutkimuksesta osoitti, että tekoälyyn perustuvat mallit – mukaan lukien luonnollisen kielen käsittely, perinteiset koneoppimisalgoritmit ja syväoppimismenetelmät – voivat tarkasti ennustaa sairaalajälleenhoidon suurten leikkausten jälkeen. Suurin osa saatavilla olevista aineistoista ei kuitenkaan yhdistä leikkauksen ennen, aikana ja jälkeen kerättyjä tietoja sekä jatkuvia, kannettavista laitteista reaaliajassa kerättyjä fysiologisia signaaleja, mikä edustaa merkittävää aukkoa kirjallisuudessa. Tämä prospektiivinen kohorttitutkimus pyrkii täyttämään tämän aukon integroimalla korkearesoluutioisia, kannettavista laitteista – erityisesti älykelloista ja älysormuksista – kerättyjä fysiologisia ja käyttäytymiseen liittyviä tietoja yhtenäiseen perioperatiiviseen tietokantaan, päämääränä kehittää tekoälymalleja, jotka pystyvät ennustamaan suunnittelemattomia sairaalajälleenhoidon 30 päivän sisällä leikkauksen jälkeen.

Tutkimus pyrkii rakentamaan kattavan tietokannan potilaista, jotka käyvät läpi keskisuuria tai suuria valinnaisia leikkauksia, keräten fysiologisia ja käyttäytymiseen liittyviä tietoja kannettavista laitteista ja moniparametrisista monitoroinnista ennen ja jälkeen leikkauksen, mukaan lukien jatkuva monitorointi intensiivihoidon ensimmäisten 48 tunnin aikana tarvittaessa. Tietojen keruu sisältää jatkuvan kannettavan monitoroinnin CETELI/UFAM:n kehittämän verkkopohjaisen käyttöliittymän kautta, leikkauksen ennen ja jälkeen tehdyt kliiniset arviot, laboratoriotutkimukset, kuvantamistutkimukset, keuhkotoiminnon arvioinnit, polysomnografian ja validoituja unikyselyitä. Tutkimus arvioi korrelaatioita älykelloista ja älysormuksista saatujen fysiologisten ja unen laatuun liittyvien muuttujien sekä sairaalajälleenhoidon riskin välillä.

Lisäksi tutkimus kehittää sovelluksia älykellojen ja älysormusten käyttöön perioperatiivisessa tiedonkeruussa ja hyödyntää koneoppimismenetelmiä – mukaan lukien syvärakenteet kuten kausaalikonvoluutioverkot ja rekurrentit neuroverkot sekä perinteiset menetelmät kuten tukivektorikoneet ja päätöspuut – ennustaakseen sairaalajälleenhoidon. Kannettavista laitteista johdettujen unen parametrien ja 30 päivän jälleenhoidon riskin välisiä yhteyksiä analysoidaan, leikkauksen ennen ja jälkeen kerättyjä unentietoja korreloidaan polysomnografian ja kyselyiden tulosten kanssa, ja unen laatua verrataan leikkauksen ennen ja jälkeen.

Tämä tutkimus toteutetaan monitieteisenä yhteistyönä Hospital Universitário Getúlio Vargasin (HUGV-UFAM/Ebserh) ja Center for Research and Development in Electronic and Information Technologyn (CETELI/UFAM) välillä. CETELI vastaa tiedonkeruun ohjelmiston, tallennusarkkitehtuurin ja ennustavien algoritmien kehittämisestä, kun taas kliininen valvonta, rekrytointi ja protokollan toteutus on HUGV:n vastuulla.

Tieteellisen merkityksensä lisäksi tällä projektilla on huomattava käytännön tärkeys. Maantieteellisesti monimutkaisilla alueilla kuten Amazonilla jatkuva etämonitorointi kannettavilla laitteilla voi parantaa seurantaa, vähentää eroja pääsyssä leikkauksen jälkeiseen hoitoon ja mahdollistaa komplikaatioiden varhaisemman tunnistamisen. Tekoälyyn perustuvien ennustemallien integrointi sairaaloiden työnkulkuihin voi lopulta vähentää kustannuksia, optimoida potilasvirtaa ja parantaa kirurgisen hoidon turvallisuutta ja laatua.