Tekoälyn vaikutus keuhkoahtaumatautipotilaiden etävalvontaohjelmaan, jolla on useita sairaalahoitoja

Etävalvontaohjelmat ovat vaihtoehto perinteisille potilaiden valvontajärjestelmille, erityisesti kroonisissa sairauksissa. Tämänkaltaiset työkalut ovat tärkeitä myös väestön ikääntymisen, kroonisten sairauksien lisääntymisen ja sitä kautta terveydenhuoltojärjestelmien ylläpitokustannusten nousun vuoksi. Toisaalta näitä kroonisia potilaita hoidetaan nykyään erityisesti pahenemisvaiheiden vuoksi, pohjimmiltaan hätätilanteissa ja sairaalahoidossa sekä myös henkilökohtaisissa aikatauluissa, kun potilaat ovat vakaat. Silloin tarkempi huomio on toivottavampaa klinikan, johdon ja kustannusten näkökulmasta.

COPD (krooninen obstruktiivinen keuhkosairaus) on erittäin yleinen sairaus. Lisäksi se kuluttaa paljon saniteettiresursseja ja kustannuksia, joista 50 % johtuu sairaalahoidoista.

Lisäksi keuhkoahtaumataudin pahenemisvaiheilla ja erityisesti vaikeilla on merkittäviä seurauksia potilaille (keuhkojen toiminnan heikkeneminen, elämänlaadun heikkeneminen ja kuolleisuuden lisääntyminen).

Tämän vuoksi etävalvonta näyttää olevan ratkaisu näiden potilaiden hallinnan parantamiseen ja resurssien kulutuksen parantamiseen. Galdakaon sairaalassa Espanjassa käynnistettiin etävalvontaohjelma keuhkoahtaumatautipotilaille, jotka joutuvat uudelleen sairaalaan. Sen ensisijainen tavoite oli vähentää takaisinottoa keuhkoahtaumatautien pahenemisvaiheiden vuoksi ja se saattoi osoittaa saniteettiresurssien käytön (sairaalahoidot, käynti ensiapuosastolla, takaisinotot ja keskimääräiset oleskelupäivät) vähentyneen merkittävästi. Se osoitti myös kliinisten oireiden ja elämänlaadun pahenemisen vähemmän vakavammilla potilailla.

Kroonisissa sairauksissa on kuitenkin erittäin tärkeitä kolme tekijää: ihmisten ikääntymisen lisääntyminen, kroonisista sairauksista kärsivien ihmisten määrän lisääntyminen sekä tekniikan, erityisesti muisti- ja tiedonkäsittelyjärjestelmien, nopea kehitys.

Koneoppiminen (ML) on de Artificial Intelligencen tärkein osa, ja sen tavoitteena on tietokoneen oppiminen. Tietokone kirjoittaa omia ohjelmiaan ratkaistakseen ongelmia, joita emme osaa ratkaista. Kun työt ovat vaikeita, kuten ennusteiden tekeminen lääketieteellisissä skenaarioissa, ML-algoritmit tarvitsevat suuren määrän päivämääriä oppiakseen. Useimmat lääketieteelliset tietokannat sisältävät haittoja, jotka johtuvat ihmisen toiminnasta, kuten puuttuvat tiedot, väärät arvot jne. Tästä johtuen telelääketieteeseen perustuvat ohjelmat näyttävät olevan ihanteellinen alusta ML-algoritmeille. Tämä johtuu siitä, että telelääketieteen järjestelmät tuottavat tavallisesti määräajoin sähköisesti kerättyjä tietoja ja ne tallennetaan suoraan tietokantaan. Tämä jatkuva päivämäärävirta ja ihmisten vähäinen osallistuminen niiden muistiin ja tallentamiseen antavat korkean laadun tietokantoille, joita ML-algoritmit voivat käyttää parhaiden ennusteiden tekemiseen.

Tästä syystä TelEPOC (telemonitorointiohjelma COPD-kohortissa Galdakaon sairaalassa) näyttää olevan paras vaihtoehto käyttää tiedoissaan ML-algoritmeja tuotetun datan laadun ja määrän sekä myös hyödyllisyyden vuoksi. näistä ennusteista kliinisessä käytännössä.

Tässä tilanteessa kysymys on siitä, voivatko tutkijat ennakoida pahenemista vai kuinka paljon he voivat ennakoida pahenemisen ilmenemismuotoa. Tämän hypoteesin testaamiseksi esitellään tässä projekti, joka käyttää tekoälyä (ML).

Tutkijat tekivät aiemmin tämän järjestelmän testin, joka antoi lupaavia tuloksia. Tämä prototyyppi koulutettiin retrospektiivisillä tiedoilla, jotka TelEPOC-ohjelma oli muistanut aiemmin, ja se perustui ML-algoritmiin nimeltä Random Forests. Tällä koettimella he saivat ROC-käyrän (vastaanottimen toimintakäyrä) 0,8 ennusteen pahenemisesta seuraavan kolmen päivän aikana. Tällä hetkellä Galdakaon sairaalassa kehitetään ML-järjestelmää TelEPOC-ohjelmassa. Sen tavoitteena on ennakoida hälytystä (pahenemista).

Tätä tarkoitusta varten tutkijat pohtivat monia lisäkysymyksiä, joita voidaan tutkia, kuten esimerkiksi: kuinka se voi vaikuttaa tämän tekniikan tuloon päiväkirjakliiniseen käytäntöön? Tässä hankkeessa ML:n käyttö voi muuttaa kliinisen avun fokusointia. On olemassa työkaluja, joilla voidaan ennustaa potilaiden kehitystä. Toinen kysymys on, että jos tutkijat odottavat pahenemista, he voivat muuttaa patogeenistä perustaa (tulehdusvälittäjät), jotka ympäröivät keuhkoahtaumatautien pahenemista.

Tutkijat pitävät tätä aloitetta edelläkävijänä tällä COPD:n ja kroonisten sairauksien alalla.