Sydämen vajaatoimintapotilaiden etäseurantaan tarkoitetun digitaalisen terveysalustan parantaminen (DHEART)

Sydämen vajaatoiminta (HF) on yleinen ja kuolemaan johtava kliininen oireyhtymä, joka vaikuttaa miljoonien ihmisten elämänlaatuun maailmanlaajuisesti. 17–45 % HF-potilaista kuolee ensimmäisen vuoden aikana ja loput 5 vuoden kuluessa. Lisäksi näillä potilailla on suuri riski joutua uudelleen sairaalahoitoon, heidän terveydenhuoltokustannukset ovat valtavat, ja mitä korkeampi elinajanodote, sitä suurempi on taudin esiintyvyys. HF-oireita ovat yleensä hengenahdistus, liiallinen väsymys ja jalkojen turvotus, jotka voivat pahentua kompensaation alenemisen myötä, ja siksi siirtyminen terveyskeskukseen on vamma tällaisille henkilöille. Etävalvontatekniikat tarjoavat käyttökelpoisen ratkaisun, joka mahdollistaa dekompensaatioiden varhaisemman tunnistamisen ja paremman elämäntapamuutosten ja lääkityksen noudattamisen. Vaikka älypuhelimilla suoritettu etävalvonta osoitti potentiaalin lyhentää sekä HF-sairaalahoitojen tiheyttä että kestoa, sillä ei ollut yhteyttä kaikesta kuolleisuuden vähenemiseen. Siten se osoittaa, että on etsittävä tehokkaampia ja tarkempia menetelmiä. Viime vuosina potilaan fysiologisten tietojen päivittäisen seurannan mahdollistavien puettavien laitteiden käyttö yhdistettynä tekoälyyn (AI) on osoittanut valtavan potentiaalin ennustaa sydän- ja verisuonisairauksiin liittyviä sairauksia, niiden haittavaikutuksia ja potilaan terveydentilaa, mukaan lukien HF-potilaiden terveydentila.

HumanITcare on toteuttanut potilaiden etävalvontaan pilvialustan ja hälytyspohjaisen järjestelmän, joka antaa terveyshälytyksiä, kun potilaan biolääketieteen mittaustulos on ennalta määritellyn alueen ulkopuolella. Alusta vapauttaa lääkäreitä ja hoitajia joutumasta käymään läpi jokaisen potilaan tiedot poikkeamien varalta, nopeuttaen päätöksentekoprosessia ja vähentäen sairaalakonsultaatioita. Järjestelmä luo kuitenkin monia yksinkertaisia ​​hälytyksiä, jotka lopulta hylätään lääketieteen ammattilaisen arvioinnin jälkeen. Tässä projektissa ehdotamme havainnointitutkimuksen suorittamista, jotta voidaan luoda valtava aineisto potilaiden kliinisistä tiedoista, jotka sisältävät huomautuksia kunkin hälytyksen merkityksestä. Annotoidun tietojoukon avulla pystymme toteuttamaan ja kouluttamaan koneoppimismalleja (ML), jotka parantavat etävalvontajärjestelmää ja sen hälytyspohjaista järjestelmää tekemällä siitä kestävämmän, luotettavamman ja luotettavamman.

Tämä tutkimus tehdään Euroopan innovaationeuvoston (EIC) edistämän eurooppalaisen hankkeen puitteissa. Alustan aikaisempi versio validoitiin vuonna 2020 Hospital de Torreviejassa tehdyssä tutkimuksessa, joka keskittyi HF:ään. Tämän tutkimuksen perustelut ovat linjassa HumanITcaren tavoitteen kanssa sisällyttää tekoälytyökalut digitaalisen alustan optimointiin. Tässä tutkimuksessa keskitytään monipuolisen ja leimatun tietojoukon luomiseen ja tekoälyn tapahtumien ennustusalgoritmien kehittämiseen, mutta tulevassa toisessa tutkimuksessa keskitytään algoritmien validointiin niiden kliinisen tehokkuuden arvioimiseksi.

Tämä on havaintotutkimus, johon osallistuu eurooppalainen sairaalaverkosto. Tutkimus koostuu jatkuvasta potilaan etävalvonnasta HumanITcaren digitaalisella alustalla ja mukana toimitetuilla laitteilla (tensiometri, puettava, vaaka ja oksimetri). Yhteensä 500 HF-potilaalla seurataan fysiologisia vakioita 6 kuukauden ajan.

Potilaat otetaan mukaan tutkimukseen kelpoisuuskriteerien perusteella, ja heidän on täytettävä annettu tietoinen suostumus. Kukin sairaala päättää, milloin ottaa potilaansa mukaan kliinisen käytäntönsä mukaan (joko kotiutuksen suunnitteluvaiheessa tai ensimmäisellä seurantakäynnillä eli 1 tai 2 viikkoa kotiuttamisen jälkeen). Rekrytointijakso on määritelty 6 kuukaudeksi. Tämä tarkoittaa, että potilaat otetaan mukaan tutkimukseen sen alusta kuudenteen kuukauteen asti. Viimeinen tutkimukseen osallistuva henkilö lopettaa tutkimuksen vuoden kuluttua ensimmäisestä tutkimuspäivästä. Lääketieteen ammattilaiset kustakin sairaalasta vastaavat osallistujien rekrytoinnista. Rekrytointiprosentti on sairaalakohtainen, ja se voi vaihdella kuukaudesta riippuen.

Tutkimukseen ei liity teholaskentaa, koska tutkimuksen päätavoitteena on kerätä aineisto ML-mallien kouluttamiseksi. Kun algoritmit on kehitetty, mallin suorituskykyä tarkkuuden suhteen arvioidaan C-tilaston, vastaanottimen toimintakäyrän alla olevan alueen ja kalibrointikäyrän luomisen avulla. Lisäksi malleja arvioidaan oikeudenmukaisuuden ja mahdollisen harhan suhteen käyttämällä mittareita, kuten tilastollinen pariteetti, ryhmän oikeudenmukaisuus, tasoitettu kertoimet ja ennakoiva tasa-arvo.