Amélioration d'une plateforme de santé numérique pour le suivi à distance des patients insuffisants cardiaques (DHEART)

L'insuffisance cardiaque (IC) est un syndrome clinique répandu et mortel qui affecte la qualité de vie de millions de personnes dans le monde. Entre 17% et 45% des patients souffrant d'IC ​​meurent dans la première année et les autres meurent dans les 5 ans. De plus, ces patients ont un risque élevé de réhospitalisation, les coûts de santé associés sont énormes et plus l'espérance de vie est élevée, plus la prévalence de la maladie est élevée. Les symptômes de l'IC comprennent généralement un essoufflement, une fatigue excessive et un gonflement des jambes qui peuvent être aggravés par une décompensation, et donc le déplacement vers des centres médicaux représente un handicap pour ces personnes. Les technologies de surveillance à distance offrent une solution réalisable qui permet une identification plus précoce de la décompensation et une meilleure adhésion aux changements de mode de vie et aux médicaments. Bien que la télésurveillance par smartphone ait montré le potentiel de réduire à la fois la fréquence et la durée des hospitalisations pour IC, il n'y avait aucune association avec la réduction de la mortalité toutes causes confondues. Ainsi, cela indique qu'il est nécessaire de rechercher des méthodologies plus efficaces et plus précises. Ces dernières années, l'utilisation d'appareils portables permettant une surveillance quotidienne des données physiologiques du patient combinée à l'intelligence artificielle (IA) a montré un immense potentiel pour prédire les maladies cardiovasculaires, leurs événements indésirables et l'état de santé du patient, y compris celui des patients atteints d'IC.

HumanITcare a mis en place une plate-forme cloud et un système basé sur des alarmes pour la surveillance à distance des patients qui délivre des alarmes de santé lorsque la mesure biomédicale d'un patient est hors d'une plage prédéfinie. La plate-forme soulage les cliniciens et les soignants de parcourir les données de chaque patient pour vérifier les anomalies, accélérant le processus de prise de décision et réduisant les consultations hospitalières. Cependant, le système crée de nombreuses alarmes simples qui sont finalement rejetées après évaluation par le professionnel de la santé. Dans le présent projet, nous proposons de mener une étude observationnelle afin de créer un énorme ensemble de données avec les données cliniques des patients qui contiendra des annotations concernant la pertinence de chaque alarme. Avec l'ensemble de données annoté, nous serons en mesure de mettre en œuvre et de former des modèles d'apprentissage automatique (ML) qui amélioreront le système de surveillance à distance et son système basé sur les alarmes en le rendant plus robuste, digne de confiance et fiable.

Cette étude est menée dans le cadre d'un projet européen promu par le Conseil européen de l'innovation (EIC). Une version antérieure de la plateforme a été validée dans une étude menée en 2020 à l'hôpital de Torrevieja axée sur l'IC. La logique de cette étude est en ligne avec l'objectif de HumanITcare d'intégrer des outils d'intelligence artificielle pour optimiser la plateforme numérique. Alors que cette étude se concentre sur la création d'un ensemble de données diversifié et étiqueté et sur le développement d'algorithmes de prédiction d'événements d'intelligence artificielle, une deuxième étude à venir se concentrera sur la validation des algorithmes pour évaluer leur efficacité clinique.

Il s'agit d'une étude observationnelle impliquant un réseau européen d'hôpitaux. L'étude consiste en une surveillance continue à distance des patients à l'aide de la plateforme numérique de HumanITcare et des appareils fournis (tensiomètre, portable, balance et oxymètre). Pendant 6 mois, un total de 500 patients souffrant d'IC ​​verront leurs constantes physiologiques surveillées.

Les patients seront inclus dans l'étude sur la base des critères d'éligibilité et devront remplir le formulaire de consentement éclairé fourni. Chaque hôpital décidera quand inclure ses patients en fonction de sa pratique clinique particulière (soit dans le processus de planification de la sortie, soit lors de la première visite de suivi, c'est-à-dire 1 ou 2 semaines après la sortie). La période de recrutement est définie sur 6 mois. Cela signifie que les patients seront intégrés à l'étude depuis son début jusqu'au sixième mois. Le dernier sujet inclus dans l'étude terminera alors l'étude après un an à compter du premier jour de l'étude. Des professionnels de la santé de chaque hôpital seront chargés de recruter les participants. Le taux de recrutement est propre à chaque hôpital, et il peut varier selon les mois.

Il n'y a pas de calcul de puissance associé à l'étude puisque l'objectif principal de l'étude est de rassembler un ensemble de données afin de former des modèles ML. Une fois les algorithmes développés, les performances du modèle en termes de précision seront évaluées au moyen de la statistique C, de l'aire sous la courbe caractéristique de fonctionnement du récepteur et de la création d'un tracé d'étalonnage. De plus, les modèles seront évalués en termes d'équité et de biais potentiel à l'aide de mesures telles que la parité statistique, l'équité de groupe, les cotes égalisées et l'égalité prédictive.