Prédiction de la cardiaque avec apprentissage automatique (PRE-HF-ML)

Les appareils portables pour mesurer les fonctions vitales, appelées «portables» du secteur de la consommation, comme l'Apple Watch, ont gagné en popularité. De plus en plus, ils sont également utilisés pour les évaluations cardiovasculaires. Par exemple, une étude précédente au Département de cardiologie et de pulmonologie a démontré que l'Apple Watch est bien acceptée par les patients HF et que le nombre de pas quotidiens moyen est considérablement corrélé avec le test de marche de 6 minutes. La recherche est depuis déplacée des simples analyses de corrélation à des tâches plus complexes, telles que la prévision des mesures ou des événements de laboratoire cliniques, comme la décompensation chez les patients HF.

Les méthodes d'apprentissage automatique se sont avérées adaptées à diverses prédictions dans le domaine de l'insuffisance cardiaque. Par exemple, il a été démontré que les données ECG peuvent être utilisées pour prédire les substituts des risques HF ou les comorbidités, telles que les niveaux de NT-PROBNP, l'âge ou le sexe, l'anémie ou l'insuffisance rénale. Au-delà de l'ECG, les approches multimodales qui combinent plusieurs mesures ont démontré la faisabilité de l'évaluation des risques HF basée sur les données. Les exemples incluent la combinaison de l'IRM cardiaque avec des informations cliniques pour prédire le temps à l'hospitalisation ou aux taux d'incidence HF dans la fibrillation auriculaire.

Étant donné que l'ECG seul ne fournit pas une valeur pronostique suffisante pour l'évaluation de l'insuffisance cardiaque (HF), cette étude vise à faire progresser l'état de l'art en incorporant des données de capteurs supplémentaires. L'Apple Watch sera utilisée comme appareil de choix. Les paramètres extraits comprennent la fréquence respiratoire, la saturation en oxygène, la température nocturne, les données d'accélération et les paramètres dérivés automatiquement fournis (par exemple, le nombre d'étapes, les temps de sommeil).

Objectifs spécifiques:

• Collectez les données des patients HF à l'aide de l'Apple Watch.
• Extraire et intégrer les données dans un format unifié.
• Effectuer une analyse de corrélation avec les paramètres cliniques.
• Développer un algorithme / modèle pour prédire les paramètres cliniques.
• Évaluez statistiquement le pouvoir prédictif du modèle développé.

Paramètres cliniques d'intérêt:

• Changements dans le questionnaire de cardiomyopathie de Kansas City (KCCQ).
• Changements dans les niveaux de peptide natriurétique de type N-terminal (NT-PROBNP).
• Changements dans la concentration d'hémoglobine.
• Changements dans la fonction rénale (créatinine, GFR).
• Changements dans les paramètres d'examen clinique standard: électrolytes, fonction hépatique, numération sanguine, CRP, fonction thyroïdienne.
• Changements / ajustements des médicaments en traitant les médecins sur la base des symptômes cliniques.
• Modifications de l'état du volume (œdème, poids corporel, radiographie pulmonaire).

Les niveaux de KCCQ et NT-PROBNP seront mesurés à l'admission, et les modifications de ces valeurs de base seront évaluées à deux moments: le jour de la sortie et 90 jours après la sortie.

Comme il s'agit d'une étude basée sur les données, des données supplémentaires collectées dans le cadre du traitement conforme aux directives seront également incluses et analysées pour les corrélations. Cela comprend l'ensemble de données de base DZHK composé de 42 éléments, des paramètres de laboratoire déterminés à partir d'échantillons de sang du patient (par exemple, la numérotation sanguine, l'analyse sérique, les tests de coagulation), l'échocardiographie effectuée deux fois pendant l'hospitalisation (par exemple, LV-EF, LAVI, gravité de la maladie valvulaire) , Tendances de statut de poids corporel / œdème et médicaments administrés pendant le séjour à l'hôpital.

Description procédurale

Le jour de l'admission, les patients HF éligibles seront identifiés et recrutés en fonction des critères ci-dessus. Chaque participant recevra une Apple Watch et une introduction à son utilisation. Le jour de la sortie, l'Apple Watch sera collectée et remise à l'Institut d'informatique médicale pour l'extraction des données. L'analyse des données sera effectuée hors ligne.

Procédure de consentement éclairé

Un consentement éclairé sera obtenu personnellement et grâce à la distribution de documents écrits conçus pour la clarté et la lisibilité. Ces documents sont inclus dans l'annexe de cette application.

Suivi après 3 mois

Un rendez-vous de suivi sera prévu 90 jours (± 10 jours) après la libération des examens de laboratoire et d'échocardiographie. Au cours de ce suivi, les paramètres de laboratoire, notamment la numérotation sanguine, l'analyse sérique et les tests de coagulation, seront réévalués et une échocardiographie sera effectuée. Les admissions intermédiaires à l'hôpital et les informations cliniques associées (motif d'admission, traitements administrés) seront également enregistrés.

Mesures d'évaluation

Pour éviter les biais et les erreurs dans les conclusions, des mesures spécifiques seront mises en œuvre lors de toutes les évaluations:

• L'ensemble de données sera divisé en sous-ensembles de formation, de validation et de test.
• L'ensemble de données de test sera extrait au début et réservé exclusivement pour l'évaluation finale du modèle.
• Les données de formation et de validation seront divisées en utilisant la validation croisée.
• Pour éviter les fuites de données, toutes les étapes de prétraitement seront effectuées uniquement sur l'ensemble de données de formation.
• Des résultats seront rapportés sur la base des lignes directrices de la «rapports transparents d'un modèle de prédiction multivariable pour le pronostic ou le diagnostic individuel (trépied)».

Population d'étude

L'étude comprendra des patients HF présentant une insuffisance cardiaque décompensée aiguë du type HFREF (fraction d'éjection ventriculaire gauche réduite).

Période d'observation:

1er avril 2024 - 30 mai 2025 (y compris un suivi de 90 jours).

Nombre attendu de participants:

32 patients.

Risques attendus

Les patients HF seront traités conformément aux directives actuelles. De plus, ils porteront des montres Apple pour collecter des données physiologiques. L'Apple Watch a un marquage CE, garantissant le respect de toutes les exigences de la sécurité et de la protection de la santé de l'UE. Aucune interaction entre l'Apple Watch et le traitement conforme aux lignes directrices n'est attendue. Par conséquent, la participation à l'étude ne présente aucun inconvénient médical ou risque pour les participants.

Méthodologie et analyse

Pour évaluer les modèles développés, des mesures statistiques standard seront appliquées:

• Pour les tâches de régression (par exemple, la prévision des changements dans le score KCCQ), des métriques telles que l'erreur quadratique moyenne (RMSE) seront utilisées.
• Pour les problèmes de classification (par exemple, la prévision de l'anémie), des mesures telles que la zone sous la courbe ROC (AUC) et le score F1 seront appliquées.