Prédire la réadmission à l'hôpital des patients chirurgicaux à l'aide de modèles d'apprentissage profond avec les données des capteurs de montres et bagues connectées

Les réadmissions à l'hôpital sont bien établies comme indicateurs clés de la qualité des soins de santé, en particulier en postopératoire. Les réadmissions non planifiées reflètent souvent des complications qui n'ont pas été entièrement anticipées ou correctement gérées, générant une charge financière et clinique substantielle pour les systèmes de santé. Aux États-Unis, 3,8 millions de réadmissions d'adultes sont survenues dans les 30 jours en 2018, avec un coût moyen de 15 200 $ US par événement. Au Brésil, des taux de réadmission similaires ont été rapportés, avec 13,4 % de plus de 22 000 hospitalisations entraînant des retours, principalement dus aux infections nosocomiales, à l'apnée obstructive du sommeil et aux arythmies cardiaques. Les troubles du sommeil, y compris l'apnée obstructive du sommeil, figurent parmi les contributeurs les plus significatifs aux complications postopératoires et aux réadmissions. Ils retardent la récupération, augmentent la sensibilité à la douleur, altèrent la cognition et augmentent le risque cardiovasculaire. Les comorbidités vasculaires telles que l'hypertension, le diabète et l'hyperlipidémie aggravent encore les résultats en augmentant la probabilité d'événements ischémiques, de cicatrisation altérée et d'instabilité respiratoire. Comprendre comment les variables physiologiques, comportementales et liées au sommeil interagissent pour influencer la récupération postopératoire est essentiel pour concevoir des stratégies de détection précoce et de prévention.

L'intelligence artificielle (IA) a montré un potentiel croissant pour prédire la détérioration clinique et identifier les patients à haut risque dans de multiples domaines chirurgicaux. Une revue systématique récente de 26 études a démontré que les modèles basés sur l'IA, y compris le traitement du langage naturel, les algorithmes classiques d'apprentissage automatique et les méthodes d'apprentissage profond, peuvent prédire avec précision les réadmissions à l'hôpital après une chirurgie majeure. Cependant, la plupart des ensembles de données disponibles ne combinent pas les signaux physiologiques préopératoires, peropératoires, postopératoires et continus collectés en temps réel à partir de dispositifs portables, ce qui représente une lacune majeure dans la littérature. Cette étude de cohorte prospective vise à combler cette lacune en intégrant des données physiologiques et comportementales haute résolution capturées à partir de dispositifs portables, en particulier de montres intelligentes et de bagues intelligentes, dans une base de données périopératoire unifiée, avec l'objectif global de développer des modèles d'IA capables de prédire les réadmissions hospitalières non planifiées dans les 30 jours suivant la chirurgie.

L'étude cherche à construire une base de données complète de patients subissant des chirurgies électives de moyenne à grande envergure, capturant des données physiologiques et comportementales provenant de dispositifs portables et de moniteurs multiparamétriques pendant les périodes pré- et postopératoires, y compris une surveillance continue dans les premières 48 heures de soins intensifs lorsque cela est indiqué. La collecte de données inclura une surveillance continue par dispositifs portables via une interface web développée par CETELI/UFAM, des évaluations cliniques pré- et postopératoires, des tests de laboratoire, des études d'imagerie, des évaluations de la fonction pulmonaire, des polysomnographies et des questionnaires validés sur le sommeil. L'étude évaluera les corrélations entre les variables physiologiques et liées au sommeil dérivées des montres intelligentes et des bagues intelligentes et le risque de réadmission à l'hôpital.

De plus, l'étude développera des applications pour l'utilisation de montres intelligentes et de bagues intelligentes dans la capture de données périopératoires et emploiera des approches d'apprentissage automatique, y compris des architectures profondes telles que les réseaux convolutifs causaux et les réseaux neuronaux récurrents, ainsi que des méthodes classiques telles que les machines à vecteurs de support et les arbres de décision, pour prédire les réadmissions hospitalières. Les associations entre les paramètres de sommeil dérivés des dispositifs portables et le risque de réadmission à 30 jours seront analysées, les données de sommeil pré- et postopératoires seront corrélées avec les résultats de polysomnographie et des questionnaires, et la qualité du sommeil sera comparée entre les périodes préopératoire et postopératoire.

Cette recherche est menée grâce à une collaboration multidisciplinaire entre l'Hôpital Universitaire Getúlio Vargas (HUGV-UFAM/Ebserh) et le Centre de Recherche et Développement en Technologie Électronique et de l'Information (CETELI/UFAM). Le CETELI sera responsable du développement du logiciel de collecte de données, de l'architecture de stockage et des algorithmes prédictifs, tandis que la supervision clinique, le recrutement et l'exécution du protocole seront dirigés par le HUGV.

Au-delà de la pertinence scientifique, ce projet a une importance pratique significative. Dans des régions géographiquement complexes comme l'Amazonie, la surveillance continue à distance à l'aide de dispositifs portables peut améliorer le suivi, réduire les disparités d'accès aux soins postopératoires et permettre une identification plus précoce des complications. L'intégration de modèles de prédiction basés sur l'IA dans les flux de travail hospitaliers peut finalement réduire les coûts, optimiser le flux des patients et améliorer la sécurité et la qualité des soins chirurgicaux.