A szívelégtelenségben szenvedő betegek távfelügyeletére szolgáló digitális egészségügyi platform továbbfejlesztése (DHEART)

A szívelégtelenség (HF) egy elterjedt és halálos kimenetelű klinikai szindróma, amely világszerte emberek millióinak életminőségét befolyásolja. A szívelégtelenségben szenvedő betegek 17-45%-a az első éven belül, a többiek pedig 5 éven belül meghalnak. Ezen túlmenően ezeknél a betegeknél nagy a kockázata az újrahospitalizációnak, az ezzel járó egészségügyi költségek tetemesek, és minél magasabb a várható élettartam, annál nagyobb a betegség prevalenciája. A szívelégtelenség tünetei általában a légszomj, a túlzott fáradtság és a lábak duzzanata, amelyek dekompenzációval súlyosbodhatnak, így az egészségügyi központokba költözés hátrányt jelent az ilyen személyek számára. A távfelügyeleti technológiák olyan megvalósítható megoldást kínálnak, amely lehetővé teszi a dekompenzáció korábbi azonosítását, valamint az életmódbeli változások és a gyógyszeres kezelés jobb betartását. Bár az okostelefonok által végzett távfelügyelet azt mutatta, hogy mind a HF-es kórházi kezelések gyakorisága, mind időtartama csökkenthető, nem volt összefüggés a minden ok miatti halálozás csökkenésével. Ez azt jelzi, hogy hatékonyabb és precízebb módszereket kell keresni. Az elmúlt években a páciens fiziológiai adatainak napi nyomon követését lehetővé tevő, mesterséges intelligenciával (AI) kombinált hordható eszközök használata óriási lehetőségeket mutatott a szív- és érrendszeri betegségek, azok nemkívánatos eseményeinek és a páciens egészségi állapotának előrejelzésében, beleértve a szívelégtelenségben szenvedő betegekét is.

A HumanITcare felhőplatformot és riasztáson alapuló rendszert vezetett be a betegek távfelügyeletére, amely egészségügyi riasztásokat küld, ha a páciens orvosbiológiai mérése egy előre meghatározott tartományon kívül esik. A platform mentesíti a klinikusokat és a gondozókat attól, hogy minden egyes páciens adatait átnézzék a rendellenességek ellenőrzése érdekében, felgyorsítva a döntéshozatali folyamatot és csökkentve a kórházi konzultációk számát. A rendszer azonban számos egyszerű riasztást hoz létre, amelyeket az egészségügyi szakember értékelése után végül eldobnak. Jelen projektben megfigyeléses vizsgálat lefolytatását javasoljuk annak érdekében, hogy a betegek klinikai adataiból egy hatalmas adatkészletet hozzunk létre, amely az egyes riasztások relevanciájára vonatkozó megjegyzéseket tartalmaz. A megjegyzésekkel ellátott adatkészlettel olyan gépi tanulási (ML) modelleket tudunk megvalósítani és betanítani, amelyek robusztusabbá, megbízhatóbbá és megbízhatóbbá teszik a távfelügyeleti rendszert és annak riasztási rendszerét.

Ez a tanulmány az Európai Innovációs Tanács (EIC) által támogatott európai projekt keretében készül. A platform egy korábbi verzióját egy 2020-ban a Hospital de Torrevieja-ban végzett tanulmány validálta, amely a szívelégtelenségre összpontosított. A tanulmány indoklása összhangban van a HumanITcare azon céljával, hogy mesterséges intelligencia eszközöket építsen be a digitális platform optimalizálása érdekében. Míg ez a tanulmány egy változatos és címkézett adatkészlet létrehozására és a mesterséges intelligencia esemény-előrejelző algoritmusainak fejlesztésére összpontosít, egy soron következő második tanulmány az algoritmusok validálására fog összpontosítani, hogy felmérje klinikai hatékonyságukat.

Ez egy megfigyeléses tanulmány, amely egy európai kórházi hálózatot von be. A vizsgálat a HumanITcare digitális platformja és a mellékelt eszközök (tenziométer, hordható, mérleg és oximéter) segítségével folyamatos távoli betegmonitoringból áll. 6 hónapon keresztül összesen 500 szívelégtelenségben szenvedő beteg fiziológiai állandóit monitorozzák.

A betegeket az alkalmassági kritériumok alapján vonják be a vizsgálatba, és ki kell tölteniük a tájékoztatáson alapuló beleegyezést. Minden kórház saját klinikai gyakorlatának megfelelően dönti el, hogy mikor veszi be a pácienseit (akár az elbocsátás tervezése során, akár az első ellenőrző látogatás során, azaz 1 vagy 2 héttel a hazabocsátás után). A felvételi időszak 6 hónap. Ez azt jelenti, hogy a betegeket a vizsgálat kezdetétől a hatodik hónapig bevonják a vizsgálatba. A vizsgálatba bevont utolsó alany a vizsgálat első napjától számított egy év elteltével befejezi a vizsgálatot. Az egyes kórházak egészségügyi szakemberei lesznek felelősek a résztvevők toborzásáért. A felvételi arány az egyes kórházakban egyedi, és hónaptól függően változhat.

A tanulmányhoz nem kapcsolódik teljesítményszámítás, mivel a tanulmány fő célja egy adathalmaz összegyűjtése az ML modellek képzéséhez. Az algoritmusok kidolgozása után a modell teljesítményét a pontosság szempontjából a C statisztika, a vevő működési jelleggörbe alatti terület és a kalibrációs görbe létrehozása segítségével értékeljük. Ezen túlmenően a modelleket a méltányosság és a lehetséges torzítás szempontjából értékelik olyan mérőszámok segítségével, mint a statisztikai paritás, a csoportos igazságosság, a kiegyenlített esélyek és a prediktív egyenlőség.