Kórházi újbóli felvétel előrejelzése sebészi betegeknél mélytanulási modellekkel okosóra és okosgyűrű érzékelőinek adataival

A kórházi újbóli felvételek jól bevált kulcsfontosságú mutatói az egészségügyi minőségnek, különösen a műtét utáni időszakban. A nem tervezett újrafelvételek gyakran olyan szövődményeket tükröznek, amelyeket nem lehetett teljesen előre jelezni vagy megfelelően kezelni, jelentős pénzügyi és klinikai terhet jelentve az egészségügyi rendszerek számára. Az Egyesült Államokban 2018-ban 3,8 millió felnőtt újrafelvétel történt 30 napon belül, átlagosan 15 200 amerikai dolláros költséggel eseményenként. Brazíliában hasonlóan magas újrafelvételi arányokat jelentettek, a több mint 22 000 kórházi kezelésből 13,4% vezetett visszatéréshez, főként kórházi fertőzések, obstruktív alvási apnoe és szívritmuszavarok miatt. Az alvászavarok – beleértve az obstruktív alvási apnoét – a műtét utáni szövődmények és újrafelvételek egyik legjelentősebb hozzájárulói közé tartoznak. Ezek késleltetik a felépülést, fokozzák a fájdalomérzékenységet, rontják a kognitív funkciókat és növelik a kardiovaszkuláris kockázatot. A vaskuláris társbetegségek, mint a magas vérnyomás, a cukorbetegség és a hiperlipidémia tovább rontják a kimeneteleket azáltal, hogy növelik az iszkémiás események, a sebgyógyulási zavarok és a légzési instabilitás valószínűségét. Létfontosságú a műtét utáni felépülés befolyásolásában játszott szerepük megértése a fiziológiai, viselkedési és alvással kapcsolatos változók kölcsönhatásának, a korai felismerési és megelőző stratégiák tervezése érdekében.

A mesterséges intelligencia (MI) egyre ígéretesebbnek bizonyul a klinikai romlás előrejelzésében és a magas kockázatú betegek azonosításában számos sebészeti területen. Egy friss, 26 tanulmányt áttekintő szisztematikus áttekintés kimutatta, hogy az MI-alapú modellek – beleértve a természetes nyelvfeldolgozást, a klasszikus gépi tanulási algoritmusokat és a mélytanulási módszereket – pontosan meg tudják jósolni a kórházi újrafelvételeket nagyobb műtétek után. Azonban a legtöbb rendelkezésre álló adathalmaz nem egyesíti a műtét előtti, műtét alatti, műtét utáni és a hordozható eszközökről valós időben gyűjtött folyamatos fiziológiai jeleket, ami jelentős hiányosságot jelent a szakirodalomban. Ez a prospektív kohorszvizsgálat ezt a hiányt kívánja pótolni azáltal, hogy integrálja a hordozható eszközökből – különösen okosórákból és okosgyűrűkből – rögzített nagy felbontású fiziológiai és viselkedési adatokat egy egységes perioperatív adatbázisba, fő célként a műtét után 30 napon belüli nem tervezett kórházi újrafelvételek előrejelzésére képes MI-modellek fejlesztését tűzve ki.

A vizsgálat célja, hogy átfogó adatbázist építsen a közepes és nagy méretű elektív műtéten áteső betegekről, rögzítve a fiziológiai és viselkedési adatokat hordozható eszközökről és multiparaméteres monitorokról a műtét előtti és utáni időszakban, beleértve a folyamatos monitorozást az intenzív terápia első 48 órájában, ha indokolt. Az adatgyűjtés magában foglalja a folyamatos hordozható monitorozást a CETELI/UFAM által fejlesztett webalapú felületen keresztül, a műtét előtti és utáni klinikai értékeléseket, laboratóriumi vizsgálatokat, képalkotó vizsgálatokat, tüdőfunkció-értékeléseket, poliszomnográfiát és validált alvás-kérdőíveket. A vizsgálat értékeli az okosórákból és okosgyűrűkből származtatott fiziológiai és alvással kapcsolatos változók és a kórházi újrafelvétel kockázata közötti korrelációkat.

Ezenkívül a vizsgálat alkalmazásokat fejleszt az okosóra és okosgyűrű használatára a perioperatív adatrögzítésben, és gépi tanulási megközelítéseket alkalmaz – beleértve az oksági konvolúciós hálózatok és rekurrens neurális hálózatok mély architektúráit, valamint a klasszikus módszereket, mint a támogató vektorgépek és döntési fák – a kórházi újrafelvételek előrejelzésére. Elemzést végeznek a hordozható eszközökből származtatott alvási paraméterek és a 30 napos újrafelvételi kockázat közötti összefüggésekről, korrelálják a műtét előtti és utáni alvási adatokat a poliszomnográfia és kérdőív eredményeivel, valamint összehasonlítják az alvásminőséget a műtét előtti és utáni időszakok között.

Ez a kutatás a Getúlio Vargas Egyetemi Kórház (HUGV-UFAM/Ebserh) és az Elektronikai és Információs Technológiai Kutató- és Fejlesztési Központ (CETELI/UFAM) multidiszciplináris együttműködésén keresztül zajlik. A CETELI felelős az adatgyűjtő szoftver, a tárolási architektúra és a prediktív algoritmusok fejlesztéséért, míg a klinikai felügyelet, a betegtoborzás és a protokoll végrehajtása a HUGV irányításával történik.

A tudományos relevancián túl ennek a projektnek jelentős gyakorlati jelentősége is van. Olyan földrajzilag összetett régiókban, mint az Amazonas, a hordozható eszközökkel történő folyamatos távmonitorozás javíthatja a követést, csökkentheti a műtét utáni ellátáshoz való hozzáférés egyenlőtlenségeit és lehetővé teheti a szövődmények korábbi azonosítását. Az MI-alapú prediktív modellek integrálása a kórházi munkafolyamatokba végső soron csökkentheti a költségeket, optimalizálhatja a betegáramlást és javíthatja a sebészi ellátás biztonságát és minőségét.