Previsione delle Riammissioni Ospedaliere per Pazienti Chirurgici Utilizzando Modelli di Deep Learning con Dati da Sensori di Smart Watch e Smart Ring

I ricoveri ospedalieri sono ben consolidati come indicatori chiave della qualità dell'assistenza sanitaria, in particolare nel contesto postoperatorio. I ricoveri non pianificati spesso riflettono complicazioni che non sono state pienamente previste o adeguatamente gestite, generando un sostanziale onere finanziario e clinico per i sistemi sanitari. Negli Stati Uniti, nel 2018 si sono verificati 3,8 milioni di ricoveri di adulti entro 30 giorni, con un costo medio di 15.200 dollari per evento. In Brasile sono stati riportati tassi di ricovero altrettanto elevati, con il 13,4% di oltre 22.000 ospedalizzazioni che hanno portato a visite di ritorno, principalmente a causa di infezioni ospedaliere, apnea ostruttiva del sonno e aritmie cardiache. I disturbi del sonno, inclusa l'apnea ostruttiva del sonno, sono tra i fattori più significativi che contribuiscono alle complicanze postoperatorie e ai ricoveri. Ritardano il recupero, aumentano la sensibilità al dolore, compromettono la cognizione e aumentano il rischio cardiovascolare. Le comorbilità vascolari come ipertensione, diabete e iperlipidemia peggiorano ulteriormente gli esiti aumentando la probabilità di eventi ischemici, compromissione della guarigione delle ferite e instabilità respiratoria. Comprendere come le variabili fisiologiche, comportamentali e correlate al sonno interagiscono per influenzare il recupero postoperatorio è essenziale per progettare strategie di rilevamento precoce e prevenzione.

L'intelligenza artificiale (IA) ha mostrato una promessa crescente nel prevedere il deterioramento clinico e nell'identificare pazienti ad alto rischio in più campi chirurgici. Una recente revisione sistematica di 26 studi ha dimostrato che i modelli basati sull'IA, inclusi l'elaborazione del linguaggio naturale, gli algoritmi di machine learning classici e i metodi di deep learning, possono prevedere accuratamente i ricoveri ospedalieri dopo interventi chirurgici maggiori. Tuttavia, la maggior parte dei dataset disponibili non combina segnali fisiologici preoperatori, intraoperatori, postoperatori e continui raccolti in tempo reale da dispositivi indossabili, rappresentando un'importante lacuna nella letteratura. Questo studio di coorte prospettico mira a colmare questa lacuna integrando dati fisiologici e comportamentali ad alta risoluzione catturati da dispositivi indossabili, in particolare smartwatch e anelli intelligenti, in un database perioperatorio unificato, con l'obiettivo generale di sviluppare modelli di IA in grado di prevedere i ricoveri ospedalieri non pianificati entro 30 giorni dall'intervento chirurgico.

Lo studio mira a costruire un database completo di pazienti sottoposti a interventi chirurgici elettivi di media e grande entità, catturando dati fisiologici e comportamentali da dispositivi indossabili e monitor multiparametrici durante i periodi pre- e post-operatori, incluso il monitoraggio continuo nelle prime 48 ore di terapia intensiva quando indicato. La raccolta dei dati includerà il monitoraggio continuo tramite dispositivi indossabili attraverso un'interfaccia web sviluppata da CETELI/UFAM, valutazioni cliniche pre- e post-operatorie, test di laboratorio, studi di imaging, valutazioni della funzione polmonare, polisonnografia e questionari sul sonno validati. Lo studio valuterà le correlazioni tra variabili fisiologiche e correlate al sonno derivate da smartwatch e anelli intelligenti e il rischio di ricovero ospedaliero.

Inoltre, lo studio svilupperà applicazioni per l'uso di smartwatch e anelli intelligenti nella cattura dei dati perioperatori e impiegherà approcci di machine learning, inclusi architetture di deep learning come reti neurali ricorrenti e reti convoluzionali causali, nonché metodi classici come macchine a vettori di supporto e alberi decisionali, per prevedere i ricoveri ospedalieri. Verranno analizzate le associazioni tra parametri del sonno derivati da dispositivi indossabili e il rischio di ricovero a 30 giorni, i dati sul sonno pre- e post-operatori saranno correlati con i risultati della polisonnografia e dei questionari, e la qualità del sonno sarà confrontata tra i periodi preoperatorio e post-operatorio.

Questa ricerca è condotta attraverso una collaborazione multidisciplinare tra l'Ospedale Universitario Getúlio Vargas (HUGV-UFAM/Ebserh) e il Centro di Ricerca e Sviluppo in Tecnologia Elettronica e dell'Informazione (CETELI/UFAM). CETELI sarà responsabile dello sviluppo del software di raccolta dati, dell'architettura di archiviazione e degli algoritmi predittivi, mentre la supervisione clinica, il reclutamento e l'esecuzione del protocollo saranno guidati da HUGV.

Oltre alla rilevanza scientifica, questo progetto ha un'importanza pratica significativa. Nelle regioni geograficamente complesse come l'Amazzonia, il monitoraggio remoto continuo utilizzando dispositivi indossabili può migliorare il follow-up, ridurre le disparità nell'accesso alle cure postoperatorie e consentire un'identificazione più precoce delle complicazioni. L'integrazione di modelli predittivi basati sull'IA nei flussi di lavoro ospedalieri potrebbe alla fine ridurre i costi, ottimizzare il flusso dei pazienti e migliorare la sicurezza e la qualità dell'assistenza chirurgica.