AIによる音声解析で心不全の代償不全を予測 (STEREO)

心不全は、心筋の弱体化または硬直により、心臓が所望の心拍出量を供給できない一般的な状態です。 英国人口の2％以上が罹患しており（発生率は年間約20万人）、救急入院全体の5％を占め、NHSの年間予算（年間約20億ポンド）の約2％を消費している。 したがって、心不全は入院の主な要因であるだけでなく、予防可能な入院を減らす最大の機会でもあります。

急性非代償性心不全（ADHF）は、緊急の治療が必要な医学的緊急事態です。 通常、これは患者の入院をもたらし、関連する医療費の大きな要因となります。 ADHF は通常、肺水腫 (肺静脈うっ血) による安静時または運動時の息切れの急速な悪化、脚のむくみを引き起こす体液貯留、および疲労、食欲不振などのその他の無数の症状を特徴とします。

患者は通常、典型的な症状（息切れ、倦怠感、脚の体液の蓄積）が徐々にまたは突然始まります。 安定化とADHFの初期治療の後、患者は心臓が安定した状態を保つプラトー期に入ります。 しかし、時間の経過とともに、ほとんどの患者はADHFの複数のエピソードを経験し、通常はそのエピソードが長くなり、間隔が短くなります。 うっ血は、通常、心不全の病態生理学、症状、および予後において中心的な役割を果たす容量過負荷に続発する、根底にある心臓圧の上昇に関連しています。 肺うっ血は、心不全における最も重要な診断および治療対象の 1 つです。 容積過負荷による肺うっ血を早期に検出することは、差し迫った再入院を防ぐ鍵であり、地域社会で心不全治療を最適化する理想的な機会となります。

地域社会における ADHF の早期発見は、最終的には効果的な患者ケアを提供するための第一歩となります。 心不全は、曖昧で非特異的な症状が多数現れるため認識が不十分であり、診断や治療の遅れにつながることがよくあります。 患者が心不全代償不全の症状を発症してから医師の診察を受けるまでにはかなりの時間がかかることが多く、症状の発現速度と重症度に影響されます。 したがって、適切な介入が可能な場合に代償不全を早期に検出するには、外来患者の慢性的な体液状態を評価するための信頼性が高く、簡単にアクセスできる手段が必要です。 肺内の体液の蓄積（急性肺水腫）による息切れ（呼吸困難）の突然の発症は、通常、迅速な医療サービスの受診を促しますが、脚や足首の腫れ（末梢浮腫）が徐々に現れる場合は、遅れが生じる可能性が高くなります。ケアを求める際に。 症状の発症から入院までの平均遅延は 2 時間から 7 日の範囲でした。 心不全の症状は多くの場合、徐々に発症し、脅威ではないように見えるため、観察される治療の遅れの一部を説明できる可能性があります。

近年、いくつかのパイロット研究で、音声バイオマーカーと、心不全患者における全身性および/または肺のうっ血の程度との関係が実証されました。 たとえば、2017年に、静脈利尿薬による入院治療を受けている急性非代償性心不全患者10人（8人、2階）を対象とした研究では、治療後、患者は自動的に識別されるきしみ声の割合が増加し、基本周波数が増加し、ケプストラムピークプロミネンスの変動が減少し、音声バイオマーカーが心不全の初期指標となる可能性があることが示唆されました。 この研究はまた、声を測定できる程度に変えるのに必要なHF関連の浮腫の重症度は、体重を増加させるのに必要な重症度に比べて小さいことを示し、音声バイオマーカーがHF患者をモニタリングするための毎日の体重よりも効果的な非侵襲的ツールになる可能性があることを示唆している。 2021年には、別の研究で、血行動態治療を受けている心不全患者の動的体液過負荷の評価における遠隔音声分析の実現可能性が評価されました。 彼らは、血液透析を受けている 5 人の患者に対して連続的な発話/音声測定を実行しました。 分析は、AI アルゴリズムを共有していないアプリを使用して行われました。 彼らは、患者が治療を進めるにつれて、さまざまな体液状態レベルで選択された音声バイオマーカーに統計的に有意な差があることを実証しました。 その後、2022年に、ADHFで入院した患者の入院日と退院日の録音と、急性非代償性心不全で入院した40人の患者のサンプルを比較したところ、テストされた5つの湿性音声測定値すべてに有意な差が確認された。 （入院）録画とドライ（退院）録画。

これとは別に、2022年にある研究で、急性心不全患者（N=68）と安定患者（N=36）の音声記録における発話と休止の変化を評価したところ、急性心不全患者では休止率が14.9％増加していることが判明した。 彼らはまた、NT-Pro-BNP レベルとの正の相関関係も発見しました。 2022年の別の研究では、メル周波数ケプストラム係数（MFCC）の特徴と声門音声特徴の両方を調査し、25人の健康な話者（7F、18M）のサンプルと何らかの病因のHF患者（LVEFに関係なく）20人のサンプルを比較しました。 特徴の選択に続いて、4 つの異なる分類方法 (SVM、ET、Adaboost、FFNN) を使用して予測モデルを開発しました。 MFCC と声門音声特徴の組み合わせに基づいて、ADHF を 88 ～ 94% の範囲の精度で予測することができ、真陽性率は 79.47%、真陰性率は 82.69% でした。

最大 250 人の心不全患者を対象とした研究において、広範な臨床評価、調査、症状ベースのアンケートを実施することで、研究者らは最近の研究を基礎にして、スマート デバイスに展開される新しい AI ベースのアプリケーションを開発することを目指しています。患者の咳、声、呼吸、胸音の微妙な変化から肺うっ血の増加を検出できます。 これにより、患者が重大な症状を発現する前に患者の肺内の進行性の体液蓄積を正確に検出することにより、心不全患者とその臨床チームに重要な情報が提供されます。 初期段階の肺うっ血を検出することで、臨床医はより効果的に治療を行うことが可能になります。 これにより、（地域の）心不全チームに連絡するよう患者に警告し、急性期に入る再入院が必要になる前に早期の外来治療が可能になるため、再発する緊急入院の必要性を最小限に抑え、最終的には防ぐことが期待されています。

この研究の結果が成功することを条件として、NHS 心不全ケアに関するこの研究から得られた AI ツールの臨床的および運用上の利点をテストするための前向き介入臨床試験が実施され、そのようなソリューションの最終的な採用への道が開かれる予定です。日常の臨床現場で。