スマートウォッチとスマートリングセンサーのデータを用いた深層学習モデルによる手術患者の再入院予測

病院再入院は、特に術後ケアにおいて、医療の質を示す重要な指標として広く認識されています。予期せぬ再入院は、完全に予測されなかった、あるいは適切に管理されなかった合併症を反映しており、医療システムに多大な財政的・臨床的負担をもたらします。アメリカでは、2018年に380万人の成人が30日以内に再入院し、1件あたり平均15,200ドルの費用が発生しました。ブラジルでも同様に高い再入院率が報告されており、22,000件以上の入院のうち13.4%が再入院に至っており、その主な原因は院内感染、閉塞性睡眠時無呼吸症候群、不整脈です。閉塞性睡眠時無呼吸症候群を含む睡眠障害は、術後合併症と再入院の最も重要な要因の一つです。これらは回復を遅らせ、痛みの感受性を高め、認知機能を損ない、心血管リスクを上昇させます。高血圧、糖尿病、脂質異常症などの血管性併存疾患は、虚血性イベントの可能性を高め、創傷治癒を妨げ、呼吸不安定性を引き起こすことで、さらなる転帰の悪化をもたらします。生理学的、行動的、睡眠関連の変数が相互に作用して術後回復に影響を与える仕組みを理解することは、早期発見と予防戦略を設計するために不可欠です。

人工知能（AI）は、複数の外科分野において臨床的悪化を予測し、高リスク患者を特定する上で、ますます有望な成果を示しています。26件の研究を対象とした最近のシステマティックレビューでは、自然言語処理、従来の機械学習アルゴリズム、深層学習法を含むAIベースのモデルが、大手術後の病院再入院を正確に予測できることが示されました。しかし、利用可能なデータセットのほとんどは、ウェアラブルデバイスからリアルタイムで収集された術前、術中、術後、および連続的な生理学的信号を組み合わせておらず、文献上の大きなギャップとなっています。この前向きコホート研究は、ウェアラブルデバイス（特にスマートウォッチとスマートリング）から取得した高解像度の生理学的・行動データを統合された周術期データベースに統合することで、このギャップに対処することを目的としており、手術後30日以内の予期せぬ病院再入院を予測できるAIモデルの開発を最終目標としています。

本研究は、中規模から大規模の選択的手術を受ける患者の包括的なデータベースを構築し、術前・術後の期間におけるウェアラブルデバイスと多項目モニターからの生理学的・行動データを収集します。適応がある場合には、集中治療室での最初の48時間の連続モニタリングも含まれます。データ収集には、CETELI/UFAMが開発したウェブベースのインターフェースを介した連続的なウェアラブルモニタリング、術前・術後の臨床評価、検査、画像診断、肺機能評価、ポリソムノグラフィー、および検証済みの睡眠質問票が含まれます。本研究は、スマートウォッチとスマートリングから得られる生理学的および睡眠関連変数と、病院再入院リスクとの関連性を評価します。

さらに、本研究は、スマートウォッチとスマートリングを周術期データ収集に活用するアプリケーションを開発し、因果畳み込みネットワークやリカレントニューラルネットワークなどの深層アーキテクチャ、およびサポートベクターマシンや決定木などの従来手法を含む機械学習アプローチを用いて、病院再入院を予測します。ウェアラブルデバイスから得られた睡眠パラメータと30日再入院リスクとの関連性が分析され、術前・術後の睡眠データはポリソムノグラフィーおよび質問票の結果と相関が調べられ、術前と術後の睡眠の質が比較されます。

この研究は、ゲトゥリオ・ヴァルガス大学病院（HUGV-UFAM/Ebserh）と電子情報技術研究開発センター（CETELI/UFAM）との多分野共同研究を通じて実施されます。CETELIはデータ収集ソフトウェア、ストレージアーキテクチャ、予測アルゴリズムの開発を担当し、臨床監督、患者募集、プロトコル実行はHUGVが主導します。

科学的な意義を超えて、このプロジェクトは実用的にも非常に重要です。アマゾンのような地理的に複雑な地域では、ウェアラブルデバイスを用いた継続的な遠隔モニタリングにより、術後ケアのフォローアップが強化され、アクセスの格差が減少し、合併症の早期発見が可能になります。AIベースの予測モデルを病院のワークフローに統合することは、最終的にはコスト削減、患者フローの最適化、外科治療の安全性と質の向上につながる可能性があります。