디지털 청진기 기반 딥러닝 시스템을 이용한 투석 출입 모니터링

혈액투석(HD)은 혈액투석 혈관통로를 통해 이루어지며, 환자의 혈액을 환자에게서 빼내어 투석기를 통해 순환시킨 후 다시 환자에게 돌려줄 수 있다. HD 혈관 접근은 동정맥 누공(AVF), 동정맥 이식편(AVG) 또는 임시 또는 영구 투석 카테터의 형태를 취할 수 있습니다. 합병증 발생률이 낮고 수명(내구성)이 우수하기 때문에 AVF가 선호되는 액세스입니다. 현재 신장 질환 결과 품질 개선 "Fistula First" 권장 사항은 추정 사구체 여과율이 25mL/분인 환자는 궁극적인 HD에 대비하여 AVF 생성 수술을 받아야 한다는 것입니다.

환자에게 아직 HD가 필요하지 않더라도 IV기는 AVF 생성을 위한 최적의 시간으로 선택됩니다. 그 이유는 (1) AVF 생성 수술을 위해 환자를 예약하는 데 보통 ~8주가 걸리고, (2) 생성 후 AVF가 "성숙"하여 사용할 준비가 되기까지 또 다른 12-16주가 걸리고, (3) 외과적으로 생성된 AVF의 60%가 전혀 성숙하지 못합니다. 성숙까지의 시간 지연과 성숙에 실패한 액세스에 개입해야 할 필요성을 고려할 때, HD가 즉시 필요하고 터널식 투석 카테터에 의존해야 하는 V기 CKD 환자를 만나지 않으려면 상당한 리드 타임이 필요합니다. 감염, 혈전증 및 중심 정맥 협착증의 모든 수반되는 위험이 있습니다.

AVF가 실패할 것인지 성숙할 것인지를 예측할 수 있는 장치를 사용하여 수술 생성 시점부터 AVF를 능동적으로 모니터링할 수 있으면 환자와 의사가 훨씬 더 일찍 개입하여 해당 AVF를 "복귀"할 것인지 결정할 수 있습니다. 성숙. 이것은 더 많은 환자들이 필요할 때 AVF를 투석 액세스로 사용하여 HD를 시작할 수 있으므로 터널식 투석 카테터의 사용을 줄일 수 있음을 의미합니다.

그러나 이러한 유형의 모니터링에서는 성숙도를 향한 진행 상황을 추적하기 위해 자주 측정해야 합니다. 환자의 초기 AVF에서 녹음된 소리 신호를 분석하기 위해 AI/ML 알고리즘을 훈련함으로써 알고리즘은 AVF가 성숙할 가능성이 있는지 여부를 감지할 수 있습니다. 제대로 훈련된 경우 수술 후 초기에 "성숙할 것 같지 않은" 상태를 감지할 수 있어야 하며, 아마도 처음 2주 이내에도 가능할 것입니다. 이것은 환자의 의사가 성숙의 가능성을 높이고 전체 성숙율을 증가시키는 AVF에 대한 개입을 고려하도록 자극할 것입니다. 미래에 환자의 집에서도 사용될 수 있는 디지털 AI/ML 지원 청진기는 해당 모니터링 요구 사항을 쉽게 지원할 수 있을 뿐만 아니라 적시에 개입할 수 있도록 관련 정보를 환자의 의사에게 전송할 수 있습니다.

Eko CORE는 FDA 승인 및 CE 마크가 있는 전자 청진기입니다. CORE는 폐, 심장 및 기타 신체 소리의 오디오 녹음을 허용합니다. CORE는 40x 오디오 증폭, 주변 소음 감소, 4000Hz 샘플 속도 및 3개의 오디오 필터를 제공합니다. 비식별화된 청진 CORE 사운드 녹음은 Bluetooth를 통해 스마트폰 또는 태블릿의 안전한 HIPAA 호환 Eko 애플리케이션으로 무선으로 전송되며, 이를 통해 사용자는 사운드 녹음을 재생하고 녹음된 오디오에 주석을 달고 녹음을 저장할 수 있습니다. 이 데이터는 Eko Devices에서 관리하는 안전한 HIPAA 호환 클라우드 기반 Amazon Web Services(AWS) 데이터베이스 서버에 실시간으로 동기화됩니다.

이 전향적, 관찰적, 종적, 개념 증명 연구는 노스캐롤라이나 대학교(UNC) 신장 센터에서 환자를 등록할 것입니다. 이 연구는 터널형 투석 카테터(TDC)를 통해 투석 중인 성숙한 AVF가 있는 혈액 투석 장치(HDU)의 말기 신장 질환(ESRD) 환자 최소 25명, 최대 50명을 등록합니다. 녹음은 환자의 HD 약속 동안 일주일에 한 번 수행됩니다. 연구 기간은 등록 시점부터 다음 중 하나가 먼저 발생할 때까지 연장됩니다: (a) AVF 포기, 또는 (b) 3회 연속 투석을 위한 2-바늘 캐뉼라로 정의된 성공적인 캐뉼라 삽입 기록 후 측정 2주 치료, 또는 (c) 6개월의 연구 참여. 이러한 데이터 세트는 새로운 AVF가 성숙하거나 실패할 가능성을 예측하기 위해 AI/ML 모델을 파생시키는 데 사용됩니다.