섬망의 예방 및 조기 발견을 위한 CogMe (CogMe)

섬망은 시간이 지남에 따라 변동하는 경향이 있고 의학적 상태의 생리적 결과로 인해 발생하는 의식과 인지 모두의 급성 장애로 정의되는 증후군입니다. 급성 치료 환경, 내과, 수술 후 환자 및 집중 치료실에서 흔히 발생하는 장애입니다. 섬망은 사망률 증가, 입원 기간 연장, 장기 인지 장애 및 의료 비용 증가와 관련이 있습니다. 섬망의 병리생리학은 다인성이며 완전히 이해되지는 않습니다.

섬망의 유병률은 나이가 들면서 증가하며 노인 입원 환자에서 매우 흔합니다. 특정 부서에서는 섬망 비율이 40% 이상에 이를 수 있습니다. 그러나 거의 2/3의 사례에서 섬망이 과소 진단되거나 우울증 또는 치매로 오진됩니다. 게다가 이전에는 섬망의 진단이 종종 지연되고 의사와 간호사가 섬망을 인식하고 문서화하는 것이 최적과는 거리가 멀다는 것이 밝혀졌습니다. 섬망의 조기 진단은 증상 기간 단축, 입원 기간 단축 및 장기 합병증 감소로 임상 결과를 향상시킬 수 있습니다.

임상 연구에 따르면 다중 요소 비약리학적 중재를 통해 섬망 사례의 최대 1/3을 예방할 수 있지만 이를 구현하는 데 비용이 많이 들고 특별히 훈련된 직원이 필요할 수 있습니다. 또한 일반적으로 생리적 매개변수를 고려하지 않습니다.

최근의 세 가지 기술 발전은 이제 새로운 섬망 예방 접근 방식에 대한 기회를 제공합니다. 첫째, 최근 몇 년 동안 고급 처리 알고리즘으로 구동되는 웨어러블 센서를 사용한 바이탈 사인 모니터링이 기술적으로 실현 가능해졌습니다. 이러한 발전은 섬망의 조기 발견과 탈수, 감염 및 수면 부족과 같은 섬망의 생리적 유발 요인을 감지할 수 있는 기회를 제공할 수 있습니다. 둘째, 가상 대화 시스템의 최근 발전(예: Amazon의 Alexa 또는 Apple의 Siri)는 자동 환자 상호 작용을 위한 새롭고 흥미로운 기회를 제공합니다. 최신 모바일 기술에 대한 경험이 거의 또는 전혀 없는 노인 환자는 음성 또는 다중 모드 통신 장치를 사용할 수 있습니다. 마지막으로 최근 디지털 데이터 수집, 컴퓨팅 인프라 및 알고리즘 개발의 발전으로 인공 지능 및 기계 학습 응용 프로그램이 이전에는 인간 전문가의 영역으로만 생각되었던 의학 분야로 확장될 수 있습니다. 이 세 가지 데이터 소스의 조합은 현재 예측 모델을 크게 개선하고 보다 빠르고 정확한 섬망 예측을 가능하게 합니다.

섬망 감지를 지원하고 임상의에게 증후군의 발생 가능성을 경고할 수 있는 자동화 시스템은 환자의 치료 및 결과를 크게 향상시킬 수 있습니다. CogMe 시스템은 현재 기술을 활용하여 생리학적 측면과 인지적 측면 모두를 포괄하는 섬망 예측, 감지 및 예방을 위한 총체적이고 확장 가능한 접근 방식을 제공합니다. 이 시스템은 생리학적 바이탈 모니터링을 위해 웨어러블을 사용하고 전용 태블릿 앱인 CogMe Personal Assistant(PA)를 통해 환자와 통신합니다. 이 연구에서는 EMR의 환자 데이터와 함께 웨어러블 및 CogMe PA에서 수집한 데이터를 기계 학습 기술(CogMe Data Analytics)을 사용하여 후향적으로 분석하여 섬망을 예측하고 감지하는 CogMe 시스템의 능력을 평가합니다. .