Screening en vroegtijdige waarschuwing van chronische obstructieve longziekte in combinatie met slaapluchtwegaandoeningen op basis van medisch internet der dingen

Deze studie is een multicenter gezamenlijke studie, die hoofdzakelijk uit twee delen bestaat. Eerst werd een cross-sectionele observationele studie uitgevoerd om patiënten met stabiele COPD in meerdere centra te werven. De diagnostische criteria van de COPD volgen diagnostische richtlijnen in China, en de patiënten werden geselecteerd uit 40-80 jaar oud. Merk op dat we patiënten hebben uitgesloten die de mobiele applicaties van het IoT niet kunnen gebruiken en die de slaapmonitoring en vervolgbezoeken niet kunnen voltooien. Alle patiënten verzamelen slaapbewakingsinformatie via draagbare apparaten, samen met demografische kenmerken, longfunctietesten, bloedroutines, biochemie, elektrocardiogram, thoraxfoto, COPD-beoordelingsschaal, gewijzigde dyspnoe-index van de British Medical Research Association, St. George's Quality of Life Questionnaire, slaap Klinische apneuscore, Berlijn-vragenlijst, Epworth-slaperigheidsschaal, enz. Deze studie schat de gezondheidsstatus van de patiënt op basis van de verzamelde informatie, diagnosticeert vervolgens slaapapneu en berekent de prevalentie van slaapapneu. Concreet bouwen we standaarden op basis van de analyse van slaapmonitoringinformatie en vormen we een OSA-screeningmodel door machine learning-algoritmen toe te passen. Ten tweede stellen we een COPD-cohort samen met slaapademhalingsziekte, waar we COPD-patiënten selecteren die voldoen aan de diagnostische criteria voor slaapademhalingsziekte. Alle patiënten gebruiken draagbare apparaten en IoT-technologie voor informatieverzameling en gegevensbeheer. We bouwen ook het platform voor vroegtijdige waarschuwing, en het maakt flexibele aanpassing van het COPD-plan mogelijk op basis van individuele verschillen en verschillen in de gemeenschap. Deze studie vereist eenmaal per maand een vervolgbezoek. Door het aantal ziekenhuisopnames, de incidentie van acute exacerbaties en andere secundaire observatie-indicatoren van COPD-patiënten te observeren, kan het platform voor vroegtijdige waarschuwing de acute exacerbaties van COPD in combinatie met slaapluchtwegaandoeningen analyseren. We ontwikkelen het ziekte- en prognosemodel voor COPD-patiënten met SAO door machine learning-algoritmen toe te passen op het vorige platform.