Verbetering van een digitaal gezondheidsplatform voor monitoring op afstand van patiënten met hartfalen (DHEART)

Hartfalen (HF) is een veel voorkomend en dodelijk klinisch syndroom dat de levenskwaliteit van miljoenen mensen wereldwijd aantast. Tussen 17% en 45% van de patiënten met HF sterft binnen het eerste jaar en de overige sterven binnen 5 jaar. Bovendien lopen die patiënten een hoog risico op heropname, zijn de bijbehorende zorgkosten enorm, en hoe hoger de levensverwachting, hoe hoger de prevalentie van de ziekte. HF-symptomen omvatten gewoonlijk kortademigheid, overmatige vermoeidheid en zwelling van de benen, die kunnen verergeren door decompensatie, en verplaatsing naar medische centra vormt dus een handicap voor dergelijke personen. Technologieën voor bewaking op afstand bieden een haalbare oplossing die eerdere identificatie van decompensatie en betere naleving van veranderingen in levensstijl en medicatie mogelijk maakt. Hoewel telemonitoring door smartphones het potentieel liet zien om zowel de frequentie als de duur van HF-ziekenhuisopnames te verminderen, was er geen verband met de vermindering van sterfte door alle oorzaken. Het geeft dus aan dat er behoefte is aan het zoeken naar effectievere en preciezere methodologieën. In de afgelopen jaren heeft het gebruik van draagbare apparaten die dagelijkse monitoring van de fysiologische gegevens van de patiënt mogelijk maken in combinatie met kunstmatige intelligentie (AI) een enorm potentieel getoond bij het voorspellen van cardiovasculaire ziekten, hun bijwerkingen en de gezondheidsstatus van de patiënt, inclusief die van patiënten met HF.

HumanITcare heeft een cloudplatform en een alarmgebaseerd systeem geïmplementeerd voor het op afstand monitoren van patiënten dat gezondheidsalarmen afgeeft wanneer de biomedische meting van een patiënt buiten een vooraf gedefinieerd bereik valt. Het platform ontlast clinici en verzorgers van het doornemen van de gegevens van elke patiënt om te controleren op afwijkingen, waardoor het besluitvormingsproces wordt versneld en ziekenhuisconsultaties worden verminderd. Het systeem genereert echter veel rechttoe rechtaan alarmen die uiteindelijk worden verwijderd na evaluatie door de medische professional. In het huidige project stellen we voor om een ​​observationele studie uit te voeren om een ​​enorme dataset te creëren met klinische gegevens van patiënten die annotaties zullen bevatten met betrekking tot de relevantie van elk alarm. Met de geannoteerde dataset kunnen we Machine Learning (ML)-modellen implementeren en trainen die het bewakingssysteem op afstand en het op alarmen gebaseerde systeem zullen verbeteren door het robuuster, betrouwbaarder en betrouwbaarder te maken.

Deze studie wordt uitgevoerd in het kader van een Europees project gepromoot door de European Innovation Council (EIC). Een eerdere versie van het platform werd gevalideerd in een onderzoek dat in 2020 werd uitgevoerd in Hospital de Torrevieja, gericht op HF. De grondgedachte voor deze studie is in lijn met het doel van HumanITcare om tools voor kunstmatige intelligentie te integreren om het digitale platform te optimaliseren. Terwijl deze studie gericht is op het creëren van een diverse en gelabelde dataset en op de ontwikkeling van algoritmen voor het voorspellen van gebeurtenissen met kunstmatige intelligentie, zal een aanstaande tweede studie zich richten op de validatie van de algoritmen om hun klinische effectiviteit te beoordelen.

Dit is een observationele studie waarbij een Europees netwerk van ziekenhuizen betrokken is. Het onderzoek bestaat uit continue patiëntmonitoring op afstand met behulp van het digitale platform van HumanITcare en de meegeleverde apparaten (tensiometer, wearable, weegschaal en oximeter). Gedurende 6 maanden zullen de fysiologische constanten van in totaal 500 patiënten met HF worden gecontroleerd.

Patiënten zullen in het onderzoek worden opgenomen op basis van de geschiktheidscriteria en moeten de verstrekte geïnformeerde toestemming invullen. Elk ziekenhuis zal beslissen wanneer hun patiënten worden opgenomen in overeenstemming met hun specifieke klinische praktijk (hetzij tijdens het ontslagplanningsproces, hetzij tijdens het eerste follow-upbezoek, d.w.z. 1 of 2 weken na ontslag). De wervingsperiode is gedefinieerd als 6 maanden. Dat betekent dat patiënten vanaf het begin tot de zesde maand in de studie worden opgenomen. De laatste proefpersoon die in het onderzoek is opgenomen, beëindigt het onderzoek na één jaar vanaf de eerste dag van het onderzoek. Medische professionals van elk ziekenhuis zullen verantwoordelijk zijn voor het werven van de deelnemers. Het wervingspercentage is specifiek voor elk ziekenhuis en kan per maand verschillen.

Er is geen vermogensberekening gekoppeld aan het onderzoek, aangezien het hoofddoel van het onderzoek het verzamelen van een dataset is om ML-modellen te trainen. Zodra de algoritmen zijn ontwikkeld, zullen de prestaties van het model in termen van nauwkeurigheid worden geëvalueerd door middel van C-statistiek, het gebied onder de curve van de bedrijfskarakteristiek van de ontvanger en het maken van een kalibratieplot. Bovendien zullen de modellen worden geëvalueerd in termen van eerlijkheid en mogelijke vertekening met behulp van statistieken zoals statistische pariteit, groepseerlijkheid, gelijke kansen en voorspellende gelijkheid.