Telethuiszorg voor diabetische voetpatiënten (risico 0, risico 1 en risico 2): testen en valideren van speciale apps en kunstmatige-intelligentieoplossingen (MYFOOT-D)

Zonder effectieve zelfzorg lopen mensen met diabetische voetulcera (DFU's) het risico op langdurige genezing, ziekenhuisopname, amputatie en verminderde kwaliteit van leven. Ondanks deze gevolgen blijft de naleving van DFU-zelfzorg laag.

Zoals in de voorgaande paragrafen al is aangegeven, wordt erkend dat voorlichting aan patiënten over de preventie van gevonden diabetische voetulcera positieve kortetermijneffecten heeft op de kennis over voetverzorging, waardoor voetulcera en -amputatie worden vertraagd, vooral bij patiënten met een hoog risico. Er zijn nieuwe strategieën nodig om mensen te betrekken bij de zelfzorg van hun DFU's.

Moderne informatietechnologie kan helpen bij het wekken van de belangstelling van de patiënt als een direct voordeel onmiddellijk wordt opgemerkt door de patiënt die er gebruik van maakt. Het is ook van het grootste belang dat gezondheidswerkers, vooral degenen die dagelijks met diabetespatiënten werken, op de hoogte zijn van dergelijke praktijken en vervolgens patiënten kunnen overtuigen dat ze de best mogelijke zorg verdienen om verdere verslechtering van de pathologie te voorkomen.

Mobiele gezondheids-apps zijn veelbelovend voor mensen met diabetes, maar er zijn maar weinig apps die mensen willen betrekken bij hun DFU-zelfzorg.

Schäfer et al. onderzocht de risicofactoren voor het ontwikkelen van diabetische voetulcera en amputatie bij patiënten met diabetes. Ze concludeerden dat het voorspellen en tijdig behandelen van diabetische voetulcera (DFU) van groot belang is voor het verbeteren en behouden van de kwaliteit van leven van patiënten en het voorkomen van de daaruit voortvloeiende sociaal-economische belasting van amputatie.

Machine learning maakt deel uit van het gebied van kunstmatige intelligentie, dat automatisch modellen uit gegevens kan leren en de klinische besluitvorming beter kan onderbouwen. Xie et al. ontwikkelde een nauwkeurig en verklaarbaar voorspellingsmodel om het risico op amputatie in het ziekenhuis in te schatten bij 618 gehospitaliseerde patiënten met DFU. Ze concludeerden dat het machine learning-model nauwkeurige schattingen gaf van het amputatiepercentage bij patiënten met DFU tijdens ziekenhuisopname. Bovendien zou het model geïndividualiseerde analyses van de risicofactoren van de patiënt kunnen ondersteunen.

De ernstige complicaties die gepaard gaan met diabetes zijn diabetische ketoacidose, niet-ketotisch hypersmolair coma, hart- en vaatziekten, beroerte, chronisch nierfalen, schade aan het netvlies en voetulcera. Er is wereldwijd een enorme toename van het aantal patiënten met diabetes en het wordt wereldwijd als een groot gezondheidsprobleem beschouwd. Vroege diagnose van diabetes is nuttig voor de behandeling en verkleint de kans op ernstige complicaties die ermee gepaard gaan. Machine learning-algoritmen (zoals ANN, SVM, Naive Bayes, PLS-DA en deep learning) en dataminingtechnieken worden gebruikt voor het detecteren van interessante patronen voor het diagnosticeren en behandelen van ziekten. De huidige computationele methoden voor diabetesdiagnose hebben enkele beperkingen en worden niet getest op verschillende datasets of mensen uit verschillende landen, wat het praktische gebruik van voorspellingsmethoden beperkt.

Een systeem dat gebruikmaakt van kunstmatige intelligentie en machine learning, ontwikkeld door een startup in Vrnjacka banja (Servië), kan de ontwikkeling van complicaties aan de voeten van diabetespatiënten helpen voorspellen.

Het MY FOOT-project heeft tot doel de leemte in mobiele toepassingen op te vullen door bewijs te leveren aan beide betrokken belanghebbenden, dat wil zeggen de hulp op afstand van het ziekenhuis en de patiënt, die rechtstreeks betrokken is bij hun eigen zorgstrategie.

De applicatie moet met name patiënten motiveren en betrekken bij hun zelfzorg. Interactie met de mobiele telefoontoepassing is in de volgende termen:

APP werkt gegevensinvoer van de patiënt uit in termen van eigen gevoel van gezondheidstoestand, symptomen die in de loop van de dag zijn ontdekt, gebeurtenissen die uiteindelijk hebben plaatsgevonden, foto's van de voet, inclusief zwerenzoom (indien aanwezig), APP rapporteert over toename / afname van het risiconiveau grafiek door de tijd, brengt de evolutie of genezing van de zweer in kaart op basis van foto-uitwerking, met behulp van adequate grafieken die de tijd in de hoofdas rapporteren, terwijl persoonlijke doelen worden herinnerd om regelmatig zorg uit te voeren op basis van de huidige omstandigheden, waarschuwt de patiënt uiteindelijk om contact op te nemen clinici voor een visuele inspectie in een ziekenhuis.