Het voorspellen van ziekenhuisheropname voor chirurgische patiënten met behulp van deep learning-modellen met gegevens van smartwatch- en smartring-sensoren

Heropnames in het ziekenhuis zijn algemeen erkend als belangrijke indicatoren van de kwaliteit van de gezondheidszorg, met name in de postoperatieve setting. Ongeplande heropnames weerspiegelen vaak complicaties die niet volledig voorspeld of adequaat beheerd werden, wat aanzienlijke financiële en klinische lasten voor gezondheidssystemen genereert. In de Verenigde Staten vonden in 2018 3,8 miljoen heropnames bij volwassenen plaats binnen 30 dagen, met een gemiddelde kosten van US$ 15.200 per gebeurtenis. In Brazilië zijn eveneens hoge heropnamecijfers gerapporteerd, waarbij 13,4% van meer dan 22.000 ziekenhuisopnames leidde tot terugkeerbezoeken, grotendeels als gevolg van ziekenhuisinfecties, obstructieve slaapapneu en hartritmestoornissen. Slaapstoornissen - waaronder obstructieve slaapapneu - behoren tot de belangrijkste bijdragers aan postoperatieve complicaties en heropnames. Ze vertragen het herstel, verhogen de pijngevoeligheid, belemmeren de cognitie en verhogen het cardiovasculaire risico. Vasculaire comorbiditeiten zoals hypertensie, diabetes en hyperlipidemie verslechteren de uitkomsten verder door de kans op ischemische gebeurtenissen, vertraagde wondgenezing en respiratoire instabiliteit te vergroten. Het begrijpen hoe fysiologische, gedragsmatige en slaapgerelateerde variabelen interacteren om het postoperatieve herstel te beïnvloeden, is essentieel voor het ontwerpen van vroegtijdige detectie- en preventiestrategieën.

Kunstmatige intelligentie (AI) toont toenemende belofte in het voorspellen van klinische verslechtering en het identificeren van hoogrisicopatiënten in meerdere chirurgische velden. Een recent systematisch overzicht van 26 studies toonde aan dat AI-gebaseerde modellen - inclusief natuurlijke taalverwerking, klassieke machine-learning-algoritmen en deep learning-methoden - nauwkeurig ziekenhuisheropnames na grote chirurgie kunnen voorspellen. Echter, de meeste beschikbare datasets combineren geen preoperatieve, intraoperatieve, postoperatieve en continue fysiologische signalen die in realtime verzameld worden van draagbare apparaten, wat een belangrijke lacune in de literatuur vertegenwoordigt. Deze prospectieve cohortstudie beoogt deze lacune aan te pakken door hoogresolutie fysiologische en gedragsgegevens, vastgelegd van draagbare apparaten - specifiek smartwatches en smart rings - te integreren in een uniforme perioperatieve database, met het overkoepelende doel om AI-modellen te ontwikkelen die in staat zijn ongeplande ziekenhuisheropnames binnen 30 dagen na chirurgie te voorspellen.

De studie streeft ernaar een uitgebreide database op te bouwen van patiënten die middelgrote tot grootschalige electieve chirurgie ondergaan, waarbij fysiologische en gedragsgegevens van draagbare apparaten en multiparametrische monitors worden vastgelegd tijdens de pre- en postoperatieve perioden, inclusief continue monitoring in de eerste 48 uur van intensieve zorg indien geïndiceerd. Gegevensverzameling omvat continue monitoring via draagbare apparaten via een webgebaseerde interface ontwikkeld door CETELI/UFAM, pre- en postoperatieve klinische beoordelingen, laboratoriumtests, beeldvormende onderzoeken, longfunctie-evaluaties, polysomnografie en gevalideerde slaapvragenlijsten. De studie zal correlaties evalueren tussen fysiologische en slaapgerelateerde variabelen afgeleid van smartwatches en smart rings en het risico op ziekenhuisheropname.

Daarnaast zal de studie applicaties ontwikkelen voor het gebruik van smartwatches en smart rings in perioperatieve gegevensverzameling en machine learning-benaderingen toepassen - inclusief deep architectures zoals causale convolutionele netwerken en recurrent neural networks, evenals klassieke methoden zoals support vector machines en beslissingsbomen - om ziekenhuisheropnames te voorspellen. Associaties tussen slaapparameters afgeleid van draagbare apparaten en 30-dagen heropnamerisico worden geanalyseerd, pre- en postoperatieve slaapgegevens worden gecorreleerd met polysomnografie- en vragenlijstresultaten, en slaapkwaliteit wordt vergeleken tussen preoperatieve en postoperatieve perioden.

Dit onderzoek wordt uitgevoerd via een multidisciplinaire samenwerking tussen het Hospital Universitário Getúlio Vargas (HUGV-UFAM/Ebserh) en het Center for Research and Development in Electronic and Information Technology (CETELI/UFAM). CETELI zal verantwoordelijk zijn voor het ontwikkelen van de gegevensverzamelingssoftware, opslagarchitectuur en voorspellende algoritmen, terwijl klinisch toezicht, werving en protocoluitvoering worden geleid door HUGV.

Naast wetenschappelijke relevantie heeft dit project aanzienlijk praktisch belang. In geografisch complexe regio's zoals het Amazonegebied kan continue monitoring op afstand met draagbare apparaten de follow-up verbeteren, ongelijkheden in toegang tot postoperatieve zorg verminderen en eerdere identificatie van complicaties mogelijk maken. Het integreren van AI-gebaseerde voorspellingsmodellen met ziekenhuiswerkstromen kan uiteindelijk kosten verminderen, patiëntenstromen optimaliseren en de veiligheid en kwaliteit van chirurgische zorg verbeteren.