Volwassenenziekterisicovoorspelling met draagbare apparaten, gehoor en gezondheidsgegevens

Deze studie is een prospectieve cohortstudie die is ontworpen om multimodale gezondheidsgegevens te integreren voor de ontwikkeling en validatie van gepersonaliseerde ziekte-risicovoorspellingsmodellen bij thuiswonende volwassenen in Taiwan. De studie richt zich op het combineren van actief verzamelde onderzoeksgegevens, continue gegevens van draagbare apparaten, resultaten van hoortesten en longitudinale gezondheidsdossiers om de overgang van gezondheid naar subklinische toestanden en chronische ziekten beter te begrijpen.

Deelnemers van 18 jaar en ouder zullen worden geworven vanuit gemeenschapsinstellingen. Nadat geïnformeerde toestemming is verkregen, omvatten de onderzoeksprocedures een gestructureerde vragenlijst, pure-tone audiometrie en 2 weken slimme horloge-monitoring. De vragenlijst verzamelt demografische kenmerken, persoonlijke en familieziektegeschiedenis, en leefstijlfactoren zoals lichaamsbeweging, slaap, roken en alcoholgebruik. De gehoorfunctie wordt beoordeeld met behulp van pure-tone audiometrie. Continue fysiologische gegevens verzameld van het draagbare apparaat omvatten hartslag en fysieke activiteit, zoals het aantal stappen. Onderzoeksmedewerkers helpen deelnemers met apparaatinstelling, applicatie-installatie en gebruiksaanwijzingen om de volledigheid en consistentie van gegevens te verbeteren.

Met toestemming van de deelnemer verkrijgt de studie ook persoonlijke gezondheidsdossiergegevens en koppelt onderzoeksgegevens aan nationale ziektekostenverzekeringsdatabases om longitudinale follow-up en vaststelling van ziekte-uitkomsten te ondersteunen. Deze gekoppelde gegevensbronnen kunnen poliklinische, klinische, apotheek-, verzekeringsinschrijving-, ernstige ziekte-, overlijdensregister-, kankerregister- en volwassen preventieve gezondheidsonderzoeksgegevens omvatten. De integratie van deze heterogene gegevensbronnen is bedoeld om een completer beeld te geven van individuele gezondheidstrajecten en ziekteprogressie dan met een enkele gegevensbron alleen mogelijk is.

De wetenschappelijke doelstellingen van de studie zijn:

1. de verbanden tussen gehoorstatus, leefstijlfactoren en continue draagbare fysiologische metingen evalueren;
2. combinaties van belangrijke voorspellers identificeren die verband houden met progressie van gezondheid naar subklinische of chronische ziekte-toestanden;
3. een analytisch kader opzetten voor het integreren van heterogene gegevens uit vragenlijsten, hoortesten, draagbare monitoring en medische databases; en
4. hoog-nauwkeurige gepersonaliseerde ziekte-risicovoorspellingsmodellen ontwikkelen en valideren met behulp van statistische en machine learning-methoden.

Gegevensverwerking omvat gegevensreiniging, omgaan met ontbrekende waarden, uitbijtercontrole, standaardisatie en kruisbron-gegevensintegratie. Statistische analyses omvatten correlatie- en regressiebenaderingen om relaties tussen gehoor, leefstijl en draagbare variabelen te onderzoeken. Machine learning-methoden, inclusief kenmerkselectie en gesuperviseerde leeralgoritmen zoals random forests en gradient boosting-methoden, worden gebruikt om belangrijke voorspellers te identificeren en risicovoorspellingsmodellen te construeren. Modelprestaties worden geëvalueerd met maatstaven zoals oppervlakte onder de receiver operating characteristic-curve en nauwkeurigheid. Interne en, waar beschikbaar, externe validatiestrategieën worden gebruikt om robuustheid en generaliseerbaarheid te beoordelen.

De centrale hypothese van de studie is dat het integreren van gehoor-metingen, leefstijlinformatie, draagbare fysiologische gegevens en longitudinale medische dossiergegevens ziekte-risicovoorspelling verbetert in vergelijking met modellen gebaseerd op een enkel type gegevens alleen. Het langetermijndoel is om vroege identificatie van hoog-risico-individuen te ondersteunen, gepersonaliseerd gezondheidsbeheer te vergemakkelijken en bewijs te leveren voor preventieve gezondheidsstrategieën in volwassen populaties.

Er wordt sterk de nadruk gelegd op gegevensprivacy en vertrouwelijkheid. Alle onderzoeksgegevens worden gecodeerd met unieke studie-identificatoren. Het koppelingsbestand dat studie-identificatoren verbindt met persoonlijke identificatoren wordt apart opgeslagen met beperkte toegang en versleuteling. Nadat gegevensverzameling, -reiniging en koppelingsprocedures zijn voltooid en geverifieerd, wordt het koppelingsbestand permanent vernietigd zodat daaropvolgende analyses alleen op geanonimiseerde gegevens worden uitgevoerd. Eventuele rapporten of publicaties voortkomend uit de studie presenteren geaggregeerde bevindingen zonder persoonlijk identificeerbare informatie.