Fjernovervåking av høyrisikopasienter med kroniske hjerte- og lungesykdommer

Forverring av kroniske hjerte- og lungesykdommer er en viktig årsak til sykelighet og dødelighet over hele verden. Det er anslagsvis 23 millioner pasienter med hjertesvikt over hele verden, og forekomsten av hjertesvikt i USA anslås å øke i løpet av de neste fire tiårene med anslagsvis 772 000 nye hjertesvikttilfeller anslått i år 2040. Forverring av kronisk luftveissykdom kan akselerere lungefunksjonsnedgang og redusere overlevelse. De kan også føre til en betydelig økning i kostnadene for helsetjenester. Forverringer av kronisk obstruktiv lungesykdom (KOLS) er en viktig årsak til reinnleggelser med en 30-dagers reinnleggelsesrate på omtrent 20 % og påfølgende utgifter på 15 milliarder USD i årlige helseutgifter. Cystisk fibrose (CF), en genetisk lidelse som påvirker luftveisclearing og sekresjoner, har en 30-dagers reinnleggelsesrate på omtrent 11 %.

På grunn av de høye kostnadene ved sykehusopphold og akuttmottaksbesøk, og spesielt i sammenheng med COVID-19-pandemien, har mer kostnadseffektive "utenfor sykehus"-styringsmodeller blitt stadig mer tiltalende. Slike modeller gir ikke bare kostnadsfordeler til pasienter, betalere og sykehus, men øker også muligheten til å gi omsorg til folk hjemme.

Respirasjonsvariabler har vist seg å være en av de mest sensitive indikatorene for KOLS-eksaserbasjon, og det er observert en signifikant sammenheng mellom respirasjonsfrekvens og KOLS-symptomer. Når de kombineres med pulsfrekvens og oksygenmetning, gir disse variablene en nyttig metode for å identifisere eksaserbasjoner. Gjeldende analytiske modeller er designet for å utløse alarmer, som vanligvis er basert på tradisjonelle terskelbaserte analyser. Slike metoder er ikke i stand til å identifisere og gjenkjenne trender på grunn av begrenset tilgang til avanserte analyser (f.eks. maskinlæringsmetoder). Enheten som er foreslått for bruk i denne studien vil måle respirasjonsfrekvens, Inspiratorisk: Ekspirasjonsforhold (I:E), respirasjonsdybde, hjertefrekvens, SpO2, SpO2-variabilitet, pasientbevegelse, og etterforskerne vil bruke maskinlæring og datamodellering for å analysere deres trender over tid.

Den bærbare biometriske plattformen (kalt 'Respiratory Sensor') utviklet av Institute of Bioengineering & Bioimaging (IBB), A*STAR skal bæres på brystområdet via et limplaster av medisinsk kvalitet. Respirasjonssensoren inkluderer en ikke-invasiv sensor som kombinerer et akselerometer og lysbaserte metoder for å registrere brystveggens utvidelse eller pust.

Respirasjonssensoren gir mulighet for å samle inn ekstra respirasjonsinformasjon (respirasjonsfrekvens, relativ tidevannsdybde og arbeidssyklus) som prediktorer for forverring av kroniske hjerte- og lungesykdommer og kanskje forbedre avanserte analytiske modeller som kan gi bedre sensitivitet og spesifisitet sammenlignet med tradisjonelle modeller (f. kliniske dagbøker). Til syvende og sist kan dette tillate tidlig prediksjon av polikliniske eksacerbasjoner for å tillate tidlig intervensjon og reduserte gjeninnleggelser (via fjernintervensjoner).

I dette prosjektet, Institute of Bioengineering & Bioimaging (IBB), ønsker A*STAR å samarbeide med Massachusetts General Hospital for å samle pasientdata og videreutvikle programvarealgoritmen ved hjelp av maskinlæring (f.eks. tilfeldige skogmodeller og langtidsminnemodeller etc.) og statistiske modeller (f.eks. regresjonsmodeller og overlevelsesanalyse med univariat og multivariat analyse) basert på luftveistrekk og hemodynamikk for å forutsi eksaserbasjoner og forverring på 60 pasienter med hjerte- og lungesykdommer. Sluttpunktene for dette samarbeidet inkluderer følgende:

1. For å validere hypotesen om bruk av respirasjonsbaserte biomarkører i modeller (sykdomsagnostiske og sykdomsspesifikke) for å forutsi eksaserbasjoner - benchmarking som skal gjøres versus oppfølgingsspørreskjemaer og telefonsamtaler
2. For å validere grad av etterlevelse, frafallsrate og om ytterligere tiltak er nødvendig for å få pasienter til oppfølging