Screening og tidlig varsling av kronisk obstruktiv lungesykdom kombinert med luftveissykdom i søvn basert på medisinsk internett av tingene

Denne studien er en multisenter fellesstudie, som i hovedsak består av to deler. Først ble det tatt i bruk en tverrsnittsobservasjonsstudie for å rekruttere pasienter med stabil KOLS i flere sentre. KOLs diagnostiske kriterier følger diagnostiske retningslinjer i Kina, og pasientene ble valgt blant 40-80 år. Merk at vi ekskluderte pasienter som ikke kan bruke IoTs mobilapplikasjoner og ikke kan gjennomføre søvnovervåking og oppfølgingsbesøk. Alle pasienter samler inn søvnovervåkingsinformasjon gjennom bærbare enheter, sammen med demografiske egenskaper, lungefunksjonstester, blodrutiner, biokjemi, elektrokardiogram, røntgen av thorax, KOLS vurderingsskala, modifisert dyspnéindeks fra British Medical Research Association, St. George's Quality of Life Questionnaire, Sleep Apné Clinical Score, Berlin Questionnaire, Epworth Sleepiness Scale, etc. Denne studien estimerer pasientens helsestatus fra den innsamlede informasjonen, diagnostiserer deretter søvnapné og beregner utbredelsen av søvnapné. Konkret bygger vi standarder fra analyse av søvnovervåkingsinformasjon, og vi danner en OSA-screeningsmodell ved å bruke maskinlæringsalgoritmer. For det andre etablerer vi en KOLS-kohort sammen med søvnpustesykdom, der vi velger KOLS-pasienter som oppfyller diagnosekriteriene for søvnpustesykdom. Alle pasienter bruker bærbare enheter og IoT-teknologi for informasjonsinnsamling og datahåndtering. Vi bygger også plattformen for tidlig varsling, og den tillater fleksibel tilpasning av KOLS-planen i henhold til individuelle forskjeller og samfunnsforskjeller. Denne studien krever oppfølging en gang i måneden. Ved å observere antall sykehusinnleggelser, forekomsten av akutte eksaserbasjoner og andre sekundære observasjonsindikatorer av KOLS-pasienter, kan tidlig varslingsplattformen analysere KOLS sine akutte forverringer kombinert med søvnsykdom i luftveiene. Vi utvikler sykdoms- og prognosemodellen for KOLS-pasienter med SAO ved å bruke maskinlæringsalgoritmer på den forrige plattformen.