Effekten av den kunstige intelligensen i et teleovervåkingsprogram av KOLS-pasienter med flere sykehusinnleggelser

Telemonitoreringsprogrammer er et alternativ til de tradisjonelle systemene for pasientkontroll, spesielt ved kroniske sykdommer. Denne typen verktøy er også viktige på grunn av befolkningens aldring, økningen i kroniske sykdommer og den påfølgende økningen i kostnader til vedlikehold av helsesystemene. På den annen side er disse kroniske pasientene i dag spesielt behandlet på grunn av eksacerbasjoner, grunnleggende i nødstilfeller og sykehusinnleggelse, og også i planlagte konsultasjoner når pasientene er stabile. Da er en nærmere oppmerksomhet mer ønskelig med tanke på klinikk, ledelse og kostnader.

KOLS (kronisk obstruktiv lungesykdom) er en svært utbredt sykdom. Dessuten har den et høyt forbruk av sanitære ressurser og kostnader, hvorav 50 % skyldes sykehusinnleggelser.

Videre har eksacerbasjoner ved KOLS og spesielt de alvorlige, viktige konsekvenser for pasientene (nedsatt lungefunksjon, forverring av livskvalitet og økt dødelighet).

På grunn av det ser telemonitorering ut til å være en løsning for å forbedre kontrollen av disse pasientene og forbedre ressursforbruket. På Galdakao sykehus i Spania ble det igangsatt et teleovervåkingsprogram for KOLS-pasienter som legges inn på sykehus på nytt. Dens primære mål var å redusere reinnleggelser på grunn av KOLS-eksaserbasjoner, og det kunne demonstrere en betydelig reduksjon i bruken av sanitære ressurser (sykehusinnleggelser, legevaktbesøk, reinnleggelser og gjennomsnittlig oppholdsdag). Det viste også en mindre forverring av kliniske symptomer og livskvalitet hos mer alvorlige pasienter.

Det er imidlertid tre faktorer som er svært viktige ved kroniske sykdommer: økningen i aldrende mennesker, økningen av mennesker med kroniske sykdommer og den raske utviklingen av teknologi, spesielt minne- og informasjonsbehandlingssystemene.

Maskinlæring (ML) er den viktigste delen av kunstig intelligens, og målet er å lære en datamaskin. Datamaskinen skriver sine egne programmer for å løse problemer som vi ikke vet hvordan vi skal løse. Når arbeid er vanskelig, som å gjøre spådommer i medisinske scenarier, trenger ML-algoritmer en stor mengde datoer for å få læringen. De fleste medisinske databaser har ulemper som kommer fra menneskelig intervensjon, som manglende data, feil verdier osv. På grunn av det ser programmer basert på telemedisin ut til å være en ideell plattform for ML-algoritmer. Dette er fordi telemedisinsystemer normalt produserer en periodisk flyt av innsamlede data på elektroniske måter, og de lagres direkte i en database. Denne konstante flyten av datoer og den lave deltakelsen fra folk i erindring og lagring av dem, gir høy kvalitet til databaser, som ML-algoritmer kan bruke til å gjøre de beste spådommene.

På grunn av det viser TelePOC (Telemonitoring-programmet i en KOLS-kohort, i Galdakao Hospital) å være det beste alternativet for å bruke ML-algoritmene i dataene sine, på grunn av kvaliteten og kvantiteten av genererte data, og også på grunn av nytten. av disse spådommene i klinisk praksis.

I denne situasjonen er spørsmålet om etterforskerne kunne forutse en forverring eller hvor mye de kunne forutse en manifestasjon av en forverring. For å teste denne hypotesen presenteres det her et prosjekt som bruker kunstig intelligens (ML).

Etterforskere gjorde tidligere en test av dette systemet, som ga lovende resultater. Den prototypen ble trent med retrospektive data som TeleEPOC-programmet hadde husket før, og den var basert på en ML-algoritme kalt Random Forests. Med denne sonden fikk de en ROC-kurve (mottakeroperasjonskarakteristisk kurve) på 0,8 i prediksjon om å lide av en forverring i de følgende tre dagene. For tiden på Galdakao Hospital er det i ferd med å utvikle et ML-system i TeleEPOC-programmet. Målet er å forutse en alarm (forverring).

Med dette formål vurderer etterforskere en rekke tilleggsspørsmål som kan undersøkes, som for eksempel: hvordan kan det påvirke ankomsten av denne teknologien i dagbokpraksisen? I dette prosjektet kan bruk av ML endre måten å fokusere den kliniske bistanden på. Det finnes verktøy som kan forutsi utviklingen til pasientene. Et annet spørsmål er at hvis etterforskere forventer en forverring, kan de endre patogen basis (inflammatoriske mediatorer) som runder en KOLS-eksaserbasjon.

Etterforskere vurderer dette initiativet som en pioner innen dette feltet av KOLS og kroniske sykdommer.