Bruke AI-analyse av lyder for å forutsi hjertesviktdekompensasjon (STEREO)

Hjertesvikt er en vanlig tilstand der hjertet ikke er i stand til å levere ønsket hjertevolum enten på grunn av svekket eller stiv hjertemuskel. Det påvirker mer enn 2 % av den britiske befolkningen (forekomsten er rundt 200 000 tilfeller per år), noe som resulterer i 5 % av alle akutte sykehusinnleggelser, og den bruker omtrent 2 % av det årlige NHS-budsjettet (omtrent 2 milliarder pund per år). Derfor er hjertesvikt ikke bare en viktig drivkraft for sykehusinnleggelse, men gir den ledende muligheten til å redusere innleggelser som kan forebygges.

Akutt dekompensert hjertesvikt (ADHF) er en medisinsk nødsituasjon som krever akutt oppmerksomhet. Det resulterer vanligvis i innleggelse på sykehus og er en viktig driver for tilknyttede helsekostnader. ADHF er vanligvis preget av rask forverring av pust i hvile eller anstrengelse på grunn av lungeødem (lungevenøs kongestion), og væskeretensjon som resulterer i hovne ben, samt en myriade av andre symptomer, inkludert tretthet, mangel på appetitt og så videre.

Pasienten har vanligvis gradvis eller plutselig innsettende typiske symptomer (pustethet, tretthet og væskeansamling i bena). Etter stabilisering og initial behandling av ADHF går pasientene inn i en platåfase hvor hjertet forblir stabilt. Men over tid opplever de fleste pasienter flere episoder av ADHF som vanligvis blir lengre og atskilt med kortere intervaller. Overbelastningen er relatert til underliggende økt hjertetrykk vanligvis sekundært til volumoverbelastning som spiller en sentral rolle i patofysiologien, presentasjonen og prognosen for hjertesvikt. Lungestopp er et av de viktigste diagnostiske og terapeutiske målene ved hjertesvikt. Å oppdage lungetetthet tidligere på grunn av volumoverbelastning er nøkkelen til å forhindre forestående rehospitalisering og gir en ideell mulighet til å optimalisere hjertesviktbehandlingen i samfunnet.

Tidlig fellesskapsdeteksjon av ADHF er til syvende og sist det første trinnet i å gi effektiv pasientbehandling. Dårlig gjenkjennelse av HF på grunn av dens mange vage/uspesifikke symptomatologier av presentasjoner fører ofte til forsinkelser i diagnose og behandling. Forsinkelsen mellom en pasient som utvikler symptomer på HF-dekompensasjon og oppsøker lege er ofte betydelig og påvirkes av hastigheten på debut og alvorlighetsgraden av symptomene. Derfor er det nødvendig med en pålitelig og lett tilgjengelig metode for å vurdere kronisk væskestatus hos ambulerende polikliniske pasienter for å oppdage tidlig dekompensasjon når passende intervensjon er mulig. Den plutselige utviklingen av åndenød (dyspné) fra opphopning av væske i lungene (akutt lungeødem) fører vanligvis til rask kontakt med medisinske tjenester, mens det gradvise utseendet av hovne ben og ankler (perifert ødem) er mer sannsynlig å være forbundet med forsinkelser i å søke omsorg. Gjennomsnittlig forsinkelse mellom symptomdebut og sykehusinnleggelse varierte fra 2 timer til 7 dager. Symptomene på hjertesvikt utvikler seg ofte gradvis og virker ikke-truende, noe som kan forklare noen av de observerte forsinkelsene i å søke omsorg.

De siste årene har flere pilotstudier vist en sammenheng mellom talebiomarkører og omfanget av systemisk og/eller lungestopp hos hjertesviktpasienter. For eksempel, i 2017, viste en studie av 10 (8 M, 2F) pasienter med akutt dekompensert hjertesvikt som gjennomgikk stasjonær behandling med intravenøs diuretikabehandling at pasienter etter behandling viste en høyere andel automatisk identifisert knirkende stemme, økt fundamental frekvens, og redusert cepstral peak prominensvariasjon, noe som tyder på at talebiomarkører kan være tidlige indikatorer på HF. Studien viste også at alvorlighetsgraden av HF-relatert ødem som kreves for å målbart endre stemmen er liten sammenlignet med alvorlighetsgraden som trengs for å øke kroppsvekten, noe som tyder på at talebiomarkører kan bli et mer effektivt ikke-invasivt verktøy for å overvåke HF-pasienter enn daglige vekter . I 2021 evaluerte en annen studie muligheten for ekstern taleanalyse i evalueringen av dynamisk væskeoverbelastning hos hjertesviktpasienter som gjennomgår hemodynamisk behandling. De utførte serielle tale/stemmemålinger hos 5 pasienter som gjennomgikk hemodialyse. Analysen ble gjort med en app som ikke deler AI-algoritmen. De viste statistisk signifikante forskjeller i utvalgte talebiomarkører ved forskjellige væskestatusnivåer etter hvert som pasientene gikk gjennom behandlingen. Senere, i 2022, identifiserte en sammenligning av lydopptak for pasienter innlagt med ADHF på innleggelsesdagen og utskrivningsdagen med et utvalg på 40 pasienter som var innlagt med akutt dekompensert hjertesvikt signifikante forskjeller i alle de 5 testede talemålene for våt. (innleggelse) vs tørre (utskrivning) opptak.

Separat, i 2022, evaluerte en studie tale- og pauseendringer i stemmeopptak av akutte (N=68) og stabile (N=36) pasienter og fant at pauseforholdet var en økning på 14,9 % hos pasienter med akutt HF. De fant også en positiv korrelasjon med NT-Pro-BNP-nivå. En annen studie i 2022 undersøkte både Mel-Frequency cepstral coefficient (MFCC) funksjoner og glottale talefunksjoner, og sammenlignet et utvalg av 25 friske høyttalere (7F, 18M) og 20 pasienter med HF av enhver etiologi (uavhengig av LVEF). Etter funksjonsvalg utviklet de prediktive modeller ved å bruke fire forskjellige klassifiseringsmetoder (SVM, ET, Adaboost og FFNN). Basert på en kombinasjon av MFCC og Glottal talefunksjoner, var de i stand til å forutsi ADHF med nøyaktigheter fra 88-94 %, med en sann positiv rate på 79,47 % og sann negativ rate 82,69 %.

Ved å utføre et omfattende panel av kliniske vurderinger, undersøkelser samt symptombaserte spørreskjemaer i en studie som involverer opptil 250 hjertesviktpasienter, tar etterforskerne sikte på å bygge videre på nylig arbeid og utvikle en ny AI-basert applikasjon distribuert på en smart enhet, som kan oppdage en økning i lungetetthet fra subtile endringer i en pasients hoste, stemme, pust og brystlyder. Dette vil gi nøkkelinformasjon til pasienter med hjertesvikt og deres kliniske team, ved å korrekt oppdage progressiv væskeansamling i en pasients lunger før pasienten utvikler betydelige symptomer. Å oppdage lungetetthet i tidlig fase vil gjøre det mulig for klinikere å målrette behandlingen mer effektivt. Håpet er at dette vil bidra til å minimere og til slutt forhindre behovet for gjentatt akuttinnleggelse ved å varsle pasienten om å kontakte sitt hjertesviktteam og muliggjøre tidligere poliklinisk behandling før behovet for re-innleggelse går inn i den akutte fasen.

Med forbehold om det vellykkede resultatet av denne forskningen, vil en prospektiv klinisk intervensjonsstudie bli utført for å teste de kliniske og operasjonelle fordelene ved AI-verktøyet som er hentet fra denne forskningen på NHS hjertesviktbehandling, og baner vei for eventuell bruk av slike løsninger i rutinemessig klinisk praksis.