Presis deteksjon og prediksjon av atrieflimmer ved hjelp av kunstig intelligens og forbrukerbærbare enheter (REMOTE-AF2)

Atrieflimmer (AF) er den vanligste hjerterytmeforstyrrelsen som rammer over én million mennesker i Storbritannia. Det er forbundet med økt kardiovaskulær sykdomsbyrde og dødelighet og koster NHS mellom £1,4 milliarder og 2,5 milliarder årlig. Nåværende metoder for å oppdage AF inkluderer opportunistisk pulspalpasjon, enkelt-tidspunkt 12-ledningselektrokardiogrammer (EKG), ambulant Holter-overvåkning og implanterbare sløyferegistratorer (ILR). De mer utbredte intermitterende overvåkningsmetodene, som EKG og Holter-overvåkning, er begrenset i varighet og har lavere oppdagelsesutbytte av atrieflimmer. På den andre enden av spekteret kan ILR gi kontinuerlig og nøyaktig arytmioppdagelse, men er invasiv og krever spesialistkompetanse for implantasjon, overvåkning og analyse.

I de siste årene har bruken av bærbare mobile helse (mHealth) enheter dukket opp som et direkte-til-forbruker-alternativ for overvåkning av parametere som hjertefrekvens og aktivitetsnivå. Fra et klinisk perspektiv tilbyr de potensielt en mindre invasiv og kostnadseffektiv undersøkelsesmetode, med fjernovervåkningsløsninger som muligens kan forutsi og oppdage AF. Denne teknologien har betydelig potensial når det gjelder passiv, ikke-invasiv og kontinuerlig overvåkning for å bidra til tidlig diagnostisering og behandling av AF.

Den opprinnelige REMOTE-AF-studien (NCT05037136) utviklet ny metode for å oppdage AF ved hjelp av PPG-avledede data fra et bærbart enhet. Denne studien vil videre forbedre dette grunnleggende arbeidet ved å rekruttere pasienter for å utvikle en AI-drevet, multi-parametrisk algoritme som bruker PPG-avledede data for å oppdage AF.