Prediksjon av sykehusinnleggelse for kirurgiske pasienter ved bruk av dyp læringsmodeller med data fra smartklokke- og smartring-sensorer

Innlegelser på sykehus er godt etablert som nøkkelindikatorer for helsetjenestekvalitet, spesielt i postoperativ sammenheng. Uplanlagte innlegelser reflekterer ofte komplikasjoner som ikke var fullstendig forutsagt eller tilstrekkelig håndtert, noe som skaper betydelig økonomisk og klinisk belastning for helsesystemer. I USA skjedde 3,8 millioner voksne innlegelser innen 30 dager i 2018, med en gjennomsnittlig kostnad på US$15 200 per hendelse. I Brasil er det rapportert tilsvarende høye innlegelsesrater, med 13,4 % av mer enn 22 000 sykehusopphold som resulterte i returinnleggelser, hovedsakelig på grunn av sykehusinfeksjon, obstruktiv søvnapné og hjerterytmeforstyrrelser. Søvnforstyrrelser – inkludert obstruktiv søvnapné – er blant de mest betydningsfulle bidragsyterne til postoperative komplikasjoner og innlegelser. De forsinker bedring, øker smertefølsomheten, svekker kognisjonen og øker kardiovaskulær risiko. Vaskulære komorbiditeter som hypertensjon, diabetes og hyperlipidemi forverrer ytterligere utfallet ved å øke sannsynligheten for iskemiske hendelser, svekket sårheling og respiratorisk ustabilitet. Å forstå hvordan fysiologiske, atferdsmessige og søvnrelaterte variabler samvirker for å påvirke postoperativ bedring er avgjørende for å utforme strategier for tidlig oppdagelse og forebygging.

Kunstig intelligens (AI) har vist økende potensiale i å forutsi klinisk forverring og identifisere høyrisikopasienter på tvers av flere kirurgiske felt. En nylig systematisk gjennomgang av 26 studier viste at AI-baserte modeller – inkludert naturlig språkbehandling, klassiske maskinlæringsalgoritmer og dyp læringsmetoder – kan nøyaktig forutsi sykehusinnleggelser etter større kirurgi. Imidlertid kombinerer de fleste tilgjengelige datasett ikke preoperativ, intraoperativ, postoperativ og kontinuerlig fysiologiske signaler samlet inn i sanntid fra bærbare enheter, noe som representerer et stort gap i litteraturen. Denne prospektive kohortstudien tar sikte på å adressere dette gapet ved å integrere høyoppløselige fysiologiske og atferdsmessige data fanget fra bærbare enheter – spesielt smartklokker og smartringer – inn i en samlet perioperativ database, med det overordnede målet om å utvikle AI-modeller som kan forutsi uplanlagte sykehusinnleggelser innen 30 dager etter operasjon.

Studien søker å bygge en omfattende database av pasienter som gjennomgår mellomstore til store elektive operasjoner, og fange fysiologiske og atferdsmessige data fra bærbare enheter og flerparametriske monitorer i pre- og postoperativ periode, inkludert kontinuerlig overvåking i de første 48 timene på intensivavdeling når indikert. Datainnsamling vil inkludere kontinuerlig bærbar overvåking via et nettbasert grensesnitt utviklet av CETELI/UFAM, pre- og postoperativ kliniske vurderinger, laboratorietester, bildediagnostikk, lungefunksjonsvurderinger, polysomnografi og validerte søvnespørreskjemaer. Studien vil evaluere korrelasjoner mellom fysiologiske og søvnrelaterte variabler hentet fra smartklokker og smartringer og risikoen for sykehusinnleggelse.

I tillegg vil studien utvikle applikasjoner for bruk av smartklokker og smartringer i perioperativ datainnsamling og anvende maskinlæringstilnærminger – inkludert dype arkitekturer som kausale konvolusjonelle nettverk og rekursive nevrale nettverk, samt klassiske metoder som støttevektormaskiner og beslutningstrær – for å forutsi sykehusinnleggelser. Sammenhenger mellom søvnparametere fra bærbare enheter og 30-dagers innleggelsesrisiko vil bli analysert, pre- og postoperativ søvndata vil bli korrelert med polysomnografi og spørreskjemaresultater, og søvnkvalitet vil bli sammenlignet mellom preoperativ og postoperativ periode.

Denne forskningen gjennomføres gjennom et tverrfaglig samarbeid mellom Hospital Universitário Getúlio Vargas (HUGV-UFAM/Ebserh) og Senter for forskning og utvikling i elektronikk og informasjonsteknologi (CETELI/UFAM). CETELI vil være ansvarlig for utvikling av datainnsamlingsprogramvaren, lagringsarkitekturen og prediktive algoritmer, mens klinisk tilsyn, rekruttering og protokollutførelse vil bli ledet av HUGV.

Utenom vitenskapelig relevans har dette prosjektet betydelig praktisk betydning. I geografisk komplekse regioner som Amazonas kan kontinuerlig fjernovervåking ved bruk av bærbare enheter forbedre oppfølging, redusere ulikheter i tilgang til postoperativ behandling og muliggjøre tidligere identifikasjon av komplikasjoner. Integrering av AI-baserte prediksjonsmodeller med sykehusarbeidsflyter kan til slutt redusere kostnader, optimalisere pasientflyten og forbedre sikkerheten og kvaliteten på kirurgisk behandling.