Prediksjon av sykdomsrisiko hos voksne ved bruk av wearables, hørsel og helsedata

Denne studien er en prospektiv kohortstudie designet for å integrere multimodal helsedata for utvikling og validering av personaliserte sykdomsrisikoprediksjonsmodeller hos voksne som bor i lokalsamfunnet i Taiwan. Studien fokuserer på å kombinere aktivt innsamlet forskningsdata, kontinuerlige data fra bærbare enheter, hørselstestresultater og longitudinelle helseregistre for bedre å forstå overgangen fra helse til subkliniske tilstander og kronisk sykdom.

Deltakere i alderen 18 år og eldre vil bli rekruttert fra lokalsamfunn. Etter at informert samtykke er innhentet, vil studien inkludere en strukturert spørreskjema, ren tone audiometri og 2 ukers smartklokkeovervåking. Spørreskjemaet vil samle inn demografiske kjennetegn, personlig og familiær sykdomshistorie, og livsstilsfaktorer som trening, søvn, røyking og alkoholbruk. Hørselfunksjon vil bli vurdert ved hjelp av ren tone audiometri. Kontinuerlige fysiologiske data samlet inn fra den bærbare enheten vil inkludere hjertefrekvens og fysisk aktivitet, som antall skritt. Forskningspersonell vil hjelpe deltakerne med enhetsoppsett, appinstallasjon og bruksanvisninger for å forbedre datakompletthet og konsistens.

Med deltakerautorisasjon vil studien også hente personlige helseregisterdata og koble studiedata med nasjonale helseforsikringsdatabase for å støtte longitudinell oppfølging og fastsettelse av sykdomsutfall. Disse tilknyttede datakildene kan inkludere polikliniske, innlagte, apotek, forsikringspåmelding, katastrofesykdom, dødsregister, kreftregister og voksne forebyggende helseundersøkelsesregistre. Integreringen av disse heterogene datakildene er ment å gi et mer komplett bilde av individuelle helsebaner og sykdomsprogresjon enn det som kan oppnås med kun én enkelt datakilde.

De vitenskapelige målene for studien er å:

1. vurdere sammenhengene mellom hørselstatus, livsstilsfaktorer og kontinuerlige fysiologiske mål fra bærbare enheter;
2. identifisere kombinasjoner av viktige prediktorer assosiert med progresjon fra helse til subkliniske eller kroniske sykdomstilstander;
3. etablere et analytisk rammeverk for å integrere heterogene data fra spørreskjemaer, hørselstester, bærbare overvåkingsenheter og medisinske databaser; og
4. utvikle og validere høypresisjon personaliserte sykdomsrisikoprediksjonsmodeller ved bruk av statistiske og maskinlæringsmetoder.

Databehandling vil inkludere datarensing, håndtering av manglende verdier, utliggersjekking, standardisering og tverrkildedataintegrering. Statistiske analyser vil inkludere korrelasjons- og regresjonsmetoder for å undersøke sammenhenger mellom hørsel, livsstil og bærbare variabler. Maskinlæringsmetoder, inkludert funksjonsseleksjon og overvåkede læringsalgoritmer som tilfeldige skoger og gradientforsterkningsmetoder, vil bli brukt til å identifisere viktige prediktorer og konstruere risikoprediksjonsmodeller. Modellytelse vil bli evaluert ved bruk av mål som areal under mottakeroperasjonskarakteristikk-kurven og nøyaktighet. Interne og, der tilgjengelig, eksterne valideringsstrategier vil bli brukt for å vurdere robusthet og generaliserbarhet.

Den sentrale hypotesen i studien er at integrering av hørselmålinger, livsstilsinformasjon, bærbare fysiologiske data og longitudinelle medisinske registerdata vil forbedre sykdomsrisikoprediksjon sammenlignet med modeller basert på kun én type data. Det langsiktige målet er å støtte tidlig identifisering av høyt risikoutsatte individer, legge til rette for personalisert helseforvaltning og gi bevis for forebyggende helsestrategier i voksne befolkninger.

Et sterkt fokus vil bli lagt på datapersonvern og konfidensialitet. Alle studiedata vil bli kodet med unike studieidentifikatorer. Koblingsfilen som knytter studieidentifikatorer til personlige identifikatorer vil bli lagret separat med begrenset tilgang og kryptering. Etter at datainnsamling, -rensning og -koblingsprosedyrer er fullført og bekreftet, vil koblingsfilen bli permanent ødelagt slik at påfølgende analyser kun utføres på avidentifiserte data. Eventuelle rapporter eller publikasjoner som følge av studien vil presentere aggregerte funn uten personlig identifiserbar informasjon.