Bayesowski model hemodynamiczny do spersonalizowanego monitorowania pacjentów z zastoinową niewydolnością serca

Niewydolność serca (HF) jest problemem ogólnoświatowym. W tej chwili 26 milionów ludzi żyje z tą przewlekłą chorobą, a częstość jej występowania wciąż wzrasta. Oprócz tej rosnącej liczby rozpowszechnienia, HF jest również odpowiedzialna za prawie 1 milion hospitalizacji rocznie w Stanach Zjednoczonych iw Europie. W konsekwencji ma to również duży wpływ ekonomiczny, zwłaszcza ze względu na powtarzające się przyjęcia tych pacjentów. Odpowiednie przewidywanie dekompensacji mogłoby zapobiec (nie)potrzebnym hospitalizacjom z powodu niewydolności serca. Philips opracowuje Bayesowski model przewlekłej niewydolności serca, umożliwiający monitorowanie pacjentów z niewydolnością serca w szpitalu iw domu. Ważną cechą takiego modelu Bayesa jest to, że jest to model oparty na wiedzy, w przeciwieństwie do modeli opartych na eksploracji danych, i wymaga tylko kilku danych pacjenta, aby rozpocząć (10-20 pacjentów). Inną ważną cechą jest to, że te „modele oparte na wiedzy” mają zastosowanie w każdym otoczeniu, ponownie w przeciwieństwie do modeli opartych na eksploracji danych. To sprawia, że ​​proponowany model różni się od konwencjonalnych podejść do modelowania opartych na eksploracji danych. Podczas przyjęcia do szpitala model zostanie „wypełniony” danymi osobowymi pacjenta. Następnie, podczas pozostałej części pobytu w szpitalu lub po wypisaniu ze szpitala, dane wejściowe do modelu będą stanowić szereg objawów i zmiennych pomiarowych laboratoryjnych („obserwowalnych”). Wyjściem modelu (wynikiem) będzie prawdopodobieństwo poprawy (w porównaniu z pogorszeniem) stanu pacjenta lub stanu niewydolności serca w skali (od 1-10). Model może obsłużyć mniej zmiennych wejściowych niż liczba, z jaką został „spersonalizowany”. Przy mniejszej liczbie pomiarów wejściowych wiarygodność wyniku będzie oczywiście mniejsza. To podejście do modelowania zasadniczo oddaje kliniczny sposób myślenia w modelu. W przypadku prawidłowej interpretacji przy użyciu inteligentnego modelowania bayesowskiego lekarz rodzinny lub geriatra będą w stanie monitorować i leczyć większość pacjentów z niewydolnością serca. Wpisuje się to w obecne myślenie o obniżeniu kosztów HC poprzez trzymanie pacjentów w domu i poza szpitalem.

Badanie kliniczne ma na celu ocenę, czy wynik „modelu hemodynamiki Bayesa” jest porównywalny z oceną stanu dokonaną przez kardiologa. Celem tego badania jest walidacja modelu komputerowego opracowanego do oceny stanu pacjenta z niewydolnością serca. Za pomocą modelu badacze chcą wesprzeć pracowników służby zdrowia we wczesnym wykrywaniu pogorszenia stanu pacjentów z niewydolnością serca i zapewnieniu odpowiedniego leczenia, gdy jest ono potrzebne. Jeśli się powiedzie, może to pomóc pacjentom z niewydolnością serca pozostać dłużej w domu i zmniejszyć liczbę przyjęć do szpitali.

Przegląd literatury klinicznej jest udokumentowany w raporcie Personalised Heart Failure Monitoring using a Bayessian network, Anja v.d. Stolpe, Wim Verhaegh, Folke Noertemann, PR-TN 2017/00180.

To badanie kliniczne jest potrzebne, ponieważ ani w istniejących bazach danych, ani w literaturze klinicznej nie są dostępne żadne kompletne zbiory danych, w tym oceny prawdy gruntu przez kardiologów.

Badanie kliniczne należy przeprowadzić na populacji, która spełnia kryteria włączenia/wyłączenia opisane w rozdziale 6, ponieważ „model hemodynamiki Bayesa” ma zastosowanie tylko w tych przypadkach.