Wpływ sztucznej inteligencji w programie telemonitoringu chorych na POChP z wielokrotnymi hospitalizacjami

Programy telemonitoringu stanowią alternatywę dla tradycyjnych systemów kontroli pacjentów, szczególnie w chorobach przewlekłych. Tego rodzaju narzędzia są istotne również ze względu na starzenie się społeczeństwa, wzrost zachorowań na choroby przewlekłe iw konsekwencji wzrost kosztów utrzymania systemów ochrony zdrowia. Z drugiej strony, obecnie ci przewlekle chorzy są objęci szczególną opieką ze względu na zaostrzenia, zasadniczo w nagłych wypadkach i hospitalizacji, a także podczas wizyt planowych, gdy stan pacjenta jest stabilny. Wtedy bliższa uwaga jest bardziej pożądana z punktu widzenia kliniki, zarządzania i kosztów.

POChP (przewlekła obturacyjna choroba płuc) jest chorobą bardzo rozpowszechnioną. Ponadto charakteryzuje się wysokim zużyciem zasobów sanitarnych i kosztami, z których 50% wynika z hospitalizacji.

Ponadto zaostrzenia POChP, zwłaszcza te ciężkie, mają istotne konsekwencje dla chorych (pogorszenie czynności płuc, pogorszenie jakości życia i wzrost śmiertelności).

Z tego powodu telemonitoring wydaje się być rozwiązaniem poprawiającym kontrolę nad tymi pacjentami i poprawiającym zużycie zasobów. W Szpitalu Galdakao w Hiszpanii zainicjowano program telemonitoringu pacjentów z POChP ponownie przyjmowanych do szpitala. Jego głównym celem było ograniczenie readmisji z powodu zaostrzeń POChP i mogło wykazać istotne zmniejszenie wykorzystania środków sanitarnych (hospitalizacje, wizyty w izbie przyjęć, readmisje i średnie dni pobytu). Wykazano również mniejsze pogorszenie objawów klinicznych i jakości życia u cięższych pacjentów.

Istnieją jednak trzy czynniki, które są bardzo ważne w przypadku chorób przewlekłych: wzrost liczby osób starzejących się, wzrost liczby osób z chorobami przewlekłymi oraz szybki rozwój technologii, zwłaszcza systemów zapamiętywania i przetwarzania informacji.

Uczenie maszynowe (ML) jest najważniejszą częścią sztucznej inteligencji, a jej celem jest uczenie się komputera. Komputer pisze własne programy, aby rozwiązywać problemy, których nie wiemy, jak rozwiązać. Gdy prace są trudne, na przykład przewidywanie w scenariuszach medycznych, algorytmy ML potrzebują dużej liczby dat, aby uzyskać wiedzę. Większość medycznych baz danych ma niedogodności wynikające z interwencji człowieka, takie jak brakujące dane, błędne wartości itp. Z tego powodu programy oparte na telemedycynie wydają się być idealną platformą dla algorytmów ML. Dzieje się tak dlatego, że systemy telemedyczne zwykle wytwarzają okresowy przepływ zebranych danych drogą elektroniczną i są one bezpośrednio zapisywane w bazie danych. Ten ciągły przepływ dat i niski udział ludzi w ich przypominaniu i przechowywaniu, dają wysoką jakość bazom danych, które algorytmy ML mogą wykorzystać do najlepszych predykcji.

Z tego powodu TelePOC (program Telemonitoringu w kohorcie POChP w szpitalu Galdakao) okazuje się najlepszą opcją wykorzystania w swoich danych algorytmów ML, ze względu na jakość i ilość generowanych danych, a także ze względu na użyteczność tych przewidywań w praktyce klinicznej.

W tej sytuacji pytanie brzmi, czy badacze mogli przewidzieć zaostrzenie lub jak bardzo mogli przewidzieć manifestację zaostrzenia. Aby przetestować tę hipotezę, przedstawiono tutaj projekt wykorzystujący sztuczną inteligencję (ML).

Badacze przeprowadzili wcześniej test tego systemu, który dał obiecujące wyniki. Ten prototyp został wyszkolony z retrospektywnymi danymi, które program TelePOC zebrał wcześniej i był oparty na algorytmie ML o nazwie Random Forests. Dzięki tej sondzie uzyskali krzywą ROC (krzywą charakterystyki działania odbiornika) równą 0,8 w przewidywaniu zaostrzenia w ciągu następnych trzech dni. Obecnie w Szpitalu Galdakao rozwijany jest system ML w programie TelePOC. Jego celem jest przewidzenie alarmu (zaostrzenia).

W tym celu badacze rozważają wiele dodatkowych pytań, które można zbadać, na przykład: w jaki sposób może wpłynąć na pojawienie się tej technologii w codziennej praktyce klinicznej? W tym projekcie zastosowanie ML może zmienić sposób ukierunkowania pomocy klinicznej. Istnieją narzędzia, dzięki którym można przewidzieć ewolucję pacjentów. Inną kwestią jest to, że jeśli badacze przewidują zaostrzenie, mogą zmienić podłoże patogenetyczne (mediatory stanu zapalnego) wokół zaostrzenia POChP.

Badacze uważają tę inicjatywę za pionierską w tej dziedzinie POChP i chorób przewlekłych.