Przewidywanie ponownej hospitalizacji pacjentów chirurgicznych przy użyciu modeli głębokiego uczenia z danymi z czujników smartwatcha i smart ringa

Powróty do szpitala są dobrze ugruntowanymi kluczowymi wskaźnikami jakości opieki zdrowotnej, szczególnie w warunkach pooperacyjnych. Nieplanowane powroty często odzwierciedlają powikłania, które nie zostały w pełni przewidziane lub odpowiednio opanowane, generując znaczne obciążenie finansowe i kliniczne dla systemów opieki zdrowotnej. W Stanach Zjednoczonych w 2018 roku odnotowano 3,8 miliona ponownych przyjęć dorosłych w ciągu 30 dni, przy średnim koszcie 15 200 USD na zdarzenie. W Brazylii zgłoszono podobnie wysokie wskaźniki ponownych przyjęć, przy czym 13,4% z ponad 22 000 hospitalizacji skutkowało powrotami, głównie z powodu zakażeń szpitalnych, obturacyjnego bezdechu sennego i zaburzeń rytmu serca. Zaburzenia snu – w tym obturacyjny bezdech senny – należą do najważniejszych czynników przyczyniających się do powikłań pooperacyjnych i ponownych przyjęć. Opóźniają one powrót do zdrowia, zwiększają wrażliwość na ból, upośledzają funkcje poznawcze i podwyższają ryzyko sercowo-naczyniowe. Współistniejące choroby naczyniowe, takie jak nadciśnienie, cukrzyca i hiperlipidemia, dodatkowo pogarszają wyniki, zwiększając prawdopodobieństwo zdarzeń niedokrwiennych, zaburzonego gojenia się ran i niestabilności oddechowej. Zrozumienie, w jaki sposób zmienne fizjologiczne, behawioralne i związane ze snem oddziałują na siebie, wpływając na powrót do zdrowia po operacji, jest niezbędne do opracowania strategii wczesnego wykrywania i zapobiegania.

Sztuczna inteligencja (AI) wykazuje rosnące możliwości w przewidywaniu pogorszenia stanu klinicznego i identyfikacji pacjentów wysokiego ryzyka w wielu dziedzinach chirurgicznych. Niedawny przegląd systematyczny 26 badań wykazał, że modele oparte na AI – w tym przetwarzanie języka naturalnego, klasyczne algorytmy uczenia maszynowego i metody głębokiego uczenia – mogą dokładnie przewidywać powroty do szpitala po poważnych operacjach. Jednak większość dostępnych zbiorów danych nie łączy danych przedoperacyjnych, śródoperacyjnych, pooperacyjnych i ciągłych sygnałów fizjologicznych zbieranych w czasie rzeczywistym z urządzeń noszonych, co stanowi istotną lukę w literaturze. Niniejsze prospektywne badanie kohortowe ma na celu wypełnienie tej luki poprzez integrację wysokorozdzielczych danych fizjologicznych i behawioralnych pozyskanych z urządzeń noszonych – w szczególności inteligentnych zegarków i pierścionków – w ujednoliconą bazę danych okołooperacyjnych, z nadrzędnym celem opracowania modeli AI zdolnych do przewidywania nieplanowanych powrotów do szpitala w ciągu 30 dni po operacji.

Badanie ma na celu stworzenie kompleksowej bazy danych pacjentów poddawanych planowym operacjom średniego i dużej skali, rejestrującej dane fizjologiczne i behawioralne z urządzeń noszonych oraz monitorów wieloparametrowych w okresie przed- i pooperacyjnym, w tym ciągłe monitorowanie w pierwszych 48 godzinach intensywnej terapii, jeśli wskazane. Zbieranie danych obejmie ciągłe monitorowanie za pomocą urządzeń noszonych poprzez interfejs internetowy opracowany przez CETELI/UFAM, oceny kliniczne przed i po operacji, badania laboratoryjne, badania obrazowe, oceny czynności płuc, polisomnografię oraz zatwierdzone kwestionariusze dotyczące snu. Badanie oceni korelacje między zmiennymi fizjologicznymi i związanymi ze snem pochodzącymi z inteligentnych zegarków i pierścionków a ryzykiem ponownego przyjęcia do szpitala.

Dodatkowo badanie opracuje aplikacje do wykorzystania inteligentnych zegarków i pierścionków w pozyskiwaniu danych okołooperacyjnych oraz zastosuje podejścia uczenia maszynowego – w tym architektury głębokie, takie jak przyczynowe sieci splotowe i rekurencyjne sieci neuronowe, a także klasyczne metody, takie jak maszyny wektorów nośnych i drzewa decyzyjne – do przewidywania powrotów do szpitala. Przeanalizowane zostaną zależności między parametrami snu pochodzącymi z urządzeń noszonych a ryzykiem ponownego przyjęcia w ciągu 30 dni, dane dotyczące snu przed i po operacji zostaną skorelowane z wynikami polisomnografii i kwestionariuszy, a jakość snu zostanie porównana między okresem przedoperacyjnym i pooperacyjnym.

Badania te są prowadzone w ramach multidyscyplinarnej współpracy między Szpitalem Uniwersyteckim Getúlio Vargas (HUGV-UFAM/Ebserh) a Centrum Badań i Rozwoju Technologii Elektronicznej i Informatycznej (CETELI/UFAM). CETELI będzie odpowiedzialne za opracowanie oprogramowania do zbierania danych, architektury przechowywania i algorytmów predykcyjnych, podczas gdy nadzór kliniczny, rekrutacja i realizacja protokołu będą prowadzone przez HUGV.

Poza znaczeniem naukowym projekt ten ma istotne znaczenie praktyczne. W regionach o złożonej geografii, takich jak Amazonia, ciągłe zdalne monitorowanie za pomocą urządzeń noszonych może poprawić opiekę pooperacyjną, zmniejszyć dysproporcje w dostępie do opieki pooperacyjnej i umożliwić wcześniejsze wykrycie powikłań. Integracja modeli predykcyjnych opartych na AI z przepływami pracy w szpitalu może ostatecznie obniżyć koszty, zoptymalizować przepływ pacjentów oraz poprawić bezpieczeństwo i jakość opieki chirurgicznej.