AI-wspomagana ciągła stratyfikacja w neurorehabilitacji udaru z wykorzystaniem spersonalizowanych bliźniaków cyfrowych (STRATIF-AI)

Zarys badań Niniejszy projekt ma na celu ocenę wykonalności aplikacji rehabilitacyjnej STRATIF-AI (app), a także jej dostępności, użyteczności i personalizacji dla pacjentów. Celem aplikacji jest wsparcie pacjentów w powrocie do zdrowia po udarze, jednak ponieważ znajduje się ona we wczesnym etapie rozwoju, głównymi celami tego badania są przetestowanie wykonalności zaangażowania takiej aplikacji w proces rekonwalescencji pacjenta oraz sprawdzenie, czy pacjenci uważają ją za użyteczną.

Obecnie zaawansowana technologia stratyfikacji opiera się na algorytmach uczenia maszynowego (ML), szkolonych na danych z dużych kohort. Ma to dwa główne ograniczenia: a) takie modele ML nie mogą wykorzystywać całej różnorodności różnych danych generowanych o pacjencie, b) stratyfikacja jest zatem przeprowadzana tylko okresowo, co implikuje nieaktualne i suboptymalne decyzje dotyczące opieki. Aby temu zaradzić, opracowano nową koncepcję i technologię - ciągłą stratyfikację, wykorzystującą platformę STRATIF-AI. W ciągłej stratyfikacji wszystkie dane generowane o pacjencie są kumulatywnie przechowywane w Osobistym Skarbcu Danych, kontrolowanym przez pacjenta. Te dane osobiste ciągle aktualizują platformę cyfrowego bliźniaka. Unikalny potencjał platformy wynika z hybrydowej architektury, łączącej mechanistyczne, wieloskalowe i wielonarządowe modele z ML i bioinformatyką.

Ta technologia umożliwia symulację specyficznych dla pacjenta reakcji na zmiany w leczeniu oraz identyfikację zmian na poziomie wewnątrzkomórkowym, narządowym i całego ciała, od sekund do lat dla pacjentów po udarze. Semantyczna harmonizacja jest połączona z uczeniem sfederowanym, aby bezpiecznie ponownie trenować różne podmodele, gdy nowe dane staną się dostępne w jednej z baz danych kohort. Ten projekt zbada wykorzystanie cyfrowych bliźniaków w fazie rehabilitacji po udarze i będzie realizowany w służbie rehabilitacji w szpitalu Chapel Allerton w Leeds. Jest to jedno z sześciu równoległych badań obejmujących osiem szpitali w całej Europie, mających na celu udoskonalenie i walidację modeli oraz zademonstrowanie, jak cyfrowe bliźniaki mogą towarzyszyć pacjentom w różnych aplikacjach, obejmując wszystkie fazy udaru: od prewencji przez leczenie ostre po rehabilitację. Skalowalna platforma do ciągłej stratyfikacji stanowi podstawę nowego, połączonego i zorientowanego na pacjenta systemu opieki zdrowotnej.

Ten projekt ma na celu ocenę wykonalności wykorzystania nowatorskiej aplikacji do opracowania metody ciągłej stratyfikacji, wykorzystując wszystkie dostępne dane do oceny pacjenta w czasie rzeczywistym poprzez konsolidację danych pacjenta w ewoluującym cyfrowym bliźniaku. Hipotezą jest, że zastosowanie tej technologii w porównaniu ze standardową opieką rehabilitacyjną po udarze poprawi zaangażowanie pacjentów w opiekę rehabilitacyjną po udarze i stworzy możliwości dla przyszłych prac nad wykorzystaniem cyfrowych bliźniaków w ochronie zdrowia.

Tło i uzasadnienie Motywacja do uczestnictwa w programie rehabilitacyjnym oraz zgodność z programem rehabilitacyjnym to dwa główne ograniczenia w powrocie do zdrowia osób po udarze, które mogą prowadzić do suboptymalnych wyników. Powiązanym i centralnym problemem we wszystkich fazach opieki po udarze jest to, że dane są rozproszone, pacjenci nie otrzymują swoich danych, a stratyfikacja leczenia jest przeprowadzana tylko okresowo. Z tych powodów stworzono platformę STRATIF-AI, która opiera się na cyfrowych bliźniakach - cyfrowej kopii pacjenta - ułatwiającej ciągłą stratyfikację w ramach i we wszystkich fazach opieki po udarze. Różne badania prowadzone przez szpitale partnerskie w konsorcjum skupią się na wcześniejszych etapach opieki po udarze, takich jak środki zapobiegawcze i ostre monitorowanie pacjentów. W tych badaniach będą zbierane dane umożliwiające opracowanie ciągłych modeli. W tym badaniu klinicznym zostanie zbadane, jak pacjenci i personel medyczny doświadczają korzystania z nowej platformy w rehabilitacji. Jest to badanie pilotażowe, które zbada zasadność koncepcji oraz zbierze wstępne dane dotyczące wykonalności i akceptowalności.

Na całym świecie udar jest czwartą najczęstszą przyczyną niepełnosprawności u dorosłych, z 11,9 milionami osób doświadczających udarów w 2021 roku, a najnowsze statystyki pokazują wzrost częstości występowania udarów w latach 1990-2021. Globalny wpływ ekonomiczny udaru przekracza 890 miliardów dolarów rocznie, a oczekuje się, że liczba ta podwoi się do 2050 roku. Poza implikacjami ekonomicznymi, wpływ udaru na jakość życia dotkniętej osoby jest znaczący, przy czym ponad dwie trzecie osób po udarze w Wielkiej Brytanii opuszcza szpital z niepełnosprawnością wymagającą ciągłej opieki. Chociaż potrzeba więcej pracy w dziedzinie prewencji udarów i ostrego leczenia, coraz częściej znaczenie fazy rehabilitacji po udarze jest uznawane na arenie międzynarodowej przez Światową Organizację Zdrowia, która przyznaje, że istnieje „głęboka, niezaspokojona potrzeba” rehabilitacji na całym świecie, a także krajowo w najnowszych brytyjskich wytycznych dotyczących rehabilitacji po udarze, które zarysowują kluczową rolę fazy rehabilitacji udaru oraz zwiększoną ilość rehabilitacji wymaganej do maksymalizacji powrotu do zdrowia.

Początkowo opracowany dla przemysłu i stosunkowo nowa koncepcja w opiece zdrowotnej, cyfrowy bliźniak może być zdefiniowany jako wirtualny odpowiednik fizycznego obiektu, systemu lub procesu, który odzwierciedla jego rzeczywisty odpowiednik zarówno w funkcji, jak i wyglądzie. Ciągły postęp technologii cyfrowych bliźniaków doprowadził do ewolucji zaawansowanych modeli, które ciągle dostosowują się w czasie, aby móc symulować złożone zachowania. Cyfrowe bliźniaki różnią się od tradycyjnego modelowania cyfrowego, ponieważ wymagają dwukierunkowej wymiany danych między bytem fizycznym a bytem cyfrowym, co umożliwia bytowi fizycznemu otrzymywanie informacji zwrotnej od swojego cyfrowego odpowiednika, co ułatwia ciągłą stratyfikację danych. Biorąc pod uwagę ruch w kierunku spersonalizowanego podejścia do leczenia w opiece zdrowotnej, potencjał cyfrowych bliźniaków jest coraz częściej badany. Jednak złożoność ludzkich emocji i zachowań, wraz ze zmiennością czynników takich jak indywidualne preferencje, motywacja, zmęczenie i ogólny stan zdrowia, wymagają zaawansowanych cyfrowych bliźniaków do użycia w opiece zdrowotnej.

Obiecującym obszarem wykorzystania cyfrowych bliźniaków jest dziedzina rehabilitacji po udarze, gdzie mogłyby one wspierać okres rehabilitacji często wymagany przez osoby po udarze, modelując indywidualne wzorce powrotu do zdrowia i optymalizując terapie. Integrując dane pacjenta w czasie rzeczywistym, takie jak wzorce ruchu, komunikacja i zdolności poznawcze, cyfrowe bliźniaki mogą symulować wyniki rehabilitacji, aby dostosować leczenie do indywidualnych pacjentów, dostosowując terapię w czasie rzeczywistym oraz oferując wsparcie decyzyjne i motywacyjne informacje zwrotne, potencjalnie zwiększając zaangażowanie pacjentów i poprawiając powrót do zdrowia. Koncepcja cyfrowych bliźniaków została już wykorzystana w analizie ruchu człowieka poprzez komercyjnie dostępne platformy, takie jak OpenSim, które zostały zwalidowane do modelowania układu mięśniowo-szkieletowego, demonstrując wykonalność cyfrowych bliźniaków w opiece zdrowotnej.

Projekt STRATIF-AI to projekt finansowany przez Horizon Europe, który ma na celu wykorzystanie cyfrowych bliźniaków w rehabilitacji po udarze. Tradycyjna stratyfikacja pacjentów w rehabilitacji opiera się na okresowym ustalaniu celów przeprowadzanym przez zespół wielodyscyplinarny, uzgadniającym cele rehabilitacyjne co dwa do trzech tygodni z pacjentami i członkami ich rodzin lub opiekunami, aby kierować działaniami programu rehabilitacyjnego. Jednak to podejście może pomijać cenne dane między epizodami ustalania celów, co oznacza, że najnowsze cele nie odzwierciedlają dokładnie i kompletnie aktualnego stanu pacjenta. Ta utrata danych między epizodami ustalania celów może być ograniczająca w obecnych praktykach opieki zdrowotnej, ponieważ leczenie pozostaje niezmienione do następnej formalnej interakcji między pacjentem a pracownikami służby zdrowia, nawet jeśli stan pacjenta ewoluował. Z tego powodu STRATIF-AI proponuje opracowanie metody ciągłej stratyfikacji, aby wykorzystać wszystkie dostępne dane do oceny pacjenta w czasie rzeczywistym poprzez konsolidację tych danych w ewoluującym cyfrowym bliźniaku, który następnie zaoferuje informacje zwrotne w czasie rzeczywistym dla pacjenta i zespołu opieki zdrowotnej.

Dane tradycyjnie używane w stratyfikacji w opiece po udarze, takie jak diagnoza pacjenta, czynniki ryzyka udaru, przeszłość medyczna, obserwacje wyjściowe oraz wyniki badań obrazowych i krwi, będą uzupełnione o informacje pośrednie z technologii ubieralnej (gotowy smartwatch), dzienników pacjentów oraz sformalizowanego narzędzia oceny rehabilitacyjnej Functional Independence Measure i Functional Assessment Measure (FIM+FAM). Te dane zostaną wykorzystane do zaktualizowania zindywidualizowanego cyfrowego bliźniaka dla pacjenta przy użyciu technologii hybrydowej, która integruje modele mechanistyczne dla głównych funkcji ludzkiego ciała z modelami uczenia maszynowego i bioinformatyki.

Projekt STRATIF-AI wdroży ciągłą stratyfikację w fazie rehabilitacji udaru dla kwalifikujących się pacjentów w Leeds Teaching Hospitals NHS Trust, a wyniki projektu uzupełnią trwające badania nad wykorzystaniem platformy podczas faz prewencji i ostrego leczenia udaru prowadzone w innych ośrodkach.