Resultados da hemodiálise e estudo de capacitação do paciente 03 (HOPE-03)

A sobrecarga de volume é um fator que contribui para as altas taxas de mortalidade cardiovascular e por todas as causas demonstradas em pacientes em hemodiálise. No momento, não existe nenhum método que possa refinar consistentemente o status do volume e fornecer feedback aos pacientes para permitir ajustes em sua ingestão de líquidos. Os padrões atuais usados ​​para avaliar o volume são pouco preditivos do estado do fluido, complicados de usar ou carecem de uma interface adequada com o paciente.

Uma avaliação automatizada, precisa e periódica do peso seco seria clinicamente útil, de baixo custo e rapidamente escalável. Métodos de aprendizado de máquina têm sido amplamente estudados em nefrologia. Grandes quantidades de dados precisos de hemodiálise, coletados e armazenados eletronicamente em intervalos regulares, têm o potencial de serem aproveitados na previsão do volume extracelular ou do estado ideal de fluidos dos pacientes.

Vários modelos de aprendizado de máquina de prova de conceito para a previsão de peso seco em dados de hemodiálise foram criados usando dados retrospectivos. Este estudo avaliará a usabilidade dos modelos de aprendizado de máquina no gerenciamento do volume de fluidos em pacientes em hemodiálise, além de avaliar sua validade e reprodutibilidade em relação a medições validadas; neste caso, o Body Composition Monitor (BCM) da Fresenius.

Como o modelo de aprendizado de máquina para avaliar o estado do fluido foi treinado e testado em dados retrospectivos, há justificativa suficiente para testar o desempenho, aceitabilidade e usabilidade do modelo em um estudo prospectivo observacional controlado.

Este será um teste de 8 semanas com um período de execução de 2 semanas realizado em um único centro em Beaumont, Dublin, Irlanda. Medições de bioimpedância usando o Fresenius BCM serão realizadas a cada 2 semanas. Os dados de hemodiálise serão processados ​​continuamente ao longo do estudo. O algoritmo usará dados de hemodiálise para prever a saída do BCM. A previsão do algoritmo será comparada com a previsão do BCM para avaliar sua usabilidade.