Совершенствование цифровой платформы здравоохранения для удаленного мониторинга пациентов с сердечной недостаточностью (DHEART)

Сердечная недостаточность (СН) является распространенным и фатальным клиническим синдромом, который влияет на качество жизни миллионов людей во всем мире. От 17% до 45% пациентов, страдающих СН, умирают в течение первого года, а остальные умирают в течение 5 лет. Кроме того, эти пациенты имеют высокий риск повторной госпитализации, связанные с ними расходы на здравоохранение огромны, а чем выше ожидаемая продолжительность жизни, тем выше распространенность заболевания. Симптомы СН обычно включают одышку, чрезмерную усталость и отек ног, которые могут усугубляться при декомпенсации, и, таким образом, перемещение в медицинские центры представляет собой помеху для таких людей. Технологии удаленного мониторинга представляют собой осуществимое решение, которое позволяет выявить декомпенсацию на более раннем этапе и лучше соблюдать изменения образа жизни и медикаментозное лечение. Несмотря на то, что телемониторинг с помощью смартфонов показал потенциал для снижения как частоты, так и продолжительности госпитализаций по поводу СН, связи со снижением смертности от всех причин выявлено не было. Таким образом, это указывает на необходимость поиска более эффективных и точных методологий. В последние годы использование носимых устройств, которые позволяют ежедневно отслеживать физиологические данные пациента в сочетании с искусственным интеллектом (ИИ), продемонстрировало огромный потенциал в прогнозировании сердечно-сосудистых заболеваний, их нежелательных явлений и состояния здоровья пациентов, в том числе пациентов с СН.

HumanITcare внедрила облачную платформу и систему на основе сигналов тревоги для удаленного мониторинга пациентов, которая подает сигналы тревоги о состоянии здоровья, когда биомедицинские показатели пациента выходят за пределы заданного диапазона. Платформа освобождает клиницистов и лиц, осуществляющих уход, от необходимости просматривать данные каждого пациента для проверки на наличие аномалий, ускоряя процесс принятия решений и сокращая количество консультаций в больнице. Тем не менее, система создает много простых сигналов тревоги, которые в конечном итоге отбрасываются после оценки медицинским работником. В настоящем проекте мы предлагаем провести обсервационное исследование, чтобы создать огромный набор данных с клиническими данными пациентов, который будет содержать аннотации относительно актуальности каждого сигнала тревоги. С помощью аннотированного набора данных мы сможем внедрять и обучать модели машинного обучения (ML), которые улучшат систему удаленного мониторинга и ее систему на основе сигналов тревоги, сделав ее более надежной, надежной и надежной.

Это исследование проводится в рамках европейского проекта, продвигаемого Европейским инновационным советом (EIC). Более ранняя версия платформы была проверена в ходе исследования, проведенного в 2020 году в больнице Торревьехи и посвященного сердечной недостаточности. Обоснование этого исследования соответствует цели HumanITcare по внедрению инструментов искусственного интеллекта для оптимизации цифровой платформы. В то время как это исследование сосредоточено на создании разнообразного и помеченного набора данных и на разработке алгоритмов прогнозирования событий искусственного интеллекта, предстоящее второе исследование будет сосредоточено на проверке алгоритмов для оценки их клинической эффективности.

Это обсервационное исследование с участием европейской сети больниц. Исследование состоит из непрерывного удаленного наблюдения за пациентом с использованием цифровой платформы HumanITcare и поставляемых устройств (тензиометр, носимые устройства, весы и оксиметр). В течение 6 месяцев будут контролироваться физиологические константы 500 пациентов, страдающих сердечной недостаточностью.

Пациенты будут включены в исследование на основании критериев приемлемости и должны заполнить предоставленное информированное согласие. Каждая больница решает, когда включать своих пациентов в соответствии со своей конкретной клинической практикой (либо в процессе планирования выписки, либо во время первого контрольного визита, т. е. через 1 или 2 недели после выписки). Срок набора определен как 6 месяцев. Это означает, что пациенты будут включены в исследование с самого начала и до шестого месяца. Последний субъект, включенный в исследование, завершит исследование через год с первого дня исследования. Медицинские работники из каждой больницы будут отвечать за набор участников. Скорость набора индивидуальна для каждой больницы и может варьироваться в зависимости от месяца.

С исследованием не связан расчет мощности, поскольку основная цель исследования — собрать набор данных для обучения моделей машинного обучения. После того, как алгоритмы будут разработаны, производительность модели с точки зрения точности будет оцениваться с помощью статистики C, площади под кривой рабочих характеристик приемника и создания калибровочного графика. Кроме того, модели будут оцениваться с точки зрения справедливости и потенциальной систематической ошибки с использованием показателей, включая статистическую четность, групповую справедливость, равные шансы и прогностическое равенство.