Предсказание сердечного обрыва с помощью машинного обучения (PRE-HF-ML)

Носимые устройства для измерения жизненно важных функций, известных как «носимые продукты» из потребительского сектора, такие как Apple Watch, приобрели значительную популярность. Все чаще они также используются для сердечно -сосудистых оценок. Например, предыдущее исследование на факультете кардиологии и пульмонологии показало, что Apple Watch хорошо воспринимается пациентами с HF и что среднесуточное количество шагов значительно коррелирует с 6-минутным тестом ходьбы. С тех пор исследования перешли от простого анализа корреляции к более сложным задачам, таким как прогнозирование клинических лабораторных измерений или событий, таких как декомпенсация у пациентов с ВЧ.

Методы машинного обучения оказались подходящими для различных прогнозов в области сердечной недостаточности. Например, было показано, что данные ЭКГ могут использоваться для прогнозирования суррогатов риска или сопутствующих заболеваний, таких как уровни NT-ProBNP, возраст или пол, анемия или почечная недостаточность. Помимо ЭКГ, мультимодальные подходы, которые объединяют множественные измерения, продемонстрировали осуществимость оценки риска HF, управляемой данными. Примеры включают в себя сочетание МРТ сердца с клинической информацией, чтобы предсказать время до госпитализации или частоты заболеваемости СН в фибрилляции предсердий.

Поскольку только ЭКГ не обеспечивает достаточной прогностической ценности для оценки сердечной недостаточности (HF), это исследование направлено на продвижение состояния искусства путем включения дополнительных данных датчиков. Apple Watch будет использоваться в качестве выбора устройства. Извлеченные параметры включают в себя частоту дыхания, насыщение кислородом, ночную температуру, данные ускорения и автоматически предоставляемые производные параметры (например, количество шагов, время сна).

Конкретные цели:

• Соберите данные от пациентов с ВЧ, используя Apple Watch.
• Извлеките и интегрируйте данные в унифицированный формат.
• Выполните анализ корреляции с клиническими параметрами.
• Разработать алгоритм/модель для прогнозирования клинических параметров.
• Статистически оценить прогнозирующую силу разработанной модели.

Клинические параметры интереса:

• Изменения в вопроснике кардиомиопатии Канзас -Сити (KCCQ).
• Изменения в N-концевых уровнях натрийуретического пептида Pro-Type (NT-ProBNP).
• Изменения в концентрации гемоглобина.
• Изменения в функции почек (креатинин, GFR).
• Изменения в стандартных параметрах клинического обследования: электролиты, функция печени, количество крови, CRP, функция щитовидной железы.
• Изменения/корректировки лекарств при лечении врачей на основе клинических симптомов.
• Изменения в состоянии объема (отек, вес тела, рентген грудной клетки).

Уровни KCCQ и NT-ProBNP будут измерены при поступлении, и изменения от этих базовых значений будут оцениваться в два времени: в день выписки и через 90 дней после выписки.

Поскольку это исследование, управляемое данными, дополнительные данные, собранные в рамках лечения, соответствующего руководству, также будут включены и проанализированы для корреляций. Это включает в себя набор данных Core DZHK, состоящий из 42 пунктов, лабораторные параметры, определяемые из образцов крови пациента (например, количество крови, анализ сыворотки, тесты коагуляции), эхокардиография, выполняемая дважды во время госпитализации (например, LV-EF, LAVI, тяжесть выражения клапанов) заболевания) во время госпитализации (например, LV-EF, LAVI, тяжесть выражения клапанов) во время госпитализации (например, LV-EF, Lav , тенденции массы тела/отек и препараты, вводимые во время пребывания в больнице.

Процедурное описание

В день поступления, подходящие пациенты с ВЧ будут выявлены и набираются на основе вышеуказанных критериев. Каждый участник получит Apple Watch и введение в его использование. В день выписки Apple Watch будут собираться и переданы Институту медицинской информатики для извлечения данных. Анализ данных будет выполняться в автономном режиме.

Процедура информированного согласия

Информированное согласие будет получено лично и посредством распределения письменных материалов, предназначенных для ясности и читаемости. Эти материалы включены в приложение этого приложения.

Последующее наблюдение через 3 месяца

Последующая встреча будет назначена на 90 дней (± 10 дней) после выписки для лабораторных и эхокардиографических обследований. Во время этого наблюдения будут переоценены лабораторные параметры, включая количество крови, анализа сыворотки и коагуляции, и будет выполнена эхокардиография. Промежуточное госпитализация и связанная с ними клиническая информация (причина поступления, проводятся лечение) также будет зарегистрирована.

Меры оценки

Чтобы избежать предубеждений и ошибок в выводах, будут реализованы конкретные меры во всех оценках:

• Набор данных будет разделен на обучение, валидацию и тестирование подмножеств.
• Тестовый набор данных будет извлечен в начале и зарезервирован исключительно для окончательной оценки модели.
• Данные обучения и проверки будут разделены с использованием перекрестной проверки.
• Чтобы предотвратить утечку данных, все этапы предварительной обработки будут выполняться исключительно в учебном наборе данных.
• Результаты будут представлены на основе руководящих принципов «прозрачной отчетности о многомерной модели прогнозирования для индивидуального прогноза или диагноза (штатив)».

Исследовательская популяция

Исследование будет включать пациентов с HF с острой декомпенсированной сердечной недостаточностью типа HFREF (сниженная фракция выброса левого желудочка).

Период наблюдения:

1 апреля 2024 г.-30 мая 2025 года (включая 90-дневное продолжение).

Ожидаемое количество участников:

32 пациента.

Ожидаемые риски

Пациенты с ВЧ будут лечиться в соответствии с современными руководящими принципами. Кроме того, они будут носить яблочные часы для сбора физиологических данных. Apple Watch имеет маркировку CE, обеспечивая соблюдение всех требований к защите безопасности и охраны ЕС. Не ожидается взаимодействия между Apple Watch и соответствием руководства. Следовательно, участие в исследовании не представляет никаких медицинских недостатков или рисков для участников.

Методология и анализ

Чтобы оценить разработанные модели, будут применяться стандартные статистические метрики:

• Для задач регрессии (например, прогнозирования изменений в оценке KCCQ) будут использоваться такие показатели, как средняя квадратная ошибка (RMSE).
• Для задач классификации (например, прогнозирования анемии) будут применяться такие показатели, как область под кривой ROC (AUC) и F1-показатель.