Прогнозирование повторной госпитализации хирургических пациентов с использованием моделей глубокого обучения на основе данных датчиков умных часов и умных колец

Повторные госпитализации хорошо известны как ключевые показатели качества медицинской помощи, особенно в послеоперационном периоде. Неплановые повторные госпитализации часто отражают осложнения, которые не были полностью предсказаны или адекватно устранены, создавая существенную финансовую и клиническую нагрузку для систем здравоохранения. В Соединенных Штатах в 2018 году произошло 3,8 миллиона повторных госпитализаций взрослых в течение 30 дней, со средней стоимостью 15 200 долларов США за каждый случай. В Бразилии были зарегистрированы аналогично высокие показатели повторных госпитализаций: 13,4% из более чем 22 000 госпитализаций привели к повторным визитам, в основном из-за внутрибольничных инфекций, обструктивного апноэ сна и сердечных аритмий. Нарушения сна, включая обструктивное апноэ сна, являются одними из наиболее значимых факторов, способствующих послеоперационным осложнениям и повторным госпитализациям. Они задерживают восстановление, повышают чувствительность к боли, ухудшают когнитивные функции и увеличивают сердечно-сосудистый риск. Сосудистые сопутствующие заболевания, такие как гипертония, диабет и гиперлипидемия, дополнительно ухудшают исходы, повышая вероятность ишемических событий, нарушений заживления ран и респираторной нестабильности. Понимание того, как физиологические, поведенческие и связанные со сном переменные взаимодействуют, влияя на послеоперационное восстановление, необходимо для разработки стратегий раннего выявления и профилактики.

Искусственный интеллект (ИИ) демонстрирует растущие перспективы в прогнозировании клинического ухудшения и выявлении пациентов высокого риска в различных хирургических областях. Недавний систематический обзор 26 исследований показал, что модели на основе ИИ, включая обработку естественного языка, классические алгоритмы машинного обучения и методы глубокого обучения, могут точно прогнозировать повторные госпитализации после крупных операций. Однако большинство доступных наборов данных не объединяют предоперационные, интраоперационные, послеоперационные данные и непрерывные физиологические сигналы, собираемые в реальном времени с носимых устройств, что представляет собой значительный пробел в литературе. Это проспективное когортное исследование направлено на устранение этого пробела путем интеграции высокоразрешающих физиологических и поведенческих данных, полученных с носимых устройств, в частности умных часов и умных колец, в единую периоперационную базу данных, с основной целью разработки моделей ИИ, способных прогнозировать неплановые повторные госпитализации в течение 30 дней после операции.

Исследование стремится создать комплексную базу данных пациентов, переносящих плановые операции среднего и крупного масштаба, собирая физиологические и поведенческие данные с носимых устройств и многопараметрических мониторов в пред- и послеоперационные периоды, включая непрерывный мониторинг в первые 48 часов интенсивной терапии при необходимости. Сбор данных будет включать непрерывный мониторинг с носимых устройств через веб-интерфейс, разработанный CETELI/UFAM, пред- и послеоперационные клинические оценки, лабораторные анализы, визуализационные исследования, оценку функции легких, полисомнографию и валидированные опросники сна. Исследование оценит корреляции между физиологическими и связанными со сном переменными, полученными с умных часов и умных колец, и риском повторной госпитализации.

Кроме того, в исследовании будут разработаны приложения для использования умных часов и умных колец при сборе периоперационных данных, а также будут применены подходы машинного обучения, включая глубокие архитектуры, такие как причинно-следственные сверточные сети и рекуррентные нейронные сети, а также классические методы, такие как машины опорных векторов и деревья решений, для прогнозирования повторных госпитализаций. Будут проанализированы связи между параметрами сна, полученными с носимых устройств, и риском повторной госпитализации в течение 30 дней, пред- и послеоперационные данные сна будут соотнесены с результатами полисомнографии и опросников, а качество сна будет сравнено между предоперационным и послеоперационным периодами.

Это исследование проводится в рамках междисциплинарного сотрудничества между Университетской больницей Жетулиу Варгас (HUGV-UFAM/Ebserh) и Центром исследований и разработок в области электроники и информационных технологий (CETELI/UFAM). CETELI будет отвечать за разработку программного обеспечения для сбора данных, архитектуры хранения и прогностических алгоритмов, в то время как клинический надзор, набор участников и выполнение протокола будут осуществляться под руководством HUGV.

Помимо научной значимости, этот проект имеет важное практическое значение. В географически сложных регионах, таких как Амазония, непрерывный удаленный мониторинг с использованием носимых устройств может улучшить наблюдение, уменьшить различия в доступе к послеоперационному уходу и позволить более раннее выявление осложнений. Интеграция прогностических моделей на основе ИИ в рабочие процессы больниц может в конечном итоге снизить затраты, оптимизировать поток пациентов и улучшить безопасность и качество хирургической помощи.