Screening och tidig varning för kronisk obstruktiv lungsjukdom i kombination med sömnsjukdomar i luftvägarna baserad på medicinsk Internet of Things

Denna studie är en multicenter gemensam studie, som huvudsakligen består av två delar. Först antogs en tvärsnittsobservationsstudie för att rekrytera patienter med stabil KOL på flera centra. KOL:s diagnostiska kriterier följer diagnostiska riktlinjer i Kina, och patienterna valdes ut bland 40-80 år gamla. Observera att vi uteslöt patienter som inte kan använda IoT:s mobilapplikationer och inte kan genomföra sömnövervakning och uppföljningsbesök. Alla patienter samlar in sömnövervakningsinformation genom bärbara enheter, tillsammans med demografiska egenskaper, lungfunktionstester, blodrutiner, biokemi, elektrokardiogram, lungröntgen, KOL-bedömningsskala, modifierat British Medical Research Association dyspnéindex, St. George's Quality of Life Questionnaire, Sleep Apné Clinical Score, Berlin Questionnaire, Epworth Sleepiness Scale, Etc. Denna studie uppskattar patientens hälsotillstånd från den insamlade informationen, diagnostiserar sedan sömnapné och beräknar sömnapnéprevalensen. Närmare bestämt bygger vi standarder från analys av sömnövervakningsinformation, och vi bildar en OSA-screeningsmodell genom att tillämpa maskininlärningsalgoritmer. För det andra etablerar vi en KOL-kohort förenad med sömnandningssjukdom, där vi väljer KOL-patienter som uppfyller de diagnostiska kriterierna för sömnandningssjukdom. Alla patienter använder bärbara enheter och IoT-teknik för informationsinsamling och datahantering. Vi bygger också plattformen för tidig varning, och den tillåter flexibel anpassning av KOL-planen enligt individuella skillnader och skillnader i samhället. Denna studie kräver uppföljning en gång i månaden. Genom att observera antalet sjukhusinläggningar, förekomsten av akuta exacerbationer och andra sekundära observationsindikatorer hos KOL-patienter kan plattformen för tidig varning analysera KOL:s akuta exacerbationer i kombination med sömnsjukdomar i luftvägarna. Vi utvecklar sjukdoms- och prognosmodellen för KOL-patienter med SAO genom att tillämpa maskininlärningsalgoritmer på den tidigare plattformen.