Effekten av den artificiella intelligensen i ett teleövervakningsprogram av KOL-patienter med flera sjukhusvistelser

Teleövervakningsprogram är ett alternativ till de traditionella systemen för patientkontroll, speciellt vid kroniska sjukdomar. Den här typen av verktyg är också viktiga på grund av befolkningens åldrande, ökningen av kroniska sjukdomar och de därav följande ökade kostnaderna för underhåll av sjukvårdssystemen. Å andra sidan, numera behandlas dessa kroniska patienter särskilt på grund av exacerbationer, i grunden i nödsituationer och sjukhusvistelser, och även i schemalagda personliga konsultationer när patienterna är stabila. Då är en närmare uppmärksamhet mer önskvärd med tanke på klinik, ledning och kostnader.

KOL (kronisk obstruktiv lungsjukdom) är en mycket utbredd sjukdom. Dessutom har den en hög förbrukning av sanitära resurser och kostnader, varav 50 % beror på sjukhusvistelser.

Vidare har exacerbationer vid KOL och speciellt de svåra, viktiga konsekvenser för patienterna (nedsatt lungfunktion, försämrad livskvalitet och ökad dödlighet).

På grund av det verkar teleövervakning vara en lösning för att förbättra kontrollen av dessa patienter och förbättra förbrukningen av resurser. På Galdakaosjukhuset i Spanien inleddes ett teleövervakningsprogram för KOL-patienter som återläggs på sjukhus. Dess primära mål var att minska återinläggningar på grund av KOL-exacerbationer och det kunde visa en signifikant minskning av användningen av sanitära resurser (sjukhus, besök på akutmottagningen, återinläggningar och genomsnittliga vistelsedagar). Det visade också en mindre försämring av kliniska symtom och livskvalitet hos mer allvarliga patienter.

Det finns dock tre faktorer som är mycket viktiga för kroniska sjukdomar: ökningen av åldrande människor, ökningen av personer med kroniska sjukdomar och den snabba utvecklingen av teknik, särskilt minnes- och informationsbehandlingssystem.

Machine Learning (ML) är den viktigaste delen av artificiell intelligens, och dess mål är att lära sig en dator. Datorn skriver sina egna program för att lösa problem som vi inte vet hur vi ska lösa. När arbeten är svåra, som att göra förutsägelser i medicinska scenarier, behöver ML-algoritmer ett stort antal datum för att få inlärningen. De flesta medicinska databaser har olägenheter som kommer från mänsklig intervention, som saknad data, felaktiga värden, etc. På grund av det verkar program baserade på telemedicin vara en idealisk plattform för ML-algoritmer. Detta beror på att telemedicinsystem normalt producerar ett periodiskt flöde av insamlad data på elektroniska sätt och de sparas direkt i en databas. Detta konstanta flöde av datum och det låga deltagandet av människor i minnet och lagringen av dem, ger hög kvalitet till databaser, som ML-algoritmer kan använda för att göra de bästa förutsägelserna.

På grund av det visar sig TelePOC (Telemonitoring-programmet i en KOL-kohort, på Galdakao Hospital) vara det bästa alternativet att använda ML-algoritmerna i sina data, på grund av kvaliteten och kvantiteten av genererad data, och även på grund av användbarheten av dessa förutsägelser i den kliniska praktiken.

I denna situation är frågan om utredarna skulle kunna förutse en exacerbation eller hur mycket de skulle kunna förutse en manifestation av en exacerbation. För att testa denna hypotes presenteras här ett projekt som använder sig av artificiell intelligens (ML).

Utredarna gjorde tidigare ett test av detta system, som gav lovande resultat. Den prototypen tränades med retrospektiv data som TeleEPOC-programmet hade samlat in tidigare och den baserades på en ML-algoritm som heter Random Forests. Med denna sond fick de en ROC-kurva (receiver operation characteristic curve) på 0,8 för att förutsäga en exacerbation under följande tre dagar. För närvarande på Galdakaos sjukhus utvecklas ett ML-system i TeleEPOC-programmet. Dess syfte är att förutse ett larm (exacerbation).

Med detta syfte överväger utredarna en hel del ytterligare frågor som kan undersökas, som till exempel: hur kan det påverka ankomsten av denna teknik i dagbokskliniken? I detta projekt kan användningen av ML förändra sättet att fokusera den kliniska assistansen. Det finns verktyg som kan förutsäga patienternas utveckling. En annan fråga är att om utredarna förutser en exacerbation, kan de ändra patogen grund (inflammatoriska mediatorer) som runt en KOL-exacerbation.

Utredarna betraktar detta initiativ som en pionjär inom detta område av KOL och kroniska sjukdomar.