Att förutsäga återinläggning på sjukhus för kirurgiska patienter med hjälp av djupinlärningsmodeller med data från smartklocka och smartringssensorer

Återinläggningar på sjukhus är väl etablerade som nyckeltal för hälso- och sjukvårdskvalitet, särskilt i postoperativa sammanhang. Oplanerade återinläggningar återspeglar ofta komplikationer som inte var fullt ut förutsedda eller adekvat hanterade, vilket skapar betydande finansiell och klinisk börda för hälso- och sjukvårdssystem. I USA inträffade 3,8 miljoner vuxna återinläggningar inom 30 dagar år 2018, med en genomsnittskostnad på 15 200 USD per händelse. I Brasilien har liknande höga återinläggningsfrekvenser rapporterats, där 13,4 % av mer än 22 000 sjukhusvistelser resulterade i återbesök, huvudsakligen på grund av sjukhusinfektion, obstruktiv sömnapné och hjärtarytmier. Sömnstörningar – inklusive obstruktiv sömnapné – är bland de mest betydande bidragsgivarna till postoperativa komplikationer och återinläggningar. De fördröjer återhämtning, ökar smärtkänslighet, försämrar kognition och ökar kardiovaskulär risk. Vaskulära komorbiditeter såsom hypertoni, diabetes och hyperlipidemi förvärrar ytterligare utfall genom att öka sannolikheten för ischemiska händelser, försämrad sårläkning och respiratorisk instabilitet. Att förstå hur fysiologiska, beteendemässiga och sömnrelaterade variabler samverkar för att påverka postoperativ återhämtning är avgörande för att utforma tidig detektering och förebyggande strategier.

Artificiell intelligens (AI) har visat alltmer potential i att förutsäga klinisk försämring och identifiera högriskpatienter över flera kirurgiska områden. En nyligen genomförd systematisk översikt av 26 studier visade att AI-baserade modeller – inklusive naturlig språkbehandling, klassiska maskininlärningsalgoritmer och djupinlärningsmetoder – kan förutsäga sjukhusåterinläggningar efter större kirurgi med hög noggrannhet. De flesta tillgängliga datamängder kombinerar dock inte preoperativa, intraoperativa, postoperativa och kontinuerliga fysiologiska signaler som samlas in i realtid från bärbara enheter, vilket utgör ett stort gap i litteraturen. Denna prospektiva kohortstudie syftar till att adressera detta gap genom att integrera högupplöst fysiologisk och beteendemässig data från bärbara enheter – specifikt smartklockor och smartringar – i en enhetlig perioperativ databas, med det övergripande målet att utveckla AI-modeller som kan förutsäga oplanerade sjukhusåterinläggningar inom 30 dagar efter operation.

Studien syftar till att bygga en omfattande databas med patienter som genomgår medelstora till stora elektiva kirurgiska ingrepp, där fysiologisk och beteendemässig data från bärbara enheter och multiparametriska monitorer fångas under pre- och postoperativa perioder, inklusive kontinuerlig övervakning under de första 48 timmarna på intensivvård vid behov. Datainsamling kommer att inkludera kontinuerlig bärbar övervakning via ett webbaserat gränssnitt utvecklat av CETELI/UFAM, pre- och postoperativa kliniska bedömningar, laboratorieprov, bildundersökningar, lungfunktionsutvärderingar, polysomnografi och validerade sömnfrågeformulär. Studien kommer att utvärdera korrelationer mellan fysiologiska och sömnrelaterade variabler härledda från smartklockor och smartringar och risken för sjukhusåterinläggning.

Dessutom kommer studien att utveckla applikationer för användning av smartklockor och smartringar i perioperativ datainsamling och använda maskininlärningsmetoder – inklusive djuparkitekturer som kausala faltningsnätverk och rekursiva neurala nätverk, samt klassiska metoder som supportvektormaskiner och beslutsträd – för att förutsäga sjukhusåterinläggningar. Samband mellan sömnparametrar härledda från bärbara enheter och 30-dagars återinläggningsrisk kommer att analyseras, pre- och postoperativ sömndata kommer att korreleras med polysomnografi- och frågeformulärsresultat, och sömnkvalitet kommer att jämföras mellan preoperativa och postoperativa perioder.

Denna forskning genomförs genom ett multidisciplinärt samarbete mellan Hospital Universitário Getúlio Vargas (HUGV-UFAM/Ebserh) och Center for Research and Development in Electronic and Information Technology (CETELI/UFAM). CETELI kommer att vara ansvarig för att utveckla mjukvaran för datainsamling, lagringsarkitekturen och prediktiva algoritmer, medan klinisk tillsyn, rekrytering och protokollutförande kommer att ledas av HUGV.

Utöver vetenskaplig relevans har detta projekt betydande praktisk betydelse. I geografiskt komplexa regioner som Amazonas kan kontinuerlig fjärrövervakning med bärbara enheter förbättra uppföljning, minska ojämlikheter i tillgång till postoperativ vård och möjliggöra tidigare identifiering av komplikationer. Att integrera AI-baserade prediktionsmodeller med sjukhusarbetsflöden kan i slutändan minska kostnader, optimera patientflöden och förbättra säkerheten och kvaliteten på kirurgisk vård.